基于深度学习的传热学反问题识别方法及装置

技术领域

本发明涉及热传学反问题技术领域，尤其涉及一种基于深度学习的传热学反问题识别方法及装置。

背景技术

传热学反问题是相对传热学正问题而言的，是所有反问题当中的一个分支。对于热传导正问题，如果控制方程的物性参数、求解域的几何形状、初始条件和边界条件均已知，则可通过数值方法直接求解温度场。但在很多实际工程问题中，由于测量技术所限，许多条件无法直接获取，因此提出了反问题研究方法。传热反问题则是在缺少一个或多个定解条件的情况下，根据热力学平衡方程和其它已知的定解条件，通过测量研究对象内部(或边界上)一点或多点的温度值(或其随时间的变化)作为补充条件来反演未知的定解参数，求解流程如图1。

通常，传热学反问题分为五种类型：第一类是估计热物性参数的反问题。当有一种新材料或几种材料作为传热介质，缺乏热物性参数，估算导热系数、比热等；第二类是估计边界条件的反问题；给定边界上的温度值、给定边界上的热流密度值、给定边界上物体与周围流体间的对流换热系数及周围流体的温度是导热问题的主要三种边界条件。当边界处的温度值、热流密度或对流换热系数未知时，估算该值。以上两类热传导反问题，是工程实际中最常见也是最迫切需要解决的问题；第三类是对热源项的估计。其包含热源强度识别和热源位置识别两类；第四类是对初始条件的估算。初始温度场是必要的，如果在初始时刻求解域内的温度场未知，则需要确定初始温度场；第五类反问题是对物体的几何形状估算。如果域的几何边界未知，则需要对物体的几何形状进行估算。

目前，传热学反问题的方法思路主要集中在正则化及其改进方法、梯度优化方法、智能优化算法等。正则化及其改进方法包括Tikhonov正则化方法、带权重的迭代正则化方法，此类方法是用一组与原不适定问题相“邻近”的适定问题的解去逼近原问题的解，通过引入正则化参数和稳定泛函来提高解的稳定性。选取合适的参数，直接决定了Tikhonov正则化方法能否快速、有效性地获得反演结果至关重要。正则化参数取值过大，得到的适定问题就与原问题不相似，则无法得到原问题的解；同样，正则化参数取值过小，又会继承许多原问题的不适定性，无法获得原问题的准确解。然而，在实际求解中，正则化参数的选取没有具体标准，大多依靠先验经验，这使得此方法有一定局限性；梯度优化方法包括共轭梯度法、阻尼最小二乘法和最速下降法，此类方法是根据一定的规则在原始模型附近的空间中进行搜索并求出模型的修正量，然后依据该修正量修正原始的模型。通过不断的循环迭代，直到反问题的求解达到预期的精度。往往以测点处的计算温度和真实温度差值的方差为目标函数进行迭代寻得最优解。此方法收敛速度很快，但容易陷入局部极值，且对初始猜测值的准确性有一定要求，此外，当目标函数较为复杂时(如三维模型的反问题计算)，其计算量巨大，耗时显著；智能优化算法是基于仿生学得到的具有全局搜索性的演化类算法，例如遗传算法、蚁群算法、粒子群优化算法等。通过设置特定的约束条件，在由求解系数组成的解空间中进行搜索，期望可以找到一个最优解，使得反问题的解能达到预期的精度。此类方法全局性强，但是由于在解空间中搜索的时候需要不断计算正问题，使得这种算法的计算量非常大，收敛速度慢。

发明内容

针对现有技术中存在的问题，本发明实施例提供一种基于深度学习的传热学反问题识别方法及装置。

第一方面，本发明实施例提供一种基于深度学习的传热学反问题识别方法，包括：

获取内壁面温度云图；

将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；其中，所述待修正参数包括对流换热系数，和/或，来流温度，和/或，热源强度；所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型。

