【技術實現步驟摘要】
本專利技術涉及流場特征識別，更具體的，涉及一種基于多尺度特征融合技術的流場渦結構識別方法。
技術介紹
1、流場結構識別在流體力學、氣象學、海洋學等領域具有重要的價值，能夠揭示流動現象的基本特征和演變規律。流場結構主要有渦、激波、膨脹波和邊界層等，其中渦結構是流場特征中最為重要的特征之一，隱含了更多的流場信息。渦結構的準確識別對于研究流場規律、理解流場的潛在物理機制與飛行器設計等應用有著重要意義，備受研究人員重視，在近年來得到了深入研究。但由于渦結構沒有十分明確的數學定義，在對流場渦結構進行識別的過程存在很大的局限性。
2、流場中渦結構的識別方法大致可以分為三類：局部檢測方法、全局檢測方法與基于機器學習的方法。局部方法通?；诹鲌龅奈锢硇再|，并且在概念上易于解釋，例如“局部高渦度”、“局部低壓”。他們僅使用局部流場信息來計算一些標準，因此可以快速地獲得結果，但檢測的精度較低且高閾值依賴。全局方法通?；诹鲌龅娜滞負湫再|，例如纏繞角、瞬時渦度偏差(ivd)。這些方法具有極高的精度，但計算量大，與局部方法相比需要更多時間。因此，很難應用這些方法來識別大規模數據集的渦結構。而基于機器學習的方法是目前新型的流場渦結構識別方法，通過將流場數據輸入到神經網絡中進行訓練，可以自動學習并提取流場中的渦結構。其中，卷積神經網絡(cnn)是近年來在物體識別領域取得突破性創新的一類機器學習算法。cnn由于卷積運算的局部性和平移不變性，可以有效抵抗平移、變形和旋轉等識別困難。因此，研究普遍認為cnn非常適合渦結構識別任務。
3、
技術實現思路
1、本專利技術提供一種基于多尺度特征融合技術的渦結構識別方法。主要是使用多尺度特征融合技術，結合流場全局上下文信息，實現對渦結構的精確識別。
2、本專利技術的目的在于針對現有渦識別技術中流場渦結構識別網絡多依據簡單的卷積層、池化層實現對流場數據特征的下采樣和上采樣操作，難以避免地造成了大量流場全局上下文信息的損失，產生的一系列精度損失問題，提出一種基于多尺度特征融合的流場渦結構識別方法。技術方案如下：
3、(1)為了保留更多的流場物理網格信息，將融合原始速度場和物理網格信息的渦度場作為輸入，進一步提高準確性和泛化性。渦度是一個贗矢量。它表示為ω→并定義為速度場v→的旋轉，它描述了連續運動。笛卡爾坐標系中的渦度計算公式如下：
4、
5、其中，x、y、z為物理空間中不同軸的真實坐標，可通過如下公式計算：
6、
7、上等式中，可以表示為(vi+1,j,k-vi-1,j,k)/2δξ，如下方程所示，其中j表示矩陣雅可比。
8、
9、為了將全局信息引入渦識別方法，使用基于ivd(瞬時渦度偏差)的渦識別方法標記訓練數據。ivd的計算基于(1)中計算出的渦量，具體為某一點的渦量與流場全局平均渦量之差的絕對值。計算公式如下：
10、ivd(x,t)＝|ω(x,t)-ωavg(x,t)|
11、其中，ω表示渦量，ωavg表示平均渦量，使用所計算的ivd作為判別渦的標準。
12、(2)在非均勻網格中，兩個網格點之間存在物理距離值，不方便直接進行后續處理。因此使用網格變換策略，對三維物理空間上的非均勻網格轉換為三維計算空間中的均勻網格，每個網格點在笛卡爾坐標系中都有相關的位置信息和其他有關的場信息。之后處理網格邊界，由于在訓練時，輸入為每個點的局部流場塊，但是靠近邊界的點沒有足夠的相鄰塊來獲得局部補丁，所以需要結合原始流場的屬性對網格進行填充，從而得到預處理后的數據。
13、(3)劃分訓練數據集與測試數據集，首先將80％的數據作為訓練數據集，剩余20％的數據作為測試數據集。訓練數據集中的80％作為訓練集，剩余20％最為驗證集。使用步驟(1)中計算的ivd標簽作為訓練數據。
14、(4)對數據進行歸一化處理，首先使用z-score方程式標準化整個渦度場，方程式如下：
15、
16、方程式中，x為流場的渦度值，μ和δ為所有渦度值的平均值和標準差值。這樣就得到了均值為零、標準差為一的標準化渦度，z-score方程式消除了渦度場的差異，之后采用sigmoid函數將渦度場歸一化在0和1之間。這樣就得到了歸一化后的渦度場。
17、(5)構建網絡模型，本專利技術提出一種基于多尺度特征融合的流場渦結構識別卷積神經網絡(mfv-net)?；趗-net網絡模型，設計了三個多尺度特征增強模塊，來幫助網絡充分結合流場全局上下文信息，提高渦結構識別精度。首先，為解決梯度消失問題，使用方向增強殘差模塊(oer-block)替代u-net的卷積塊；其次，為減少編解碼過程中的信息損失，在u-net的跳躍連接處構建多通道特征增強模塊(mcfe)；最后，為捕獲多尺度特征信息并提高網絡對渦結構的識別能力，在u-net的底部引入多尺度特征融合與重建模塊(msr)。
