基于隐式方程自修正的装备物理场在线迭代计算方法

摘要: 本技术涉及物理场计算,特别是涉及一种基于隐式方程自修正的装备物理场在线迭代计算方法。背景技术:1、复杂装备的研发与运行离不开物理场计算这一核心基础,其目标在于通...
基于隐式方程自修正的装备物理场在线迭代计算方法

本技术涉及物理场计算,特别是涉及一种基于隐式方程自修正的装备物理场在线迭代计算方法。

背景技术:

1、复杂装备的研发与运行离不开物理场计算这一核心基础,其目标在于通过温度、应力、流场等物理量的精准获取,揭示装备在极限工况下的内部演化规律。此类问题通常采用常/偏微分方程组进行数学描述,并借助有限元或有限差分等传统离散手段,将求解区域剖分为大量节点并反复迭代逼近真实解。传统数值仿真方法虽具备较高精度和广泛适用性,但当应用于强非线性、高维参数特征的复杂装备时,网格规模随问题复杂度急剧攀升,导致计算耗时显著增加;同时,一旦初始或边界条件出现变动,整个求解过程需从头启动,难以支撑实时响应需求。

2、更为突出的是,这类纯机理驱动途径无法引入实际传感量测信息,也就不能借助在线监测数据调整模型误差,因此在真实时变环境中表现欠佳。反观深度学习路线,它以数据驱动为核心,构造输入至输出场的端到端映射,无需网格划分且仅需前向计算,因而速度大幅提升,并能直接整合观测信息。但该模式缺少物理约束,极易产生反常识的预测结果,且模型性能对训练样本质量要求苛刻,而工程中实测场数据又极度匮乏,严重拖累了其在工业场景中的推广应用。

3、为了兼顾物理机理的严密性与数据方法的灵活性,以物理信息神经网络为代表的融合策略逐渐兴起。这类方法借助自动微分技术,将微分方程及初边值条件作为惩罚项嵌入损失函数,不再依赖大规模网格迭代,即便在仅有稀疏或零实测数据的条件下也能训练网络,既拟合观测值又恪守物理定律。目前在热传导、固体变形和流体运动等领域已取得显著进展,并衍生出众多改进版本。

4、然而,对于复杂装备的实际服役过程而言,其涉及的物理机理往往高度非线性且多场耦合,理论建模时不可避免地需对湍流效应、介质非均匀性、接触热阻等环节做简化假设或经验性近似处理,由此导致理论控制方程与实际过程之间存在固有的、难以消除的系统性偏差。标准物理信息神经网络仍须以固定的方程形式参与训练,观测数据仅作为损失函数中的后置性软拟合目标,而非从方程结构层面主动修正偏差来源,这意味着现有方法只能被动拟合人为施加的物理约束,无法根据实测数据主动调整方程以适配不同运行工况。其次,物理信息神经网络将方程残差损失与数据拟合损失直接加权求和纳入同一优化目标,然而二者本质上会导向不同的可行解空间,即前者是对简化机理方程的严格满足,后者倾向于局部观测点的精确逼近,天然存在冲突,强行联合优化易引发梯度冲突,导致训练过程在两类目标之间反复拉锯、难以收敛至均衡态。

技术实现思路

1、本技术的目的是提供一种基于隐式方程自修正的装备物理场在线迭代计算方法,可削减理论模型与实际工况间的系统性偏差,提高物理场计算的准确性和适应性。

2、为实现上述目的,本技术提供了如下方案:

3、一种基于隐式方程自修正的装备物理场在线迭代计算方法,包括以下步骤:

4、获取目标装备的三维几何结构模型和理论机理方程,并采集所述目标装备的时序传感数据。

5、构建基于双分支网络的机理方程计算模块;所述机理方程计算模块包括传感分支网络、物理分支网络、绝对-相对混合位置编码单元和解码单元。

6、将所述时序传感数据输入至所述传感分支网络,提取所述时序传感数据的第一特征。

7、获取所述目标装备的物理场中待测节点的位置信息,将所述位置信息输入至所述物理分支网络,提取所述待测节点的第二特征。

8、利用所述绝对-相对混合位置编码单元,根据所述位置信息对所述第一特征和所述第二特征进行融合处理,得到融合特征。

9、将所述融合特征输入至所述解码单元,依据所述理论机理方程计算得到所述物理场的计算结果。

10、将所述计算结果作为初解输入至隐式机理修正模块,基于当前维护的理论机理方程、采用前向迭代方法对所述初解进行迭代计算,根据迭代计算过程中的精度渐进差异修正当前维护的所述理论机理方程中的隐式残差项,得到修正机理方程。