进一步地，所述内壁面温度云图为多通道图像。

进一步地，还包括：

利用卷积神经网络对待修正参数进行修正，建立温度数据与所述待修正参数之间的映射；其中，所述温度数据为内壁面温度云图表示的图像化温度数据。

进一步地，所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型，具体包括：

基于内壁面温度云图样本确定深度学习所需的训练样本和测试样本；

基于所述训练样本和测试样本确定样本生成数目，选定待修正参数并给定参数样本分布范围确定待修正参数样本值；所述参数样本为卷积神经网络的训练集标签；

将待修正参数样本值作为预设神经网络模型的输入参数；

基于ResNet的深度神经网络对训练集做回归学习，确定与所述内壁面温度云图样本对应的待修正参数。

第二方面，本发明实施例提供了一种基于深度学习的传热学反问题识别装置，包括：

获取模块，用于获取内壁面温度云图；

参数结果输出模块，用于将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；其中，所述待修正参数包括对流换热系数，和/或，来流温度，和/或，热源强度；所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型。

进一步地，所述获取模块中所述内壁面温度云图为多通道图像。

进一步地，还包括：

修正模块，用于利用卷积神经网络对待修正参数进行修正，建立温度数据与所述待修正参数之间的映射；其中，所述温度数据为内壁面温度云图表示的图像化温度数据。

进一步地，所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型，具体包括：

基于内壁面温度云图样本确定深度学习所需的训练样本和测试样本；

基于所述训练样本和测试样本确定样本生成数目，选定待修正参数并给定参数样本分布范围确定待修正参数样本值；所述参数样本为卷积神经网络的训练集标签；

将待修正参数样本值作为预设神经网络模型的输入参数；

基于ResNet的深度神经网络对训练集做回归学习，确定与所述内壁面温度云图样本对应的待修正参数。

第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上第一方面所述的基于深度学习的传热学反问题识别方法的步骤。

第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面所述的基于深度学习的传热学反问题识别方法的步骤。

由上述技术方案可知，本发明实施例提供的基于深度学习的传热学反问题识别方法及装置，通过获取内壁面温度云图；将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；其中，所述待修正参数包括对流换热系数，和/或，来流温度，和/或，热源强度；本发明实施例简化了传热学反问题的流程，将图像化温度数据输入训练好的深度神经网络中，其输出结果即为待修正参数，克服了传统方法中目标函数选取的难度及不适性、初值依赖性，易陷入局部收敛等不足，减少了计算量及运算带来的误差。

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获得其他的附图。

图1为现有技术提供的求解流程示意图；

图2为本发明一实施例提供的基于深度学习的传热学反问题识别方法的流程示意图；

图3为本发明另一实施例提供的基于深度学习的传热学反问题识别方法的流程示意图；

图4为本发明一实施例提供的密闭方腔结构示意图；

图5为本发明一实施例提供的有限元模型示意图；

图6为本发明一实施例提供的温度云图；

图7为本发明一实施例提供的基于深度学习的传热学反问题识别装置的结构示意图；

图8为本发明一实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例是本发明一部分实施例，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做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。下面将通过具体的实施例对本发明提供的基于深度学习的传热学反问题识别方法进行详细解释和说明。

图2为本发明一实施例提供的基于深度学习的传热学反问题识别方法的流程示意图；如图2所示，该方法包括：

步骤101：获取内壁面温度云图。

步骤102：将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；其中，所述待修正参数包括对流换热系数，和/或，来流温度，和/或，热源强度；所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型。

在本实施例中，需要说明的是，本发明实施例提供的基于深度学习的传热学反问题识别方法旨在研究第二、三类传热学反问题，即边界对流换热系数、来流温度及热源强度的反演。以三维密闭方腔结构为例，利用选定的方腔内壁面温度云图作为初始条件，利用深度学习网络同时反演输出对流换热系数、来流温度及热源强度。

在本实施例中，需要说明的是，本发明实施例提供的基于深度学习的传热学反问题识别方法，能够克服目前传热反问题的传统方法中对多测点数据提取和处理、同时对多参数反演时目标函数选取的难度及不适性、初值依赖性，易陷入局部收敛等不足之处，将实验测量的内壁温度数据转化为多通道图像。利用深度学习网络对图像进行特征提取，建立内壁温度数据与三个待修正参数，即对流换热系数、来流温度及热源强度的快速映射，实现对反问题的求解。

