物理增强的流场深度学习建模与模拟方法

流体运动理论上可用Navier?Stokes方程描述, 但由于对流项带来的非线性, 仅在少数情况可求得方程解析解. 对于复杂工程流动问题, 数值模拟难以高效精准计算高雷诺数流场, 实验或现场测量难以获得流场丰富细节. 近年来, 人工智能技术快速发展, 深度学习等数据驱动技术可利用灵活网络结构, 借助高效优化算法, 获得对高维、非线性问题的强大逼近能力, 为研究流体力学计算方法带来新机遇. 有别于传统图像识别、自然语言处理等典型人工智能任务, 深度学习模型预测的流场需满足流体物理规律, 如Navier?Stokes方程、典型能谱等. 近期, 物理增强的流场深度学习建模与模拟方法快速发展, 正逐渐成为流体力学全新研究范式: 根据流体物理规律选取网络输入特征或设计网络架构的方法称为物理启发的深度学习方法, 直接将流体物理规律显式融入网络损失函数或网络架构的方法称为物理融合的深度学习方法. 研究内容涵盖流体力学降阶模型、流动控制方程求解领域.      

基于扩散模型的流场超分辨率重建方法

低分辨率的流场数据具有较少的信息量,不能充分捕捉流场中的细节演化过程.尤其对于湍流的随机脉动特征和小尺度涡旋细节特征更加难以获取,这限制了对流场演化机理进行深入研究.为了解决这一局限性,并从低分辨率流场中重建高分辨率数据,文章提出一种流场超分辨率重建的生成扩散模型FlowDiffusionNet.该模型以低分辨率流场数据输入作为约束条件,采用去噪分数匹配方法,来实现高分辨率流场数据的复现.FlowDiffusionNet在结构设计上充分考虑了流场数据的低频信息与高频空间特征,采用基于扩散过程的建模方法,用于重建高分辨率流场数据的残差.该模型结构便于实现迁移学习,可在不同程度的退化流场上应用.将该方法在多种经典流场数据集上进行测试,并与双三次插值(bicubic)、超分辨率生成对抗网络(SRGAN)、超分辨率卷积神经网络(SRCNN)等方法进行比较.结果表明,该方法在各种流场上的重建性能达到最佳水平,特别是对于包含小尺度涡结构的4倍下采样流场数据,客观评价指标SSIM达到0.999.     

基于时程深度学习的流场特征分析方法

流场的特征分析是流体力学的重要研究方向,传统方法主要根据流动参数量值的大小加以判断,所得结果受选取的参数形式及主观阈值影响大.本文提出了基于流场时程深度学习的流动特征分析新方法,建立了基于自动编码的流动特征提取模型;采用无监督训练方法充分挖掘流动时程信号中的隐含特征,进行流场中复杂时序特征的低维表征与特征分析.开展了R...     

基于尾流时程目标识别的流场参数选择研究

浸入流场中的固体壁面会形成高度复杂且具有一定特征的尾流流场, 利用尾流所包含的信息对物体的外形特征进行识别具有重要的应用价值. 然而, 在较高雷诺数情况下尾流流场形态及其时序特征复杂, 难以通过传统的数学物理方法对流场信号进行特征的识别与提取. 本文提出了基于尾流时程数据深度学习的流场特征提取与分析方法, 实现了基于一点的物理量时程进行流场中物体外形的识别; 同时, 对流场中不同物理参数时程的识别精度与识别结果进行分析与研究, 得到适用于目标识别的最优物理量参数. 通过对圆柱和方柱的尾流数据研究结果表明, 本文提出的基于卷积神经网络的模型具有好的训练收敛性和高的预测精度, 能够识别并提取得到时程数据中包含的流场特征, 采用流场横向速度时程作为物体外形识别信号的模型准确率高. 证明了本方法用于浸入流场中物体外形识别的可行性, 是一种目标识别的高精度方法.      