18、(6)設計損失函數，在計算流場中，網格信息被丟棄，因此所有點的重要性是相同的。然而，在物理流場中，靠近物體形狀邊界的點比其他點更重要，并且點的重要性與距離成反比。為了保留物理流場的特性，使用加權交叉熵損失函數，損失函數如下：
19、
20、其中np表示一個流場塊中的網格點數，yi和分別是第i個點的真實標簽和預測標簽。為了將距離信息引入網絡模型，需要預先計算每個流場的權重圖，每個點的權重由如下等式計算：
21、
22、其中xi是流場塊中的第i個網格點，d(xi,b)表示xi與流場邊界點之間的最小距離。
23、(7)從訓練數據集中進行流場塊采樣，訓練網絡模型。輸入為流場的坐標信息、速度的三個分量(u,v,w)、壓力、渦度、瞬時渦度偏差(ivd)、權重ωi。從訓練數據集中隨機采樣大小為32×32×32的流場塊作為mfv-net的輸入。
24、(8)后處理，按照網絡輸出的每個流場塊的位置坐標信息進行組合，最終得到整個流場的預測結果。
本文檔來自技高網...【技術保護點】
1.一種基于多尺度特征融合的流場渦結構識別方法，其特點在于：
2.在要求1所述的步驟(5)中，其特征在于：整合設計了一個U-Net網絡用于流場的渦旋結構識別，稱為MFV-Net；根據要求1所述，基于U-Net的新型渦識別網絡MFV-Net，在步驟(5)中，基于U-Net作為網絡框架，設計了一個3D?U-Net用于渦結構識別，稱為MFV-Net。設計了三個多尺度特征增強模塊，來幫助網絡充分結合流場全局上下文信息，提高渦結構識別精度，首先，為解決梯度消失問題，使用改進的殘差模塊(Res-Block)替代U-Net的卷積塊使用方向增強殘差模塊(OER-Block)替代原卷積塊；，其次，為減少編解碼過程中的信息損失，在MFV-NetU-Net的編解碼器跳躍連接處構建多通道特征增強模塊(MCFE)多尺度連接增強模塊(MCE)，；最后，為捕獲多尺度特征信息并提高網絡對渦結構的識別能力，在MFV-NetU-Net的底部引入多尺度特征融合與重建模塊(MSR)。多尺度特征融合模塊(MSFF)；
3.在要求1所述的步驟(5)中，用改進的殘差模塊(Res-Block)代替原U-
4.在要求1所述的步驟(5)中，在U-Net的跳躍連接處構建多尺度連接增強模塊(MCE)，MCE位于編解碼器對應位置的跳躍連接處，通過增加與當前解碼層對應的編碼層中的渦結構特性信息，實現對編碼結果的高效傳輸，MCE結構如附圖3所示，MCE輔助增強與當前解碼層對應的編碼層中的流場渦結構特性信息，從而實現對編碼結果的高效傳輸，其數學定義如下：
5.在要求1所述的步驟(5)中，在U-Net的底層設計并且加入多尺度特征融合模塊(MSFF)，該模塊是空洞空間卷積池化金字塔(ASPP)的變體，MSFF模塊結構圖如附圖4所示；在要求1所述的步驟(5)中，其特征在于：設計多尺度特征融合與重建模塊(MSR)，MSR通過分層網絡從不同尺度提取渦旋特征，特征提取后，為每個尺度的特征圖分配可學習的權重ωi，這些權重在訓練過程中動態調整，并通過特征統計進行計算，最后，對加權特征圖進行求和，形成最終的融合特征圖Ffinal；
...【技術特征摘要】
1.一種基于多尺度特征融合的流場渦結構識別方法，其特點在于：
2.在要求1所述的步驟(5)中，其特征在于：整合設計了一個u-net網絡用于流場的渦旋結構識別，稱為mfv-net；根據要求1所述，基于u-net的新型渦識別網絡mfv-net，在步驟(5)中，基于u-net作為網絡框架，設計了一個3d?u-net用于渦結構識別，稱為mfv-net。設計了三個多尺度特征增強模塊，來幫助網絡充分結合流場全局上下文信息，提高渦結構識別精度，首先，為解決梯度消失問題，使用改進的殘差模塊(res-block)替代u-net的卷積塊使用方向增強殘差模塊(oer-block)替代原卷積塊；，其次，為減少編解碼過程中的信息損失，在mfv-netu-net的編解碼器跳躍連接處構建多通道特征增強模塊(mcfe)多尺度連接增強模塊(mce)，；最后，為捕獲多尺度特征信息并提高網絡對渦結構的識別能力，在mfv-netu-net的底部引入多尺度特征融合與重建模塊(msr)。多尺度特征融合模塊(msff)；
3.在要求1所述的步驟(5)中，用改進的殘差模塊(res-block)代替原u-net的卷積塊，應用殘差網絡解決隨著網絡加深而出現的性能退化問題，在編碼和解碼路徑上用改進的殘差模塊代替u-n...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。