11、将所述修正机理方程反馈至所述机理方程计算模块,并跳转至步骤“将所述时序传感数据输入至所述传感分支网络,提取所述时序传感数据的第一特征”,得到更新后的计算结果,重复执行修正直至满足预设收敛条件。

12、可选地,获取所述目标装备的物理场中待测节点的位置信息,将所述位置信息输入至所述物理分支网络,提取所述待测节点的第二特征,包括以下步骤:

13、获取所述目标装备的物理场中待测节点的空间坐标信息。

14、在所述理论机理方程包含时间项的条件下,获取所述目标装备的物理场中待测节点的时间坐标信息。

15、将所述空间坐标信息和所述时间坐标信息输入至所述物理分支网络,通过所述物理分支网络建立从坐标信息到物理场变量的映射关系,拟合所述理论机理方程的解函数,得到所述第二特征。

16、可选地,利用绝对-相对混合位置编码单元,根据所述位置信息对所述第一特征和所述第二特征进行融合处理,得到融合特征,包括以下步骤:

17、基于拉普拉斯核函数,分别对所述时序传感数据对应的传感器位置和所述待测节点的位置信息进行绝对位置编码,生成传感绝对位置编码和节点绝对位置编码。

18、将所述传感绝对位置编码与所述第一特征进行叠加,得到嵌入绝对位置的第一特征。

19、将所述节点绝对位置编码与所述第二特征进行叠加,得到嵌入绝对位置的第二特征。

20、利用所述绝对-相对混合位置编码单元内部的空间互相关注意力子单元,基于所述嵌入绝对位置的第一特征和所述嵌入绝对位置的第二特征,计算所述待测节点与所述传感器之间的空间互相关度量。

21、根据所述空间互相关度量生成注意力权重,利用所述注意力权重对所述嵌入绝对位置的第一特征进行加权求和,得到修正特征。

22、将所述修正特征作为残差项叠加至所述嵌入绝对位置的第二特征,得到所述融合特征。

23、可选地,基于当前维护的理论机理方程、采用前向迭代方法对所述初解进行迭代计算,根据迭代计算过程中的精度渐进差异修正当前维护的所述理论机理方程中的隐式残差项,得到修正机理方程,包括以下步骤:

24、在所述理论机理方程的显式结构基础上,构建与所述理论机理方程关联的隐式残差项;所述隐式残差项用于表征所述理论机理方程与实际物理过程之间的偏差,当前维护的所述理论机理方程包括所述显式结构和所述隐式残差项。

25、基于所述隐式机理修正模块内部的卷积神经网络,对所述隐式残差项进行数据驱动学习,确定所述隐式残差项的当前参数。

26、将所述计算结果作为初解,采用前向迭代方法对当前维护的所述理论机理方程进行迭代计算,得到迭代序列。

27、计算所述迭代序列中各迭代步的精度,根据所述精度的渐进差异调整所述隐式残差项的参数,生成所述修正机理方程。

28、可选地,基于所述隐式机理修正模块内部的卷积神经网络,对所述隐式残差项进行数据驱动学习,确定所述隐式残差项的当前参数,包括以下步骤:

29、获取高保真数值模拟数据或实验观测数据作为训练样本。

30、以所述理论机理方程的理论计算值与所述训练样本的真值之间的残差作为损失函数,对所述卷积神经网络进行参数优化。

31、通过所述卷积神经网络的逐层特征提取,将所述隐式残差项转化为由卷积核权重定义的空间特征映射方程,得到所述隐式残差项的当前参数。

32、可选地,采用前向迭代方法对当前维护的所述理论机理方程进行迭代计算,包括:当所述理论机理方程为含对时间一阶偏导的瞬态方程时,采用时间推进法进行迭代计算,迭代公式为:

33、

34、其中,表示所述物理场的解,表示时间坐标,表示二维空间坐标,表示所述理论机理方程的显式项,表示迭代步数,表示第步迭代的解,表示时间步长。

35、可选地,采用前向迭代方法对当前维护的所述理论机理方程进行迭代计算,包括:当所述理论机理方程为不含时间项的稳态方程时,采用伪瞬态法进行迭代计算,迭代公式为:

36、

37、其中,表示所述物理场的解,表示二维空间坐标,表示所述理论机理方程的显式项,表示迭代步数,表示第步迭代的解,表示伪时间步长,表示拉普拉斯算子。

38、可选地,所述预设收敛条件包括第一收敛条件和第二收敛条件;重复执行修正直至满足预设收敛条件,包括以下步骤:

39、当所述解码单元输出的计算结果的变化量小于第一阈值时,判定满足所述第一收敛条件。

40、当所述隐式机理修正模块输出的修正量的变化量小于第二阈值时,判定满足所述第二收敛条件。

41、当同时满足所述第一收敛条件和所述第二收敛条件时,判定满足预设收敛条件则停止迭代。

42、可选地,所述方法还包括交替训练过程,具体包括以下步骤:

43、执行第一训练阶段;在所述第一训练阶段中,冻结所述隐式机理修正模块的网络参数,将当前维护的理论机理方程作为所述机理方程计算模块的损失函数项,训练所述双分支网络、所述绝对-相对混合位置编码单元和所述解码单元。

44、执行第二训练阶段;在所述第二训练阶段中,冻结所述双分支网络、所述绝对-相对混合位置编码单元和所述解码单元的网络参数,将所述解码单元输出的计算结果作为初解输入至所述隐式机理修正模块,训练所述隐式机理修正模块。

45、交替执行所述第一训练阶段和所述第二训练阶段,直至满足双向收敛准则。

46、可选地,获取目标装备的三维几何结构模型和理论机理方程,并采集所述目标装备的时序传感数据,包括以下步骤:

47、建立所述目标装备的三维几何结构模型。

48、根据所述目标装备的物理特性,构建包含热传导方程和流体力学方程在内的所述理论机理方程。

49、在所述目标装备的预设位置部署传感器,通过所述传感器采集时序传感数据。

50、根据本技术提供的具体实施例,本技术公开了以下技术效果:

51、本技术提供了一种基于隐式方程自修正的装备物理场在线迭代计算方法,在该方法中,先获取目标装备的三维几何结构模型和理论机理方程并采集时序传感数据,然后构建包含双分支网络的机理方程计算模块,利用传感分支网络从时序传感数据中提取第一特征,以动态感知物理场实时状态变化,从而为计算提供准确的初始/边界条件;同时,利用物理分支网络从待测节点位置信息中提取第二特征,以建立坐标与物理场变量之间的映射关系,从而避免传统方法中对大规模网格剖分的依赖并显著降低计算耗时,继而利用绝对-相对混合位置编码单元根据位置信息对第一特征和第二特征进行融合处理以克服多源异构数据难以直接融合的障碍并实现传感观测信息与物理机理信息的深度耦合,融合后得到的融合特征经解码单元依据理论机理方程计算得到物理场的计算结果,该计算结果随后作为初解输入至隐式机理修正模块,该模块基于当前维护的理论机理方程并采用前向迭代方法对所述初解进行迭代计算,根据迭代计算过程中模型精度的渐进差异自动修正当前维护的理论机理方程中的隐式残差项,从而从方程结构层面主动削减因条件简化与理想化假设所引入的理论模型与实际过程之间的系统性偏差,修正后得到的修正机理方程被反馈至机理方程计算模块并触发新一轮计算,形成机理计算与机理修正相互驱动的双向循环结构,使整个计算过程能够在运行中持续发现问题、修正问题并重新计算直至满足预设收敛条件,最终获得既满足物理机理约束又贴合实际运行规律的物理场计算结果。