CN113642258A - 一种基于神经网络的cfd模型种类选择方法 - Google Patents

一种基于神经网络的cfd模型种类选择方法 Download PDF

Info

Publication number
CN113642258A
CN113642258A CN202111198669.2A CN202111198669A CN113642258A CN 113642258 A CN113642258 A CN 113642258A CN 202111198669 A CN202111198669 A CN 202111198669A CN 113642258 A CN113642258 A CN 113642258A
Authority
CN
China
Prior art keywords
neural network
water surface
maximum flow
layer
free water
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111198669.2A
Other languages
English (en)
Other versions
CN113642258B (zh
Inventor
罗强
朱蕾
单无牵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Wanjiang Gangli Technology Co ltd
Original Assignee
Chengdu Wanjiang Gangli Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Wanjiang Gangli Technology Co ltd filed Critical Chengdu Wanjiang Gangli Technology Co ltd
Priority to CN202111198669.2A priority Critical patent/CN113642258B/zh
Publication of CN113642258A publication Critical patent/CN113642258A/zh
Application granted granted Critical
Publication of CN113642258B publication Critical patent/CN113642258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络的CFD模型种类选择方法，具体包括以下步骤：对渠道进行建模仿真获得数据集，将数据集分为训练集和测试集；将第一层权值和偏置相加，经由激活函数输出结果，该结果又作为第二层的输入，继续加权求和，由激活函数输出；通过反向传播调整网络模型的权值和偏置，减小代价函数，不断更新权重与偏置，最终使得误差最小化；在神经网络模型中输入实际采集数据，得到最大流速，并通过分析判断最大流速选择自由水面的处理方法；最大流速是否出现在自由水面上，如果是则选用刚盖假定法，否则用VOF法。本发明利用神经网络能够对VOF法和刚盖假定法进行判定，在判定渠道可以使用最适配方法，从而节约时间成本。

