[发明专利]面向GPU和神经网络的网格质量检测方法

说明书

本发明公开了一种面向GPU和神经网络的网格质量检测方法，目的是解决当前网格质量检测方法时间开销大、自动化程度低等问题。技术方案是利用GPU强大的计算能力以及神经网络强大的拟合学习能力，搭建基于神经网络的检测系统，构建网格样本训练集并训练网络，采用训练好的神经网络对计算网格进行检测，得到计算网格的质量分类结果。检测系统分析质量分类结果，输出最终的网格质量检测结果。本发明4个特征提取模块由不同通道数、卷积核大小的卷积层组成，充分提取与计算结果精度相关的网格高维特征，保证了检测的准确性；充分利用GPU数据计算速度快的优势，减轻了CPU的计算负担；且通过对高维特征进行压缩加速了网格质量检测流程。

技术领域

本发明属于网格质量检测方法，具体涉及一种面向GPU和神经网络的网格质量检测方法。

背景技术

数值计算是求解航空航天领域复杂气动力、热问题的主要研究手段，为飞行器气动研究过程提供了真实飞行参数条件下的气动数据。随着计算能力的提升，数值计算技术已贯穿于飞行器设计的全过程并发挥着越来越重要的作用，是航空航天事业发展的重要技术基础和支撑。

数值计算的第一步是生成计算网格，即将连续的计算域划分为网格单元。所得到的计算网格由众多网格单元组成，是整个数值计算的基础和前提，计算网格质量的好坏直接影响计算结果的准确性和收敛性。随着所求解的问题规模、飞行器几何外型越来越复杂，现有的网格生成算法很难直接生成符合高精度计算要求的高质量网格。因此在工程实践中，通常会在计算前使用网格质量检测方法对计算网格的质量进行检测，以此保证计算结果的有效性，避免无效的计算，提高数值计算效率。

传统网格质量检测方法的检测核心是分析组成计算网格的所有网格单元的几何形状信息，其检测步骤分布两步：

第一步利用部署在CPU上的标准几何计算模块，计算所有网格单元的最大角、最小角、长宽比、Aspect Ratio、雅克比矩阵等几何形状信息；

第二步由网格工程师分析计算得到的几何形状信息，人工判别网格的质量结果并给出后续网格质量优化方向。

随着网格规模逐渐增大、外形越来越复杂，传统方法计算开销大、检测效率低、自动化程度低的问题日益凸显。一方面，复杂的网格往往需要计算多种几何形状信息作为计算网格质量的综合判别依据，但部署在CPU环境中的几何计算模块计算时间成本较高，尤其在处理大规模网格时，严重增大了网格质量检测方法的计算开销。另一方面，基于分析网格单元几何信息的网格质量检测方法无法对网格密度、网格单元分布等特征进行有效检测，而这些特征对计算结果精度有很大影响。例如，在复杂外形中往往要求对流动参数梯度大的区域加密网格，尤其在机翼-机身结合部等曲率大的区域需要分布更稠密的网格，否则会造成计算结果不准确，甚至不收敛(计算结果振荡发散)。此外，由于现有质量检测方法无法自动确定优化方法，通常需要网格工程师根据几何质量检测结果进行辅助决策，频繁的人工介入大大延长了数值计算周期，严重阻碍了网格自动化流程的发展。因此，数值计算技术的蓬勃发展加剧了对高效网格质量检测方法的迫切需要。

神经网络通过学习输入数据到目标结果的高维映射规则，实现输入到目标之间的非线性拟合，被认为是替代人工劳动力、降本增效的有效方法。GPU是拥有大量运算单元的通用计算设备，能够满足数据的快速计算处理和实时应用的要求。随着通用GPU计算性能的不断攀升以及神经网络的广泛应用，以GPU和神经网络为核心的优化系统为加速传统网格质量检测方法、实现无需人工干预的网格质量检测过程带来了新的解决方法，同时也是发展高效网格质量判别方法的重要研究方向，如何针对数值计算中网格质量检测问题,设计面向GPU和神经网络的网格质量检测方法是本领域技术人员亟需解决的技术难题。

发明内容

本发明要解决的技术问题在于：针对当前网格质量检测方法时间开销大、自动化程度低等问题，提出一种高效的网格质量检测方法，提升检测效率，缩短网格质量检测时间开销，促进自动化网格质量检测流程的发展。