基于多变量小样本的渗流代理模型及产量预测方法

多孔介质渗流过程中存在的多尺度、多变量、多物理场耦合的非线性渗流问题给复杂渗流机理的表征及数学模型求解提出了巨大的挑战, 综合考虑地下多孔介质耦合渗流过程中关键力学问题的渗流模型往往需要在计算效率和计算精度之间权衡. 近年来, 基于油田多数据的渗流代理模型为高效求解多变量非线性渗流问题提供了思路, 而渗流代理模型在实际油田中的应用往往由于记录不全, 操作不当等因素受到小样本数据的限制. 针对这一问题, 本文提出了一种基于地质?油藏?工艺的多数据小样本渗流代理模型的产量预测方法. 通过填补缺失值, 独热编码分类数据, 数据对数化及标准化等一系列数据预处理方法, 形成了油田产量预测数据库; 经过随机劈分数据集、十折交叉验证, 测试了三种渗流代理模型的预测效果. 结果表明, 三种代理模型的决定系数均超过0.8, 模型预测结果与实际数据较为吻合; 对于小样本多变量的油田数据, 合适的数据预处理方法对模型预测效果影响显著; 经过数据标准化后, 随机森林算法表现最好, 能快速准确预测石油产量(均方误差0.12, 决定系数0.87).      

用流体双折射方法研究人工心脏瓣膜的脉动流场

本文选用1.5%的MillingYellow溶液,在对二维心瓣低频脉动流场的分析中,仍采用稳态流场的线性光-力学关系。通过摄象机记录下了一个脉动周期内脉动流量Q从36升/小时至55升/小时流场的变化情况,直观地看到主动脉瓣流场中最大切变率的瞬态分布。记录了同一模型在相同条件下稳态流场流量Q为50升/小时的流场,对两种流场下几个典型截面处的最大切变率的数值做了比较。通过对图线的分析,表明在稳态流量与脉动流量相同的情况下,脉动流场的最大切变率数值高于稳态流场,这就说明脉动使流场的剪切作用增强。     

基于弹性力学第一性原理的数据驱动力学建模

提出了一种基于弹性力学第一性原理的数据驱动力学建模方法,其能够从基于弹性力学方程的数值计算结果建立简洁且能准确捕捉变形机制的力学模型。基于有限元计算得到的高精度数据和无监督数据驱动控制方程识别方法Seq-SVF,从梁的载荷和位移数据中自动识别出了Timoshenko梁形式的弯曲控制微分方程,得到了三种不同加载条件下剪切影响系数关于结构尺寸和力学参数的函数表达式。揭示了经典模型适用的加载条件,同时还给出了一种未发现的新模型。通过将基于弹性力学的第一性原理计算与数据驱动范式相结合,克服了传统建模方法的局限性和对人类经验的强依赖性,为建立简洁的力学模型提供了一种新途径。     

基于特征迁移的面铣刀磨损监测方法

实时监测刀具磨损状态对保证工件加工质量和确定合理换刀时间至关重要.数据驱动的多源信号融合预测是解决刀具磨损预测难题的可行方案.本文中通过时域和频域分析提取了多维信号特征,并结合机器视觉方法处理刀具磨损图像获得的磨损特征,针对涂层面铣刀建立了随机森林磨损预测模型.对于同类型的刀具和工件材料,使用特征迁移方法解决多工况场景下新刀样本不足问题.试验结果表明,基于迁移特征建立的磨损预测模型对目标刀具的磨损量预测效果较迁移前显著提升,准确性评价指标R²决定系数从0.37提升到0.96.基于特征迁移的磨损预测模型为数据驱动模型在刀具磨损预测和实时监测领域的应用提供参考依据.     

