申请/专利权人：浙江大学

申请日：2024-06-06

公开（公告）日：2024-07-05

公开（公告）号：CN118296974A

主分类号：G06F30/27

分类号：G06F30/27;G06F18/214;G06F18/22;G06F119/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种基于物理场残差学习的流场仿真方法、系统、介质及设备，属于深度学习和物理方程求解交叉领域。该方法包括：首先利用训练数据或其他数据构建物理流场轨迹检索数据库；然后基于物理流场轨迹检索数据库为训练数据中的每条数据对分配一条相似的辅助流场轨迹，基于辅助流场轨迹和原始的训练数据集生成残差训练数据集；接着，基于现有的算子神经网络，在残差训练数据集上训练残差算子神经网络；最后，由训练好的残差算子神经网络预测物理流场轨迹残差，以得到待求解输入函数的数值解。本发明通过物理场残差学习，一方面缓解了原训练数据中的数据偏差，另一方面避免了神经网络的过拟合现象，显著提升了算子神经网络的物理仿真性能。

主权项：1.一种基于物理场残差学习的流场仿真方法，其特征在于，包括以下步骤：S1、针对待求解的偏微分方程，获取输入函数以及对输入函数求解后得到的输出函数真值，并根据输入函数以及输出函数真值构建训练数据集；S2、获取物理流场轨迹检索数据库，通过计算相似度的方式为训练数据集中的每条输入函数从物理流场轨迹检索数据库中匹配预设数量的相似流场轨迹，从所有相似流场轨迹中随机选择一个作为与每条输入函数对应的辅助流场轨迹，其中，每条相似流场轨迹对应一个相似度得分，每条辅助流场轨迹均由辅助输入函数和辅助输出函数真值组成；S3、将训练数据集中的每条输入函数和与每条输入函数对应的辅助流场轨迹、以及与每条辅助流场轨迹对应的相似度得分作为一组残差训练数据对并构建残差训练数据集；将残差算子神经网络模型在残差训练数据集上进行训练，并将输出函数真值作为标签，在训练过程的每个迭代轮次中，用于训练的每个输入函数都需要重新获取对应的辅助流场轨迹，形成新的残差训练数据对，用于残差算子神经网络模型下个迭代轮次的训练；S4、通过计算相似度的方式为待求解的输入函数从物理流场轨迹检索数据库中匹配唯一一个相似度得分最高的相似流场轨迹作为推理辅助流场轨迹，将待求解的输入函数、推理辅助流场轨迹以及与推理辅助流场轨迹对应的相似度得分一起输入到经过训练的残差算子神经网络模型中，得到预测的物理流场轨迹残差，将预测的物理流场轨迹残差与推理辅助流场轨迹的输出函数真值相加，得到待求解输入函数的数值解并作为流场仿真结果。

全文数据：

权利要求：

百度查询： 浙江大学 基于物理场残差学习的流场仿真方法、系统、介质及设备

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD