[发明专利]一种基于神经网络的流场旋涡检测方法

权利要求书

1.一种基于神经网络的流场旋涡检测方法，其特征在于步骤如下：

第一步：对流场内所有物理网格点打标签，标记其是否属于旋涡区域，若属于则标记为1，否则标记为0，得到标签数据，即标记后的物理网格点；

第二步：根据第一步的流场确定出涡量场，对涡量场进行网格转换，将物理网格中的网格点一一映射到计算网格的网格点，抛弃物理坐标信息，得到计算网格下的涡量场；

第三步，根据第二步得到的计算网格下的涡量场，计算该涡量场的均值和标准差；将每个网格上的涡量值减去涡量场的均值后除以标准差，再进行归一化操作，得到归一化后的涡量场；

计算去中心化后网格点(i,j,k)处的正则化涡量值

其中ω_μ，ω_δ分别为涡量场的均值和标准差，ω_i,j,k表示网格点(i,j,k)的涡量值，i＝{1,2,…,N_x},j＝{1,2,…,N_y},k＝{1,2,…,N_z}，N_x,N_y,N_z分别表示流场在x，y，z方向上网格点的维度，是已知的量；

计算归一化后的涡量值：

遍历所有网格点，计算归一化后的涡量值，得到归一化后的涡量场；

第四步，对第三步得到的归一化后的涡量场和第一步得到的标签数据同时随机采样，对归一化后的涡量场按照设定的区域大小进行采样，采样后对区域内的网格点对应的标签进行判断，得到带标签局部涡量场数据；

第五步，构建卷积神经网络CNN，使用第四步的随机采样得到的带标签局部涡量场数据训练该CNN，从而固定CNN网络参数，得到固定参数的CNN；

第六步，利用第五步得到的固定参数的CNN，对待检测涡区的流场进行涡区检测。

2.根据权利要求1所述的一种基于神经网络的流场旋涡检测方法，其特征在于：第一步：对流场内所有物理网格点打标签，标记其是否属于旋涡区域，若属于则标记为1，否则标记为0，得到标签数据，即标记后的物理网格点，具体如下：

步骤1.1，对流场的物理网格中的每个网格点(i,j,k)计算其涡量场；

步骤1.2，根据步骤1.1得到的涡量场，计算平均涡量场；根据平均涡量场，计算流场IVD值；

步骤1.3，找到流场中IVD值的所有局部最大值，并得到这些局部最大值的位置，获取包含IVD局部最大值的所有等值线，得到这些等值线的凸度偏差值，将凸度偏差值最大的等值线包围的所有网格点进行标记，至此获得流场内所有网格点处的标签信息即标签数据。

3.根据权利要求2所述的一种基于神经网络的流场旋涡检测方法，其特征在于：步骤1.3中，将凸度偏差值最大的等值线包围的所有网格点进行标记，至此获得流场内所有网格点处的标签信息即标签数据，具体为：

将凸度偏差值最大的等值线包围的所有网格点标记为1，其余位置标记为0，至此获得流场内所有网格点处的标签信息即标签数据。

4.根据权利要求1所述的一种基于神经网络的流场旋涡检测方法，其特征在于：第三步中，根据第二步得到的计算网格下的涡量场，计算该涡量场的均值ω_μ，公式如下：

5.根据权利要求1所述的一种基于神经网络的流场旋涡检测方法，其特征在于：第三步中，根据第二步得到的计算网格下的涡量场，计算该涡量场的标准差，公式如下：

6.根据权利要求1所述的一种基于神经网络的流场旋涡检测方法，其特征在于：第四步中，采样后对区域内的网格点对应的标签进行判断，得到带标签局部涡量场数据，具体为：

采样后对所有采样块内的网格点对应的标签进行判断，如果采样块内标签全部为0或者全部为1，则丢弃该采样块，剩余的采样块为带标签局部涡量场数据。