基于神经网络的偏微分方程求解方法研究综述

神经网络作为一种强大的信息处理工具在计算机视觉,生物医学,油气工程领域得到广泛应用,引发多领域技术变革.深度学习网络具有非常强的学习能力,不仅能发现物理规律,还能求解偏微分方程.近年来基于深度学习的偏微分方程求解已是研究新热点.遵循于传统偏微分方程解析解、偏微分方程数值解术语,本文称用神经网络进行偏微分方程求解的方法为...     

基于灰色模型的混合建模预测方法及其应用

针对陀螺仪寿命预测的特点,提出了一种基于灰色模型的混合建模预测方法。为了提高一阶灰色模型GM（1,1）的建模能力,此模型引入了小波变换。首先小波变换对实测的动力调谐陀螺（DTG）漂移数据进行预处理以减少干扰噪声,接着处理后的数据被用来建立灰色模型。来自于长期测量的DTG的漂移数据的实验结果证明了文中所提混合策略的有效性。并且为了进行比较,对神经网络建模方法进行了相应的研究,结果表明当小波变换被引入到混合模型中,此基于灰色模型的混合建模预测方法具有令人满意的性能,为陀螺仪的寿命预测提供了借鉴和参考。     

基于深度学习和细观力学的颗粒材料本构关系研究

颗粒材料的本构关系对岩土工程等众多领域至关重要. 不同于传统的唯象本构理论, 本文基于机器学习模型探索了一种细观力学理论指导下的数据驱动型颗粒材料本构关系预测方法. 根据Vogit均质化假设, 建立了小应变条件下颗粒材料应力?应变解析关系, 此关系唯一地确定了一组与颗粒材料本构行为相关的细观组构变量. 这些变量与反应颗粒材料宏观性质的主应力和主应变信息通过一系列离散元三轴压缩数值试验获得. 考虑到细观组构变量为内变量, 不能直接作为本构模型的输入. 本文基于有向图方法将颗粒材料微观结构信息隐式地包含在应力?应变的预测当中, 并采用门控循环单元(GRU)循环神经网络作为基础深度学习模型描述有向图中结点之间的映射关系. 通过将有向图从目标节点沿源节点展开, 整个应力?应变预测模型可由两个神经网络分别训练并组装而成. 将训练后的深度学习模型在全新的数据集上进行测试, 结果表明该训练策略能有效捕捉到颗粒材料在常规三轴任意加卸载, 等中主应力系数b的真三轴加载, 和等平均有效应力p的真三轴加卸载等复杂多轴加载工况下的应力?应变响应关系, 模型具有良好的内插和外推预测能力. 考虑到深度学习模型捕捉颗粒材料力学响应的能力及其开放式学习的特点, 充分结合数据驱动方法和理论本构模型可能是颗粒材料本构研究的一个重要方向.      

基于数据驱动的无基准导波损伤诊断成像方法研究

在超声导波方法中,通常需要比较损伤前后(基准信号与当前测试信号)的数据以实现损伤诊断.然而实际情况下,基准信号往往不可靠或未知.本研究提出一种基于数据驱动的无基准损伤诊断成像(DRPDI)方法.DRPDI方法基于损伤稀疏假设,将聚类分析后的核心路径集作为训练字典库,利用字典学习算法重构信号,代替传统基准信号,从而实现无...     

单个三维气泡的动力学特性研究

模拟了单个气泡在重力场作用下动态特性,假设流场为无粘、无旋且不可压的理想流体,采用三角形单元离散流场边界,并用边界积分法求解流场,用Mixed-Eulerian-Lagrangian方法模拟气泡的演化,并在必要的时候采用三维光顺方法对气泡表面及其速度势分布进行光顺,使计算程序更准确,更稳定.在分析过程中,将本文三维模型的计算结果与Rayleigh-Plesset气泡模型及试验数据进行对比分析,三维模型的计算值与精确解及实验数据吻合很好,表明本文方法及计算模型具有较高的精度,并通过对比改变不同物理参数时对气泡运动周期及射流速度的影响,得出一些规律性的曲线,旨在为相关的水下气泡动力学分析提供参考.