(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111660445.9 (22)申请日 2021.12.3 0 (71)申请人 中国海洋大学 地址 266100 山东省青岛市崂山区松岭路 238号 (72)发明人 聂婕　耿浩冉　王成龙　王京禹　 陈昊　杨启成　 (74)专利代理 机构 青岛华慧泽专利代理事务所 (普通合伙) 37247 代理人 赵梅 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01) G06F 30/23(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 113/08(2020.01) G06F 119/14(2020.01) (54)发明名称 基于双流神经网络的流体动力学过程参数 计算方法及应用 (57)摘要 本发明公开了一种基于双流神经网络的流 体动力学过程参数计算方法及应用， 该方法先将 Burgers方程的真实速度值输入流体动力学过程 参数计算模 型的双流神经网络， 分别预测上风向 和下风向的有限差分系数； 然后利用多视角空间 融合模块将上风向和下风向的有 限差分系数融 合， 并结合每个点处的权重值生成中心点处的有 限差分系数， 然后计算空间导数和时间导数， 进 而可通过时间导数值预测速度值。 通过本发明的 方法提高了 差分系数的准确性。 权利要求书3页 说明书9页 附图3页 CN 114429079 A 2022.05.03 CN 114429079 A 1.基于双流神经网络的流体动力学 过程参数计算方法， 其特 征在于， 包括以下步骤： 步骤一、 将输入流体动力学过程参数计算模型的数据进行预处理： 创建Burgers方程， 选取合适的离散格式进行离 散并计算真实速度值； 步骤二、 将Burgers方程的真实速度值输入流体动力学过程参数计算模型的双流神经 网络， 输出差分系 数， 其中所述双流神经网络的一支用于表征上风向的物理信息来预测上 风向的有限差 分系数， 双流神经网络的另一支用于表征下风向的物理信息来预测下风向的 有限差分系数； 步骤三、 利用多视角空间融合模块将上风向和下风向的有限差分系数融合， 并结合每 个点处的权 重值生成中心点处的有限差分系数， 用于后续的空间导数和时间导数的计算； 步骤四、 将步骤三得到的中心点有限差分系数与速度的真实值结合 来计算空间导数： 步骤五、 利用步骤四计算得到的空间导数计算网格单 元某一面的通量； 步骤六、 利用步骤五所 得到的通 量计算时间导数； 步骤七、 用步骤六计算得到的时间导数与真实时间导数值之间的差异或是预测得到的 速度值与真实速度值之间的差异进行反向传播， 对双流神经网络开展训练； 步骤八、 用步骤六 得到的时间导数值预测下一时刻的速度值。 2.根据权利要求1所述的基于双流神经网络的流体动力学过程参数计算方法， 其特征 在于， 步骤一中首先创建Burgers方程， 然后使用五阶的WENO格式对Burgers方程进行计算， 以获得Bur gers方程的高精度真实速度值作为基线， 对于五阶WENO格式， 基于一个六6个基 架点的模板S， 将S划分为3个子模板{S1， S2， S3}， 每个子模板上有四个节点， 分别构造3各子 模板的差分格式， 对这3个差分值进行加权平均， 得到总的差分值， 通过确定理想权重得到 最终的速度值。 3.根据权利要求1所述的基于双流神经网络的流体动力学过程参数计算方法， 其特征 在于， 步骤三中， 在 采用多视角空间融合模块融合计算中心 点有限差 分系数过程中， 还利用 空间结构表征风向对所 预测网格节点的影响， 建立精度约束， 具体方法是： (1)首先确定所要预测网格节点的点， 然后以此点为中心， 选取周围的若干个点作为模 型的参考点， 并将其分为若干个区域 来表征风向对所 预测点的影响； 对于特定点系数的预测， 采用以下策略进行计算， 如果某一时刻的风向是由A1点至A2点 的， 则将A1区域作为此时的上风向， A2区域作为下风向， 其 他区域同理； (2)在上风向区域， 将A1中的两点在中心点处泰勒展开， 其中多项式的标准形式如公式 (6)所示， 泰勒展开形 式如公式(7)(8)所示， 同理， 对于下风向区域， 使用A2区域中的两点在 中心点处进行泰勒展开(对于下风向情况这里不做论 述)； vi＝α1vi‑1+α2vi‑2    (6) 将公式(7)(8)两侧分别乘αi‑1、 αi‑2， 其中αi‑1、 αi‑2是上风向两个点所预测得到的有限差 分系数； 为了满足 公式(6)， 可 得到以下 具有三阶精度的约束：权　利　要　求　书 1/3 页 2 CN 114429079 A 2其中， 公式中α1是中心点左侧第一点处的有限差分系数， α2是中心点左侧第二点 处的有 限差分系数， vi‑2是中心点左侧第二点处的速度值， vi‑1是中心点左侧第一点处的速度值， vi 是需要求 得的网格中心点的速度值， v ′i是网格中心点速度值的一阶导 数， v″i是网格中心点 速度值的二阶导数， h代 表的是网格点之间的距离， O(h3)是余项。 4.根据权利要求1所述的基于双流神经网络的流体动力学过程参数计算方法， 其特征 在于， 步骤三中， 通过权重系数的计算， 将上风向和下风向的有限差分系 数融合， 上风向和 下风向的有限差分系数按照影响大小分配权重， 将重要的信息聚焦到重要程度大的系数 上， 充分挖掘空间结构特 征信息， 方法是： 将双流神经网络预测所得到的上下风向系数与使用 传统数值方法计算得到的系数进 行相似性或相关性计算， 得到每个系数的权重系数， 然后 将系数进 行加权求和， 得到最后系 数的注意力数值。 5.根据权利要求4所述的基于双流神经网络的流体动力学过程参数计算方法， 其特征 在于， 对于每一个系数都会分配一个权重， 使用Source＝<αi‑1， αi‑2， αi+1， αi+2>与Target＝< βi‑1， βi‑2， βi+1， βi+2>分别代表预测的系数以及经过传统数值方法计算得到的系数， 其中αi‑1、 αi‑2是上风向两个点所预测得到的有限差分系数， αi+1、 αi+2是下风向两个点所预测得到的有 限差分系数， βi‑1、 βi‑2是传统数值方法计算得到的上风向两个点的有限差分系数， βi+1、 βi+2 是传统数值方法计算得到的下风向两个点的有限差分系数； 对于每一个权重如果出现 ( αi‑1， βi‑1)、 ( αi‑2， βi‑2)、 ( αi+1， βi+1)、 ( αi+2， βi+2)， βi‑2大于其他传统数值方法计算的系数βi‑1、 βi+1、 βi+2， 这就说明αi‑2重要性要大于其他系数， 权重系数代表了信息的重要性， αi‑2所分配 的权重大， 说明这个系 数对于中间点系 数的贡献度大， 最终的中心点的有限差分系 数计算 如公式9所示： 其中， η1、 η2、 η、 η4指的是每个网格点系数的贡献度大小， n、 m为网格点的坐标， l为导数 的阶数。 6.根据权利要求1 ‑5任一项所述的基于双流神经网络的流体动力学过程参数计算方 法， 其特征在于， 步骤八中预测速度值的方法是： a.首先经过公式(10)， 将预测得到的系数与速度的真实值结合来计算空间导数值 其中 是预测的中心点有限差分系数， l是导数的阶数， n、 m是两个网格点的坐标， xn 代表的是坐标点， ν(xn)代表的是该点处的速度值， v(xn‑m)代表的是点n与点m两坐标点间的 速度值， xk代表的是差分的精度；权　利　要　求　书 2/3 页 3 CN 114429079 A 3