[发明专利]一种基于PINN神经网络的速度场测量方法

权利要求书

1.一种基于PINN神经网络的速度场测量方法，其特征在于，所述方法包括如下步骤：

S1.对二维流场进行粒子图像测速，得到包含流场流动速度信息的m×n维数据矩阵U、V；其中m为采样点的数目，n为曝光次数，U、V是不同曝光时刻m个空间点物理数据的时间序组合；

S2.对步骤S1生成的数据矩阵进行数据预处理形成总数据集，而后进行随机取样，建立训练集、测试集和验证集；

S3.搭建PINN神经网络模型，将所述训练集的数据代入所述PINN神经网络模型中进行训练，多轮迭代更新后，得到速度场关于空间和时间的PINN神经网络模型；

S4.对所述速度场关于空间和时间的PINN神经网络模型，输入二维流场的时空坐标，能够预测对应所述时空坐标的速度场信息，获得超级分辨率的速度场信息。

2.根据权利要求1所述的一种基于PINN神经网络的速度场测量方法，其特征在于，

步骤S3搭建PINN神经网络模型中，在PINN神经网络模型的误差函数中加入偏微分方程项，以作为物理约束，使得模型结果满足物理层面的解释性。

3.根据权利要求2所述的一种基于PINN神经网络的速度场测量方法，其特征在于，

所述偏微分方程项包括若干偏导数组成项，通过编程方法求解各项的数值，通过加入物理约束，多次迭代，使各偏导数组成项在数值关系上满足控制方程的等式关系，以增进模型结果在物理层面的解释性。

4.根据权利要求1所述的一种基于PINN神经网络的速度场测量方法，其特征在于，

所述PINN神经网络模型的训练过程为，将所述训练集的数据代入PINN神经网络模型中，PINN神经网络模型初始化产生相关的权值及对应的输出值，计算输出值与真实值的误差函数，其中，误差函数由统计学函数和控制方程组成，统计学函数用于衡量输出值与训练集内对应的真实值的误差，控制方程用于保证输出值在物理层面的解释性；将误差函数的结果进行梯度下降优化，根据链式法则将优化的修正值前向传播至隐藏层处，进行权值的修正；多轮迭代、权值更新后，输出速度场关于空间和时间的PINN神经网络模型，完成对模型的训练。

5.根据权利要求4所述的一种基于PINN神经网络的速度场测量方法，其特征在于，

控制方程包括连续性方程和动量方程，PINN神经网络模型的训练过程中，x方向动量方程的任一轮迭代中，其计算过程如下：

式中，X为输入值，包含采样点的时空坐标，ω、B分别为本轮迭代的权值和偏置，u、v为本轮迭代的输出值，即本轮预测的x、y方向速度，满足u＝ωX+B；ρ＝C₁为密度，μ＝C₂为粘度，均为常数，p为压强；采用编程方法可以求出本轮输出值对应的动量方程各组成项的数值，即则动量方程可由偏微分方程转化为常数式，即C₁(a+bu+cv)+d-C₂e，令其为Loss_momentum-x，即误差值；理想情况下，误差值应为0，即完全满足动量方程，但实际上存在误差，通过对误差函数取梯度，即grad(Loss_momentum-x)，进行梯度下降优化，前向更新权值和偏置为ω'、B'，进行新一轮迭代，更新u的输出。

6.根据权利要求1所述的一种基于PINN神经网络的速度场测量方法，其特征在于，

所述方法还包括：对步骤S2中的所述训练集、所述测试集和所述验证集中的数据进行归一化处理，以减小每个集合中的数据极差。

7.根据权利要求1所述的一种基于PINN神经网络的速度场测量方法，其特征在于，

所述训练集的体量占所述总数据集的体量50％以上，以使得所述训练集能够反映所述总数据集的特征。