[发明专利]基于深度学习和SPH框架的流体动画生成方法及装置

权利要求书

1.一种基于深度学习和SPH框架的流体动画生成方法，其特征在于，所述方法包括以下步骤：

根据一次迭代过程中的压力项的求解过程，获取压力项计算前和计算后的相关模拟数据；

构造深度学习模型，训练流体模拟数据以生成基于神经网络的数据驱动项；

根据数据集的特征，构造神经网络模型，设定相关超参数，然后读取数据集在训练之前，对数据集进行预处理后进行网络模型的训练，训练结束保存神经网络模型；

将训练完成的神经网络模型导入到SPH流体模拟框架中，作为数据驱动项，替换流体模拟步骤中的压力项；

将基于神经网络的数据驱动项导入低精度流体场景数据后，进行SPH流体模拟计算；

采用Marching Cubes算法构造流体表面模型，提取流体表面网格并输出，将每帧的流体网格存储为数据文件，用于离线渲染。

2.根据权利要求1所述的一种基于深度学习和SPH框架的流体动画生成方法，其特征在于，所述方法还包括：

创建流体模拟场景的数据文件，所有流体数据及场景数据均通过外部的数据文件进行定义；

将场景文件中定义的数据转化为流场边界数据和流体参数，通过边界数据初始化流场边界，通过流体参数初始化流体。

3.根据权利要求2所述的一种基于深度学习和SPH框架的流体动画生成方法，其特征在于，所述定义的内容包括但不限于：流体参数、流体位置及规模、流体边界条件、流场位置及规模。

4.根据权利要求2所述的一种基于深度学习和SPH框架的流体动画生成方法，其特征在于，所述初始化流体的内容包括但不限于：流体参数初始化，对流体块和流场边界进行粒子采样，构造流场哈希邻居等。

5.根据权利要求1所述的一种基于深度学习和SPH框架的流体动画生成方法，其特征在于，所述对数据集进行预处理具体为：

将数据集分为训练集、验证集和测试集，进行数据归一化，数据处理完成后进行网络模型的训练。

6.一种基于深度学习和SPH框架的流体动画生成装置，其特征在于，所述生成装置包括：

基于神经网络框架的数据训练单元，通过神经网络模型，对流体模拟数据进行训练，以生成用于替换传统SPH框架压力项计算的数据驱动模块；

基于数据驱动的流体模拟单元，将训练完成的数据驱动模块导入SPH模拟框架，进行传统SPH框架与神经网络模型的结合，提高流体模拟的计算效率，生成高质量的流体动画；

流体自由表面构建单元，用于构建流体的自由表面Mesh，并进行输出。

7.根据权利要求6所述的一种基于深度学习和SPH框架的流体动画生成装置，其特征在于，

所述基于神经网络框架的数据训练单元根据数据集的特征，构造神经网络模型，设定相关超参数，然后读取由上一单元生成的数据集，在训练之前，对数据集进行预处理，数据处理完成后进行网络模型的训练，训练结束保存神经网络模型。

8.根据权利要求6或7所述的一种基于深度学习和SPH框架的流体动画生成装置，其特征在于，所述生成装置还包括：

流体场景数据初始化单元，用于导入并初始化流场数据；

流体模拟数据生成单元，用于待训练流体模拟数据集的获取。