[发明专利]一种多相流模拟仿真的卷积神经网络及快速可视化方法

权利要求书

1.一种用于卷积神经网络的多相流模拟仿真快速可视化方法，其特征在于：所述卷积神经网络包括分析网络和生成网络，分析网络分为多层结构，生成网络与分析网络结构对应；生成网络通过递归方式，将分析层与中间层数据叠加恢复；在恢复过程中，采用上采样卷积核不断生成精度更高的可视化或模拟数据；

分析网络分为多层结构代表多相流可视化系统中多尺度特性，L为层号；第L+1层尺度空间大于第L层尺度空间；分析层的数据层L0包含过去时间求解得到的状态函数；

从第L层至第L+1层使用卷积层得到相应的特征、线性整流层增强判定函数和整个神经网络的非线性特性，池化层降维的结构进行下采样；相同的结构采用相同的卷积核或权重共享；不同时间帧下的s函数仅关联之前少数帧；卷积核仅作用在局部范围内；

所述相同的结构即连接输入端对应的时空状态函数s集合相同，输出端对应的时空状态函数s相同；

生成网络为多层结构：层次结构与尺度空间对应关系与所述分析网络相同；生成网络通过递归方式，将分析层与中间层数据叠加恢复；在恢复过程中，采用上采样卷积核不断生成精度更高的可视化或模拟数据；

神经网络经过训练之后，分析网络与生成网络可高度并行工作；所述用于卷积神经网络的多相流模拟仿真快速可视化方法具体为：

步骤1，多相流系统状态函数方程化，具体为：

N个时空状态函数S1(X，Y，Z，t)，S2(X，Y，Z，t)…SN(X，Y，Z，t)来描述系统，其中(X，Y，Z)表示三维空间参量，t表示时间参量，将所有边界条件以及输入函数指定系统函数；

K种相互作用表达为微分方程算子L1，L2…LK，满足：

Li(S1，S2…SN)＝0，i＝1，2…K (1)

步骤1.1将方程(1)离散化为离散方程；其中，X，Y，Z转化为空间采样网格x，y，z；时间参量t转化为离散帧参量n离散状态函数则变成s(x，y，t，n)对应的方程转换为离散方程l1，l2…lk：

li(s1，s2…sN)＝0，i＝1，2…K(2)

步骤1.2为求解方程(2)，将时间参量抽出，并通过迭代方式将离散方程转换为迭代方程；迭代方程的形式为：

s(x，y，z，n+1)＝F(s(x，y，z，n)，s(x，y，z，n-1)，s(x，y，z，n-2)…)(3)

数值计算程序在每一步计算出所有状态函数的值，并且用于下一步的迭代；

步骤2、神经网络系统建立，包括分析网络和生成网络，分析网络与生成网络顺序或者并行工作；

步骤3、神经网络训练获得更高的卷积核函数与生成函数。

2.根据权利要求1所述的用于卷积神经网络的多相流模拟仿真快速可视化方法，其特征在于所述步骤2中的分析网络为多层分析网络：

分析网络分为多层结构代表多相流可视化系统中多尺度特性，L为层号；第L+1层尺度空间大于第L层尺度空间；分析层的数据层L0包含过去时间求解得到的状态函数；

从第L层至第L+1层使用卷积层得到相应的特征、线性整流层增强判定函数和整个神经网络的非线性特性，池化层降维的结构进行下采样；相同的结构采用相同的卷积核或权重共享；不同时间帧下的s函数仅关联之前少数帧；卷积核仅作用在局部范围内。

3.根据权利要求1所述的用于卷积神经网络的多相流模拟仿真快速可视化方法，其特征在于生成网络为多层结构：

层次结构与尺度空间对应关系与所述的分析网络相同；生成网络通过递归方式，将分析层与中间层数据叠加恢复；在恢复过程中，采用上采样卷积核不断生成精度更高的可视化或模拟数据。

4.根据权利要求1所述的用于卷积神经网络的多相流模拟仿真快速可视化方法，其特征在于所述的步骤3：

步骤3.1、通过已有方法计算初始仿真数据；

步骤3.2、利用分析网络与生成网络连接，生成可视化数据；

步骤3.3、最后通过调整网络参数最小化神经网络可视化数据与监督可视化数据之间的均方差进行优化。