Description

一种基于神经网络的CFD模型种类选择方法
技术领域
本发明涉及水资源管理技术领域，尤其涉及一种基于神经网络的CFD模型种类选择方法。
背景技术
研究人员进行仿真前并不知晓渠道的流速场，也因此也不知晓最大流速是否出现在自由表面。在经历完仿真后，能够得到流速场，此时才知晓最大流速的位置。在仿真过程中，对自由水面的处理有两种方法，一种是VOF法，另一种是刚盖假定法。
在一篇名为“基于FLuent的明渠水流三维数值模型验证”的文献中，提出了分别采用刚盖假定方法和VOF方法对自由水面进行处理，基于Tominaga和Nezu等人的矩形明渠试验模型数据,利用Fluent软件，分别采用刚盖假定方法和VOF方法，模拟明渠自由水面,对比研究不同宽深比条件下的明渠水流特性。通过分析研究得到：与刚盖假定法得到的模拟值相比，VOF模拟值更接近试验值，且VOF方法模拟得到数据显示在宽深比小于5时，垂线最大流速出现在相对水深0.6～0.8的范围内。
刚盖假定法将水表面假定为一个规则的刚性平面，不论真实的最大流速位置情况是在水面还是不在水面，如果用了该方法，只能得到最大流速在自由水面的这一种结果。所以对实际结果是最大流速位置不在自由水面的渠道进行仿真时，使用该方法就会与事实不符合。
VOF法能仿真能够还原真实的情况，只是所用的时间较长。
两种方法有各自的优缺点，总体来说，VOF法是通用的方法，但是仿真时间过长是刚盖假定法的数倍。刚盖假定法是特殊的方法，但是只针对于特定类型，只能在最大流速出现在自由表面的渠道进行使用。由于VOF法是通用的方法，一般在仿真过程中只用VOF法，大大的增加了时间成本。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于神经网络的CFD模型种类选择方法。
本发明的目的是通过以下技术方案来实现的：
一种基于神经网络的CFD模型种类选择方法，具体包括以下步骤：
S1：对渠道进行建模仿真获得数据集，将数据集分为训练集和测试集；
S2：搭建BP神经网络初步结构模型，将训练集输入BP神经网络，对模型的训练和调整；
S201：前向传播：将第一层权值和偏置矩阵相加，经由激活函数输出结果，该结果又作为第二层的输入，继续加权求和，由激活函数输出；第一层激活函数为tanh函数，第二层激活函数为sigmoid函数；
S202：反向传播：通过反向传播调整网络模型的权值和偏置矩阵，减小代价函数，不断更新权重与偏置矩阵，最终使得误差最小化，得到完整的BP神经网络；
S3：在神经网络模型中输入实际采集数据，得到最大流速，并通过分析判断最大流速选择自由水面的处理方法。
所述建模仿真工具为CFD仿真软件。
所述数据集参数包括底宽、水深、角度和入口速度。
所述自由水面的处理方法包括刚盖假定法和VOF法。
所述选择自由水面的处理方法具体方法为：最大流速是否出现在自由水面上，如果是，则选用刚盖假定法，否则用VOF法。
所述步骤S202中采用交叉熵作为代价函数。
本发明的有益效果：
本发明利用神经网络能够对VOF法和刚盖假定法进行判定，在判定渠道可以使用刚盖假定法时使用刚盖假定法而不是一味的用VOF法，从而节约时间成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1是本发明的流程框图；
图2是本发明的实施例2输出结果图；
图3是本发明的实施例3输出结果图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明解决的问题是在CFD仿真过程中对刚盖假定法和VOF法两种方法如何进行抉择。
刚盖假定法：适用范围小，只针对最大流速出现在自由水面的渠道，仿真时间较短；
VOF法：适用范围广，适合所有类型的渠道，仿真时间较长是刚盖假定法的数倍。
一种基于神经网络的CFD模型种类选择方法，具体包括以下步骤：
对渠道进行建模仿真获得数据集；以梯形渠道为例。
底宽b选择的范围为0.5-1m，间隔为0.1m。
水深h的取值范围为0.1-0.7m，间隔为0.1m。
角度的选择为110-130°，间隔5°。
入口速度取值范围为0.1-0.5m/s，间隔为0.1m/s。
根据这四种参数的不同，能够对其进行仿真得到多组数据，数据集的创建完成。
S1：对渠道进行建模仿真获得数据集，将数据集分为训练集和测试集；
S2：搭建BP神经网络初步结构模型，将训练集输入BP神经网络，对模型的训练和调整；
S201：前向传播：将第一层权值和偏置矩阵相加，经由激活函数输出结果，该结果又作为第二层的输入，继续加权求和，由激活函数输出；第一层激活函数为tanh函数，第二层激活函数为sigmoid函数；
S202：反向传播：通过反向传播调整网络模型的权值和偏置矩阵，减小代价函数，不断更新权重与偏置矩阵，最终使得误差最小化，得到完整的BP神经网络；
S3：在神经网络模型中输入实际采集数据，得到最大流速，并通过分析判断最大流速选择自由水面的处理方法。
所述建模仿真工具为CFD仿真软件。
所述数据集参数包括底宽、水深、角度和入口速度。
所述自由水面的处理方法包括刚盖假定法和VOF法。
所述选择自由水面的处理方法具体方法为：最大流速是否出现在自由水面上，如果是，则选用刚盖假定法，否则用VOF法。
所述步骤S202中采用交叉熵作为代价函数。
