一种基于物理约束神经网络的相变流动全流场计算方法
文献发布时间:2024-04-18 19:44:28
技术领域
本发明涉及相变流动全流场,具体涉及一种基于物理约束神经网络的相变流动全流场计算方法。
背景技术
在目前的技术水平下,获得相变流动全流场信息的主要途径是通过实验直接测量或传统数值模拟方法进行求取。但实验测量存在成本较高,观测连续数据困难等缺点。传统数值模拟方法则在求解带有相变的复杂流场时运算时间过长且收敛困难。而部分采用机器学习算法进行流场预测的方法,需求的样本数据多,且由于只是简单生硬的应用机器学习算法进行模型训练预测,并未考虑内部包含的物理信息,因此该方法在流场计算中应用效果不佳,计算精度一般较低。
发明内容
针对以上现有技术存在的问题,本发明提出了一种基于物理约束神经网络的相变流动全流场计算方法,利用少量监测点的数据和物理约束,快速计算全流场,为相变流动全流场计算提供了一种快速准确的方法。
本发明的基于物理约束神经网络的相变流动全流场计算方法,包括以下步骤:
1)对相变流动全流场的边界物理构型进行测量,得到几何参数,然后根据几何参数确定相变流动全流场的计算域;
2)在相变流动全流场中,相变区域和非相变区域分别均匀设置多个监测点,其中相变区域的单位体积监测点数量应为非相变区域的多倍,得到各个监测点的时空点坐标(x,y,z,t);采集实验或模拟各个监测点的原始的物理场数据,物理场数据包括液相体积分数、速度场、压力场、密度场和能量场,对原始的物理场数据进行归一化处理,得到归一化数据,所有的归一化数据构成数据集,归一化后的液相体积分数作为第一数据集,归一化后的速度场、压力场、密度场和能量场作为第二数据集;
3)对流动控制方程和相变控制方程分别进行无量纲化处理;
4)建立相变预测神经网络,将无量纲化的相变控制方程作为物理约束加入至相变预测神经网络损失函数中,通过步骤2)的时空点坐标(x,y,z,t)和第一数据集,以及相变预测神经网络损失函数约束,训练相变预测神经网络,得到训练好的相变预测神经网络;相变预测神经网络的输入为时空点坐标(x,y,z,t),输出为液相体积分数;
5)建立流场预测神经网络,将无量纲化的流动控制方程作为物理约束加入至流场预测神经网络损失函数中,通过相变预测神经网络输出的液相体积分数和步骤2)得到的第二数据集,以及流场预测神经网络损失函数约束,训练流场预测神经网络,得到训练好的流场预测神经网络;流场预测神经网络的输入为时空点坐标(x,y,z,t)和液相体积分数,输出为速度场、压力场、密度场和能量场;
6)将相变流动全流场的待测点的时空点坐标输入至相变预测神经网络,相变预测神经网络输出待测点的液相体积分数;将待测点的时空点坐标和相变预测神经网络输出的待测点的液相体积分数输入至流场预测神经网络中,流场预测神经网络输出待测点的速度场、压力场、密度场和能量场,从而得到待测点的流场信息;
7)重复上述步骤6),得到相变流动全流场的所有待测点的流场信息,从而获得相变流动全流场。
其中,在步骤1)中,几何参数包括流场进出口尺寸、壁面变化曲线和对称轴。
在步骤2)中,相变区域的单位体积监测点数量不少于1个,相变区域的单位体积监测点数量应为非相变区域的2~3倍。
为保证数据集驱动的损失项与物理约束损失项在同一维度下进行加权,分别对第一和第二数据集进行归一化处理:
其中,Z
在步骤3)中,根据欧拉(Euler)方程构建流动控制方程并且进行无量纲化:
其中:x、y和z分别为流场的长度、宽度和高度;u为x轴速度,v为y轴速度,w为z轴速度,t为时间,p为压力,ρ为密度,E为能量,L
根据Lee model(李模型)构建相变控制方程并且进行无量纲化,然后将无量纲后的质量源项和能源源项带入到流动控制方程中:
当p′≥p′
S
当p′<p′
S
其中:p为压力,p
在步骤4)中,相变预测神经网络采用全连接形式,包括输入层、隐含层以及输出层。
相变预测神经网络损失函数为:
Loss
其中:Loss
在步骤5)中,流场预测神经网络采用全连接形式,包括输入层、隐含层以及输出层。
流场预测神经网络损失函数为:
Loss=loss
MSE
其中:Loss为流场预测神经网络损失函数,MSE
本发明的优点:
本发明基于流场物理构型进行测量;采集实验或模拟点数据并进行归一化构建数据集;分别将无量纲化的相变控制方程和流动控制方程作为物理约束加入至相变预测神经网络损失函数和流场预测神经网络损失函数中,分别对神经网络进行约束,并通过数据集训练神经网络;将待测点的时空点坐标输入至相变预测神经网络,以相变预测神经网络的输出作为流场预测神经网络的输入,得到待测点的流场信息;本发明利用少部检测点的数据和物理约束,快速计算全流场数据,为相变流动全流场计算提供了一种快速准确的方法。
附图说明
图1为本发明的基于物理约束神经网络的相变流动全流场计算方法的流程图。
具体实施方式
下面结合附图,通过具体实施例,进一步阐述本发明。
如图1所示,本实施例的基于物理约束神经网络的相变流动全流场计算方法,包括以下步骤:
1)对相变流动全流场的边界物理构型进行测量,得到几何参数,几何参数包括流场进出口尺寸、壁面变化曲线和对称轴;然后根据几何参数确定相变流动全流场的计算域;
2)在相变流动全流场中,相变区域和非相变区域分别均匀设置多个监测点,相变区域的单位体积监测点数量不少于1个,监测点越多结果越准确,其中相变区域的监测点数量应为非相变区域的3倍,得到各个监测点的时空点坐标(x,y,z,t);模拟各个监测点的原始的物理场数据,物理场数据包括液相体积分数、速度场、压力场、密度场和能量场,为保证数据集驱动的损失项与物理约束损失项在同一维度下进行加权,分别对第一和第二数据集通过下式进行归一化处理:
其中:Z
Z
所有的归一化数据构成数据集,归一化后的液相体积分数作为第一数据集,归一化后的速度场、压力场、密度场和能量场作为第二数据集;
3)对流动控制方程和相变控制方程,根据欧拉(Euler)方程构建流动控制方程并且进行无量纲化:
其中:x、y和z分别为流场的长度、宽度和高度;u为x轴速度;v为y轴速度;w为z轴速度;t为时间;p为压力;ρ为密度;E为能量;L
根据李模型Lee model构建流动控制方程并且进行无量纲化:
表1相变控制方程
其中:p为压力,p
4)建立相变预测神经网络,相变预测神经网络采用全连接形式,神经网络尺寸根据流场和相变区域的尺寸大小确定,一般为五到七层,包含一层输入层、三到五层隐藏层和一层输出层,每层隐藏层包含20个以上的神经元,输入层为维度为三,输出层的维度为一;
将无量纲化的相变控制方程作为物理约束加入至相变预测神经网络损失函数中,当压力大于饱和压力时,液体开始气化,质量源项等于蒸发冷凝系数、液相体积分数、密度和压差系数的乘积,而能量源项等于质量源项和汽化潜热的乘积;当压力小于饱和压力时,气体开始液化,质量源项和能量源项与气化过程符号相反,如表1p′≤p′
相变预测神经网络损失函数为:
Loss
其中:Loss
通过步骤2)的时空点坐标(x,y,z,t)和第一数据集,以及相变预测神经网络损失函数约束,训练相变预测神经网络,得到训练好的相变预测神经网络;相变预测神经网络的输入为时空点坐标(x,y,z,t),输出为液相体积分数;
5)建立流场预测神经网络,流场预测神经网络采用全连接形式,神经网络尺寸根据流场和相变区域的尺寸大小确定,一般为七到十层,包含一层输入层、五到八层隐藏层和一层输出层,每层隐藏层包含20个以上的神经元,输入层为维度为三,输出层的维度为五;;
将无量纲化的流动控制方程作为物理约束加入至流场预测神经网络损失函数中,流
场预测神经网络损失函数为:
Loss=loss
MSE
其中::Loss为流场预测神经网络损失函数,MSE
通过相变预测神经网络输出的液相体积分数和步骤2)得到的第二数据集,以及流场预测神经网络损失函数约束,训练流场预测神经网络,得到训练好的流场预测神经网络;流场预测神经网络的输入为时空点坐标(x,y,z,t)和液相体积分数,输出为速度场、压力场、密度场和能量场;
6)将相变流动全流场的待测点的时空点坐标输入至相变预测神经网络,相变预测神经网络输出待测点的液相体积分数;将待测点的时空点坐标和相变预测神经网络输出的待测点的液相体积分数输入至流场预测神经网络中,流场预测神经网络输出待测点的速度场、压力场、密度场和能量场,从而得到待测点的流场信息;
7)重复上述步骤6),得到相变流动全流场的所有待测点的流场信息,从而获得相变流动全流场。
最后需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附的权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
- 一种基于全极化雷达的冰盖内部组构和冰流场分布特征识别方法
- 一种基于物理约束神经网络的相变流动全流场计算方法
- 材料热加工全流程热力流微观组织多物理场数值计算方法