在本实施例中为了解决上述相关问题，举例来说，参见图3：

步骤1：生成深度学习所需要的训练样本和测试样本，该数据来源一般为现有实验数据库或通过仿真方法得到。如果实验数据来源于仿真试验，则进行步骤2，如果温度数据来源于现有数据库则直接进行步骤4。

步骤2：确定样本生成数目N，选定待修正参数并给定参数样本分布范围。参数样本即为深度神经网络的训练集标签，并对其进行归一化处理。

步骤3：将步骤2中生成好的待修正参数样本值作为传热学模型的输入参数，对模型进行传热学试验。

步骤4：进行实验数据或仿真结果数据提取的预处理，选取结构同一内壁面，估计所有结果中内壁面温度最大值、最小值，以此确定温度刻标范围。设置相同温度刻标范围、分辨率。

步骤5：提取步骤4中选定的内壁面温度云图，此多通道图像即为深度神经网络的原始输入。

步骤6：建立利用基于ResNet的深度神经网络对训练集做回归学习。网络结构初始化。网络参数初始化。设置初始卷积核，将步骤5中获得的输入图像转化为适于计算机处理的尺寸。设置网络初始层数、每层特征图个数，模型精度阈值等参数。

步骤7：利用步骤5中获得的训练样本进行网络训练，网络前传，得到参数预测值，将参数预测值与参数标签输入损失函数，直至损失函数收敛，即完成训练。

步骤8：将测试集输入已训练好的网络，对网络精度进行验证，精度达到要求即可进行下一步。

步骤9：对网络训练结果进行验证。将实验测量的温度分布云图按步骤4进行同样的方法进行预处理，将其输入步骤8中训练完成的网络，得到参数的估计值。

步骤10：利用训练数据范围外的温度数据，对修正后的模型进行进一步验证，满足精度要求后，修正结束，即可输出参数修正结果。

由上述技术方案可知，本发明实施例提供的基于深度学习的传热学反问题识别方法，通过获取内壁面温度云图；将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；其中，所述待修正参数包括对流换热系数，和/或，来流温度，和/或，热源强度；本发明实施例简化了传热学反问题的流程，将图像化温度数据输入训练好的深度神经网络中，其输出结果即为待修正参数，克服了传统方法中目标函数选取的难度及不适性、初值依赖性，易陷入局部收敛等不足，减少了计算量及运算带来的误差。

上述实施例基础上，在本实施例中，所述内壁面温度云图为多通道图像。

在本实施例中，需要说明的是，本发明实施例通过直接提取结构温度图像进行处理，避免了由人工设置并提取多测点的温度数据所造成的不全面性与误差，使得对结构温度特性的数据结果利用率更高，对真实结构的表征能力强。

上述实施例基础上，在本实施例中，还包括：

利用卷积神经网络对待修正参数进行修正，建立温度数据与所述待修正参数之间的映射；其中，所述温度数据为内壁面温度云图表示的图像化温度数据。

在本实施例中，需要说明的是，本发明实施例结合深度学习在图像识别领域的优势，将卷积神经网络模型应用于待修正参数的修正，建立温度数据与待修正参数之间的快速映射。

上述实施例基础上，在本实施例中，所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型，具体包括：

基于内壁面温度云图样本确定深度学习所需的训练样本和测试样本；

基于所述训练样本和测试样本确定样本生成数目，选定待修正参数并给定参数样本分布范围确定待修正参数样本值；所述参数样本为卷积神经网络的训练集标签；

将待修正参数样本值作为预设神经网络模型的输入参数；

基于ResNet的深度神经网络对训练集做回归学习，确定与所述内壁面温度云图样本对应的待修正参数。

在本实施例中，需要说明的是，本发明实施例可对多参数反演问题进行高精度求解，避免传统方法中多次建立求解模型的计算过程及简化计算带来的精度损失。

为了更好的理解本发明，下面结合实施例进一步阐述本发明的内容，但本发明不仅仅局限于下面的实施例。

本发明算例采用某密闭方腔结构，如图4，其有限元模型见图5。方腔底部中心有一正方体热源，以体热源形式向内部辐射散热，内部流体为空气，方腔外部受到对流影响，并向外界辐射散热。本发明数值算例选择了3个待修正参数，分别是对流换热系数、来流温度和热源强度，其真实值见表1。

