一种基于自注意力几何编码的无网格翼型流场预测方法

本发明属于计算流体力学和人工智能领域，是数据点采样式学习方法，能够应用于较大规模网格问题，具体涉及一种基于自注意力几何编码的无网格翼型流场预测方法。

背景技术：

1、机翼设计是计算流体力学(cfd)应用的一个重要方向，为了描述和模拟流体问题，通常需要求解偏微分方程(pdes)，设计过程通过求解整个网格的偏微分方程来最大限度地提高升阻比，并需要特别强调发生各种多尺度现象的表面，重点是找到机翼的最佳形状，使飞行所需的力最小。然而，传统的数值方法如有限差分法、有限元法和有限体积法在处理复杂几何、多尺度和多物理现象、边界条件时面临显著的计算效率挑战。这主要是由于高质量的网格生成以及各种物理量耦合效应导致的计算开销非常大，其模拟精度也会随着求解的物理场景的复杂性增加而下降。

2、人们提出了许多神经网络代用方法来对cfd数据进行表示学习，目前较为有效的方式大多都依赖基于网格的方法：卷积神经网络(cnn)在处理计算流体力学中使用的不规则网格数据时，面临问题；图神经网络(gnn)对流场的建模显示出良好的前景，但在处理大规模的网格时，gnn的感受野大小和远距离节点的信息传递方面存在局限性，当网格密度过大时，gnn无法适应gpu的内存，因此必须进行子采样，这一局限性限制了它们在大型网格和多尺度现象普遍存在的情况下的应用。

3、近年来，隐式神经表达(inr)已在物理问题中得到成功应用，利用基于坐标的网络将几何信息和物理场编码为简明表征，在表示空间内建立了问题几何变量与相应物理场之间的映射能对不同的网格采样具有鲁棒性，可适应不同的几何形状。

技术实现思路

1、针对现有技术中存在的不足，本发明提出了一种基于自注意力几何编码的无网格翼型流场预测方法，从而减少在翼型优化过程中大量迭代计算，减少资源消耗，节约时间成本。

2、为了解决上述技术问题，本发明通过以下方式来实现：

3、一种基于自注意力几何编码的无网格翼型流场预测方法，包括以下步骤：

4、s1、将多套网格上的定常流动数据进行数据预处理，得到网格节点的几何信息，并将网格节点中与几何表面相贴合，几何距离为0的点标记为物面特征点；

5、s2、从每个数据场中选取物面特征点，并随机采样部分网格节点的几何信息及对应流场信息；

6、s3、构建神经网络前向过程，基于网格节点输入通过注意力机制赋予物面特征点不同的权重，物面特征点通过权重加权和得到几何编码，几何编码与空间位置拼接后，通过隐式神经表达解码成流场物理量，在神经网络输出之后与真值数据通过损失函数反向传播以训练模型，获取具有最优预测精度的神经网络参数；

7、s4、输入物面特征点，流场空间坐标位置并计算几何信息，拼接来流速度，攻角进行流场预测。

8、进一步地，所述步骤s1的具体方法如下：

9、s11、选取翼型几何进行一定范围的攻角调整和来流速度调整，生成网格并进行数值模拟求解得到流场数据集；

10、s12、从流场中裁剪出靠近翼型的关键区域，生成网格节点的空间位置坐标、网格节点距离机翼几何表面的最近距离及物面特征点需要几何法向；每个网格节点坐标拼接上机翼攻角与来流速度旋转相对速度、与几何体最近的距离和法向共7个维度的特征，所有节点特征的x，机器学习监督项为对应的物理量y，数据集输入和监督项都进行z-score标准化处理。

11、进一步地，所述步骤s2的具体实现方法是：

12、从每一个流场中选取出所有的物面特征点xgeo，并随机采样n个网格节点特征xsampled及对应的流场物理量ysampled，其表达式如下：

13、xgeo＝{x|distance(x)＝0}

14、(xsampled，ysampled)＝{(x,y)|randselect((x，y))}

15、进一步地，所述步骤s3具体方法如下：

16、s31、将网格节点特征对应流场的所有物面特征点xgeo特征编码向量，分别通过relu多层感知机映射为以高维作为自注意力机制的key(k)和value(v)，其具体表达式如下：

17、k＝keyencoder(xgeo)

18、v＝valueencoder(xgeo)

19、网格节点特征的特征编码向量也用relu多层感知机映射为与自注意力模块相同维度的query(q)，其具体表达式如下：

20、q＝queryencoder(x)

21、s32、计算网格节点特征与物面特征点的加权几何表示zg，其表达式如下：

22、

23、s33、网格节点特征通过relu多层感知机映射为高维向量z，将z与zg拼接送入隐式神经网络inr进行解码成神经网络预测的流场物理量其表达式如下：

24、z＝encoder(xsampled)

25、

26、s34、使用第二范数作为损失函数，给予边界损失与内流损失不同的权重，所述损失函数loss表达式如下：

27、loss＝αsurfloss+volloss

28、

29、其中，α表示超参数，k＝|xsurf|。

30、进一步地，所述步骤s4具体方法如下：

31、s41、将翼型几何采用生成网格的方式来离散成一系列点的坐标作为物面特征点；

32、s42、在空间也采用生成网格的方式进行离散，得到关注的流场位置点坐标；

33、s43、通过网格节点的空间坐标信息，计算距离机翼几何表面的最近距离及物面特征点需要几何法向，每个点拼接上机翼攻角与来流速度旋转相对速度的共7个维度；

34、s44、将拼接了几何信息、来流速度和攻角的物面特征点及流场空间坐标输入模型得到对应的流场结构。

35、与现有技术相比，本发明具有的有益效果：

36、本发明提出的流程预测方法，可从较大规模的流场中以采样方式进行学习多尺度结果，同时将网格节点特征对物面特征点的自注意力机制特征作为几何信息，引入普通隐式神经表达网络，使得神经网络能够拥有一定的几何泛化能力，在几何边界的压力预测与内流中速度压力预测都取得了较好的效果；能够提供一种更高效且快速地预测翼型流场的方法，为后续翼型设计优化等应用提供流场参考和指导。

技术特征：

1.一种基于自注意力几何编码的无网格翼型流场预测方法，其特征在于：包括以下步骤：

2.如权利要求1所述的一种基于自注意力几何编码的无网格翼型流场预测方法，其特征在于：

3.如权利要求1所述的一种基于自注意力几何编码的无网格翼型流场预测方法，其特征在于：

4.如权利要求1所述的一种基于自注意力几何编码的无网格翼型流场预测方法，其特征在于：

5.如权利要求1所述的一种基于自注意力几何编码的无网格翼型流场预测方法，其特征在于：

技术总结
本发明公开一种基于自注意力几何编码的无网格翼型流场预测方法，包括以下步骤：将多套网格上的定常流动数据进行数据预处理，得到网格节点的几何信息，并将网格节点中与几何表面相贴合，几何距离为0的点标记为物面特征点；从每个数据场中选取物面特征点，并采样部分网格节点的几何信息及对应流场信息；构建神经网络前向过程，基于网格节点输入通过注意力机制赋予物面特征点不同的权重，物面特征点通过权重加权和得到几何编码，与空间位置拼接通过隐式神经表达解码成流场物理量，在神经网络输出后通过损失函数反向传播训练模型，获取最优预测神经网络参数；输入物面特征点，流场空间坐标并计算几何信息，拼接来流速度，攻角进行流场预测。

技术研发人员：肖立,常兴华,刘化勇,陈亮中,王靖宇,张来平,姜屹
受保护的技术使用者：四川大学
技术研发日：
技术公布日：2024/9/23