实施例1，如图1所示
通过CFD仿真得到数据集，本实施例中底宽b的取值为0.5m、0.6m、0.8m和1m；
水深h的取值为0.1m、0.2m、0.3m、0.4m、0.5m、0.6m和0.7m；
角度的取值为110°、115°、120°、125°和130°；
入口速度取值为0.1 m/s、0.2 m/s、0.3 m/s、0.4 m/s和0.5 m/s。
将上述数据作为CFD仿真的输入条件，可以得到流速场的信息，和最大流速出现的位置。
需要说明的是，当最大流速出现在水面上时，输出结果为1；当最大流速未出现杂水面上，则输出结果为0。
将上述参数组合起来，得到很多种组数据，其得到的数据格式如下表1：
表1
Figure DEST_PATH_IMAGE001
经历以上步骤，总共能得到很多组数据，随机选取一些数据作为训练集，其他数据作为测试集。
最后需通过神经网络对最大流速位置进行预判，本发明采用BP神经网络。
如图2所示，BP神经网络总共三层，分别为输入层、隐藏层和输出层；输入层有四个输入特征，分别对应于角度、水深、底宽、入口速度；隐藏层只有一层，其大小为10；输出层为两个分类0和1，分别对应于最大流速不在水面和在水面。
通过输出结果1或0，判断采用刚盖假定法或VOF法。当输出结果为1时，自由水面处理方法为刚盖假定法；当输出结果为0时，自由水面处理方法为VOF法。
实施例2，如图1所示
通过CFD仿真得到数据集，本实施例中底宽b的取值为0.5m、0.605m、0.745m和0.85m；
水深h的取值为0.1m、0.2m、0.3m、0.4m和0.5m；
角度的取值为130°、135°和140°；
入口速度取值为0.4 m/s、0.8 m/s、1.2 m/s、1.6 m/s、2.0 m/s、2.4 m/s和2.8m/s。
将上述数据作为CFD仿真的输入条件，可以得到流速场的信息，和最大流速出现的位置。
需要说明的是，当最大流速出现在水面上时，输出结果为1；当最大流速未出现杂水面上，则输出结果为0。
将上述参数组合起来，得到很多种组数据，其得到的数据格式如下表2：
表2
Figure DEST_PATH_IMAGE002
经历以上步骤，总共能得到很多组数据，随机选取一些数据作为训练集，其他数据作为测试集。
最后需通过神经网络对最大流速位置进行预判，本发明采用BP神经网络。
如图3所示，BP神经网络总共三层，分别为输入层、隐藏层和输出层；输入层有四个输入特征，分别对应于角度、水深、底宽、入口速度；隐藏层只有一层，其大小为10；输出层为两个分类0和1，分别对应于最大流速不在水面和在水面。
通过输出结果1或0，判断采用刚盖假定法或VOF法。当输出结果为1时，自由水面处理方法为刚盖假定法；当输出结果为0时，自由水面处理方法为VOF法。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于神经网络的CFD模型种类选择方法，其特征在于，具体包括以下步骤：
S1：对渠道进行建模仿真获得数据集，将数据集分为训练集和测试集；
S2：搭建BP神经网络初步结构模型，将训练集输入BP神经网络，对模型的训练和调整；
S201：前向传播：将第一层权值和偏置矩阵相加，经由激活函数输出结果，该结果又作为第二层的输入，继续加权求和，由激活函数输出；第一层激活函数为tanh函数，第二层激活函数为sigmoid函数；
S202：反向传播：通过反向传播调整网络模型的权值和偏置矩阵，减小代价函数，不断更新权重与偏置矩阵，最终使得误差最小化，得到完整的BP神经网络；
S3：在神经网络模型中输入实际采集数据，得到最大流速，并通过分析判断最大流速选择自由水面的处理方法。
2.根据权利要求1所述的一种基于神经网络的CFD模型种类选择方法，其特征在于，所述建模仿真工具为CFD仿真软件。
3.根据权利要求1所述的一种基于神经网络的CFD模型种类选择方法，其特征在于，所述数据集参数包括底宽、水深、角度和入口速度。
4.根据权利要求1所述的一种基于神经网络的CFD模型种类选择方法，其特征在于，所述自由水面的处理方法包括刚盖假定法和VOF法。
5.根据权利要求1所述的一种基于神经网络的CFD模型种类选择方法，其特征在于，所述选择自由水面的处理方法具体方法为：最大流速是否出现在自由水面上，如果是，则选用刚盖假定法，否则用VOF法。
6.根据权利要求1所述的一种基于神经网络的CFD模型种类选择方法，其特征在于，所述步骤S202中采用交叉熵作为代价函数。
CN202111198669.2A 2021-10-14 2021-10-14 一种基于神经网络的cfd模型种类选择方法 Active CN113642258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111198669.2A CN113642258B (zh) 2021-10-14 2021-10-14 一种基于神经网络的cfd模型种类选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111198669.2A CN113642258B (zh) 2021-10-14 2021-10-14 一种基于神经网络的cfd模型种类选择方法