表1待修正参数及真值

步骤1：设样本数为5000，根据实际工况生成待修正参数初始分布范围，从范围中提取样本参数，并对每一组参数进行数据记录。在有限元软件ANSYS中建立传热模型，适当划分网格，输入其他已知边界条件，并输入每组参数，初始化并对传热模型进行求解。

步骤2：进行实验数据或仿真结果数据提取的预处理，选取结构同一内壁面，估计所有结果中内壁面温度最大值、最小值，以此确定温度刻标范围。设置相同温度刻标范围、分辨率。

步骤3：对计算结果进行数据提取。本发明的算例可直接提取模型内壁面的温度云图，将其保存为3通道960*960像素大小的图像(见图6)，即为深度神经网络的训练样本图，5000组带修正参数值则为训练样本的标签值。

步骤4：由于训练集输入图像中存在非必要数据，需要对原始图像进行处理。具体方法为利用PythonOpenCV编程剪裁输入图像，剪裁温度刻标及模型视野方向示意图，只保留内壁面温度云图，同时对训练集的标签进行归一化处理。

步骤5：网络初始化。网络获取数据后，在ResNet深度学习框架下训练深度神经网络。网络层数为11层，其中网络中的子结构包括卷积层、归一化层及激活层，回归参数个数为3个。其中卷积层实现特征提取，归一化层用于数据归一化，激活层添加网络的非线性。

步骤6：在训练中，为了避免增生增加造成的梯度退化、丧失细节信息等问题，在经过若干层卷积操作后会对上层细节信息进行快速连接操作，与经过若干层卷积后的特征图进行叠加。如果前后两层图像尺寸大小不匹配，则先进行一步卷积操作将图像尺寸统一后进行叠加。

步骤7：经过特征提取后，经过全连接层转化为3个输出参数，即为深度神经网络的回归结果。

步骤8：按照步骤7的网络结构搭建网络，按公式1计算损失函数和均方根误差rmse。其中损失函数为网络回归数据和训练标签之间的欧氏距离，rmse计算方法见公式(1)。其中y

步骤9：在训练样本之外的测试集上对训练好的网络进行测试。如果出现过拟合，则调整样本数据或修改网络参数直至符合精度要求。

步骤10：将三个待修正参数真实值结果的温度云图(与样本图像相同尺寸的三通道图像)作为测试集的输入图像，对应的待修正参数的真实值即为测试样本的标签。将网络输出结果与测试样本标签进行比较，可得到修正结果集误差。

步骤11：保存深度神经网络及输出结果。

图7为本发明一实施例提供的基于深度学习的传热学反问题识别装置的结构示意图，如图7所示，该装置包括：获取模块201和参数结果输出模块202，其中：

其中，获取模块201，用于获取内壁面温度云图；

参数结果输出模块202，用于将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；其中，所述待修正参数包括对流换热系数，和/或，来流温度，和/或，热源强度；所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型。

本发明实施例提供的基于深度学习的传热学反问题识别装置具体可以用于执行上述实施例的基于深度学习的传热学反问题识别方法，其技术原理和有益效果类似，具体可参见上述实施例，此处不再赘述。

基于相同的发明构思，本发明实施例提供一种电子设备，参见图8，电子设备具体包括如下内容：处理器301、通信接口303、存储器302和通信总线304；

其中，处理器301、通信接口303、存储器302通过通信总线304完成相互间的通信；通信接口303用于实现各建模软件及智能制造装备模块库等相关设备之间的信息传输；处理器301用于调用存储器302中的计算机程序，处理器执行计算机程序时实现上述各方法实施例所提供的方法，例如，处理器执行计算机程序时实现下述步骤：获取内壁面温度云图；将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；其中，所述待修正参数包括对流换热系数，和/或，来流温度，和/或，热源强度；所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型。

基于相同的发明构思，本发明又一实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例提供的方法，例如，获取内壁面温度云图；将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；其中，所述待修正参数包括对流换热系数，和/或，来流温度，和/或，热源强度；所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分的方法。

此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。