[发明专利]一种基于深度迁移学习的PIV流场恢复方法

权利要求书

1.一种基于深度迁移学习的PIV流场恢复方法，其特征在于，包括以下步骤：

1)获取流体力学模型数据

需要采集的数据包括多种工况下的物理模型数据以及相对应的流场数据；其中物理模型数据表征该实验对象的流域以及固体域分布情况，包括结构化网格节点位置信息和模型结构信息全局流场数据即为全局速度场信息；针对每一种工况下的流体通道采用多机位多次测量方法获取不同截面处的全局粒子图像，经过滤波和图像处理获取全局流场数据Field^P0_n,j,g以及PIV网格节点位置信息和Field^P0_n,j,g，一一对应；其中n＝1,2,3…,N，N为测量流体力学模型总数，j＝1,2，分别表示网格节点处不同维度的速度场，g＝1,2,3...,G，表示网格节点，G为网格节点总数，m＝1,2,3，分别表示网格节点x坐标，y坐标，z坐标；其中物理模型信息数据中结构化网格节点位置信息与PIV软件操作分析中采用的网格尺寸Grid^P_n,m,g相同；

2)流场数据预处理以及数据归一化

根据PIV操作软件中采用的窗口各方向尺寸为p，将有效测量区域(K-1)p×(L-1)p×(H-1)p划分为K×L× H 个节点，每个节点与相邻节点之间的距离均为p；模型位置信息据此变换得到为其中k＝1,2,3...,K，K为x方向节点总数，l＝1,2,3...,L，L为y方向节点总数，h＝1,2,3...,H，H为z方向节点总数，若所获得的PIV观测区域为二维模型，则H＝1；采用相同的变换准测处理后的流场数据Field^P0_n,j,k,l,h退化为四维数组，退化为三维数组；随后对预处理后的流场数据Field^P0_n,j,k,l,h中流体域的部分进行最大最小归一化处理；

3)设计局部流场

局部流场的设计分为两个部分：一个是连续形状的遮挡区域，另一个是离散错误点的排除区域；其中遮挡和排除的位置为0，其余位置为1；两种区域组合即为全局流场Field^P_n,j,k,l,h中假定的不可获取的无效区域Mask_n,k,l,h；

则局部流场LField^P_n,j,k,l,h为全局流场Field^P_n,j,k,l,h去除无效区域Mask_n,k,l,h的结果：

其中，局部流场数据LField^P_n,j,k,l,h未被遮挡和排除的部分与全局流场数据Field^P_n,j,k,l,h一致；若已被遮挡或排除但是不属于流体域的部分则仍与全局流场数据Field^P_n,j,k,l,h保持一致；当流场数据被遮挡或排除且位于流体域时，局部流场数据LField^P_n,j,k,l,h采用-1进行填补；

4)采用数值模拟数据扩充数据集

采用数值计算方法进行多工况的流动力学模型计算，其中计算模型的位置信息和模型几何信息分别记录为和计算所得全局流场记录为Field^N_n′,j,g；和Field^N_n′,j,g一一对应；其中n′＝1,2,3...,N′，N′为数值模拟流体力学模型总数，j＝1,2，分别表示网格节点处不同维度的速度场，g＝1,2,3...,G，表示网格节点，G为网格节点总数，m＝1,2,3，分别表示网格节点x坐标，y坐标，z坐标；数值模拟的有效区域与实验中的有效测量区域(K-1)p×(L-1)p×(H-1)p保持一致，重复步骤2)和步骤3)，对数值模拟结果进行相同的预处理和归一化操作，获得处理后的数据和Field^N_n′,j,k,l,h；并设计遮挡和排除的区域获得局部流场LField^N_n′,j,k,l,h；

5)针对流动换热模型数据划分训练集与验证集

对于PIV流场恢复网络，输入为实验局部流场数据LField^P_n,j,k,l,h与数值局部流场数据LField^N_n′,j,k,l,h，将输入LField^P_n,j,k,l,h与LField^N_n′,j,k,l,h随机打乱，按照4：1的比例分为实验训练集(LField^P_{n×0.8,j,k,l,h})_train与验证集(LField^P_{n×0.2,j,k,l,h})_validate以及数值训练集(LField^N_{n′×0.8,j,k,l,h})_train与验证集(LField^N_{n′×0.2,j,k,l,h})_validate，对应全局流场数据同时分为(Field^P_{n×0.8,j,k,l,h})_train与(Field^P_{n×0.2,j,k,l,h})_validate以及(Field^N_{n′×0.8,j,k,l,h})_train与(Field^N_{n′×0.2,j,k,l,h})_validate，对应的网格数据同时分为(Grid^P_{n×0.8,m,k,l,h})_train与(Grid^P_{n×0.2,m,k,l,h})_validate以及(Grid^N_{n′×0.8,m,k,l,h})_train与(Grid^N_{n′×0.2,m,k,l,h})_validate，对应的模型几何数据同时分为(Model^P_{n×0.8,m,k,l,h})_train与(Model^P_{n×0.2,m,k,l,h})_validate以及(Model^N_{n′×0.8,m,k,l,h})_train与(Model^N_{n′×0.2,m,k,l,h})_validate；

6)搭建基于深度迁移学习的PIV流场恢复网络

基于深度迁移学习的PIV流场恢复网络包括三个部分，分别是编码器Encoder、解码器Decoder和判别器D Net；首先，对局部流场数据进行特征提取；采用二维卷积/三维卷积构建一个编码器Encoder，分别建立从已知局部流场数据LField^P_{n×0.8,j,k,l,h}到编码数据EField^P_n×0.8,i的过程；其次，采用数据迁移技术将样本量较少的实验数据向样本量庞大的数值数据靠拢；采用二维卷积/三维卷积构建一个判别器D Net，用于分辨实验局部流场的编码数据EField^P_n×0.8,i以及数值局部流场的编码数据EField^N_n′×0.8,i；通过判别器D Net，训练完成的编码器Encoder将实验数据向数值数据迁移；最后，采用反卷积解码器进行流场恢复；采用二维反卷积/三维反卷积构建一个解码器Decoder，用于从实验局部流场编码EField^P_n×0.8,i获得恢复的实验全局流场RField^P_{n×0.8,j,k,l,h}；

7)训练基于深度迁移学习的PIV流场恢复网络

首先，从编码器Encoder网络和D Net网络开始训练，D Net希望能提高对实验局部流场编码与数值局部流场编码的分辨能力，更新一遍D Net；而编码器Encoder网络希望能欺骗DNet网络，使得分辨网络分辨不出实验局部流场编码与数值局部流场编码，此时再更新一遍Encoder网络；最后，通过解码器Decoder将局部流场编码解码为全局流场数据，希望恢复全局流场数据能接近真实全局流场数据，更新解码器Decoder；

8)流动换热模型流场恢复

首先根据步骤2)将输入的局部流场信息LField^P_{n×0.2,j,k,l,h}归一化后传入编码器Encoder网络，获得局部流场编码EField^P_n×0.2,i；通过解码器Decoder将局部流场编码解码为全局流场数据，即可完成PIV流场恢复。