Publications (2)

Publication Number Publication Date
CN113642258A true CN113642258A (zh) 2021-11-12
CN113642258B CN113642258B (zh) 2022-01-14

Family

ID=78426881

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111198669.2A Active CN113642258B (zh) 2021-10-14 2021-10-14 一种基于神经网络的cfd模型种类选择方法

Country Status (1)

Country Link
CN (1) CN113642258B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104633856A (zh) * 2015-01-27 2015-05-20 天津大学 Cfd数值模拟结合bp神经网络人工环境控制方法
CN106404105A (zh) * 2016-08-30 2017-02-15 成都万江港利科技股份有限公司 一种具有水位和流速同时测量的监测装置
US20190278879A1 (en) * 2018-03-09 2019-09-12 Tata Consultancy Services Limited System and method for determination of air entrapment in ladles
US20200387579A1 (en) * 2019-06-10 2020-12-10 General Electric Company Deep learning surrogate for turbulent flow

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104633856A (zh) * 2015-01-27 2015-05-20 天津大学 Cfd数值模拟结合bp神经网络人工环境控制方法
CN106404105A (zh) * 2016-08-30 2017-02-15 成都万江港利科技股份有限公司 一种具有水位和流速同时测量的监测装置
US20190278879A1 (en) * 2018-03-09 2019-09-12 Tata Consultancy Services Limited System and method for determination of air entrapment in ladles
US20200387579A1 (en) * 2019-06-10 2020-12-10 General Electric Company Deep learning surrogate for turbulent flow

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MA EL-MOOTY等: "COMPARISON AMONG NUMEROUS NUMERICAL ALTERNATIVES USING ANSYS ON OPEN CHANNEL CONFLUENCE", 《ICCEEE "2ND INTERNATIONAL CONFERENCE OF CHEMICAL, ENERGY AND ENVIRONMENTAL ENGINEERING ICCEEE 2019》 *
贾嘉等: "基于神经网络液体晃动对罐体作用力的预测", 《 2009中国汽车工程学会年会论文集》 *
陈胖胖等: "河冰数值模拟中不规则边界处理技术探讨", 《冰川冻土》 *

Also Published As

Publication number Publication date
CN113642258B (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
CN109635511B (zh) 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法
CN111191316B (zh) 一种基于响应面的建筑自然通风性能优化模型及优化方法
CN103353923B (zh) 基于空间特征分析的自适应空间插值方法及其***
CN111768502A (zh) 一种基于gpu加速技术的非结构网格二维洪水模拟***
CA2392063A1 (en) Method and program for simulating a physical system using object-oriented programming
CN109948214B (zh) 城市多尺度风环境数值模拟方法
CN106503365B (zh) 一种用于sph算法的分区搜索方法
CN109472352A (zh) 一种基于特征图统计特征的深度神经网络模型裁剪方法
CN112700326A (zh) 一种基于灰狼算法优化bp神经网络的信贷违约预测方法
CN110990926B (zh) 一种基于面积修正率的城市地表建筑水动力学仿真方法
CN106874602A (zh) 气象数据处理方法和装置
CN110222368A (zh) 一种利用二维切片计算岩心三维孔隙度和渗透率的方法
CN111144027A (zh) 一种基于bp神经网络全特性曲线函数的逼近方法
CN108985331A (zh) 一种基于对抗生成网络的目标计数方法
CN113642258B (zh) 一种基于神经网络的cfd模型种类选择方法
Waibel et al. Physics meets machine learning: Coupling FFD with regression models for wind pressure prediction on high-rise facades
CN113722894A (zh) 一种基于模型简化的火灾蔓延模拟加速方法及***
CN116186864B (zh) 一种基于bim技术的深基坑模型快速建模方法及***
CN103886636B (zh) 基于光线投射步进补偿的实时烟雾渲染算法
CN111159956A (zh) 一种基于特征的流场间断捕捉方法
CN112560326B (zh) 压力场的确定方法及装置
CN113537354A (zh) 一种基于深度学习的含水层结构阶段式随机反演识别方法
KR20220100751A (ko) 유입 풍속과 도시 형태 매개 변수를 이용한 도시 풍속 분석 시스템 및 이를 이용한 분석 방법
CN109063268B (zh) 人群疏散宏观模型迭代式仿真方法
CN114528759B (zh) 基于深度学习的水下***气泡形态及附近流场压力预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Kind Selection Method for CFD Models Based on Neural Networks

Effective date of registration: 20230728

Granted publication date: 20220114

Pledgee: Bank of Guiyang Limited by Share Ltd. Chengdu Qingyang branch

Pledgor: CHENGDU WANJIANG GANGLI TECHNOLOGY Co.,Ltd.

Registration number: Y2023510000185

PE01 Entry into force of the registration of the contract for pledge of patent right