基于物理解耦的流体状态预测方法及装置

摘要: 本技术涉及流体动力学预测,特别涉及一种基于物理解耦的流体状态预测方法及装置。背景技术:1、生成式世界模型旨在从视觉观测序列中学习环境动力学,实现对未来状态的预测...
基于物理解耦的流体状态预测方法及装置

本技术涉及流体动力学预测,特别涉及一种基于物理解耦的流体状态预测方法及装置。

背景技术:

1、生成式世界模型旨在从视觉观测序列中学习环境动力学,实现对未来状态的预测性建模,在计算流体力学仿真、数字孪生和气候预测等场景中具有广泛应用前景。相关的流体状态预测方法主要分为纯数据驱动方法和物理约束方法两类。

2、纯数据驱动方法采用基于transformer或扩散模型的世界模型架构,通过大规模数据拟合学习时空模式。然而,该类方法优先匹配外观统计相关性而忽视底层物理机制,在长时序推演下累积误差显著,生成状态常违背不可压缩性、动量守恒等基本物理规律。

3、物理约束方法尝试将已知物理方程作为额外监督信号或正则项注入训练过程。然而,此类方法以已知物理方程或外部求解器为基础,将物理先验作为固定约束嵌入训练目标,或依赖有标签的物理参数进行监督。在复杂流体场景中,控制物理因素通常隐式耦合且缺乏已知方程形式,导致此类方法难以有效适配。

4、综上,相关的流体状态预测方法存在物理规律自主学习能力不足、多因素耦合难以解耦、跨场景泛化能力受限等技术缺陷。

技术实现思路

1、本技术实施例的目的是提供一种基于物理解耦的流体状态预测方法及装置,能够从流体的连续视觉观测中自主发现并解耦隐式物理规律,实现物理一致且可解释的长期流体状态预测。

2、为了解决上述技术问题,本技术是这样实现的:

3、本技术实施例的第一方面,公开了一种基于物理解耦的流体状态预测方法,所述方法包括:

4、获取流体的连续视觉观测序列;

5、通过编码器将所述连续视觉观测序列中各时刻的观测帧编码为对应的潜在状态,得到潜在状态序列,所述潜在状态为包含流体动力学状态时空演化信息的隐式表征;

6、通过物理注意力模块将所述潜在状态序列中各时刻的潜在状态路由至不同的物理因子通道,得到由各时刻的物理表示构成的物理表示序列,所述物理表示用于表征流体在对应时刻的动力学状态特征;

7、通过去相关物理注入预测模块对所述物理表示序列进行去相关重加权以消除不同物理表示之间的统计依赖关系,并以重加权后的物理表示为条件,驱动所述潜在状态序列进行时间演化预测,逐时刻生成未来时刻的预测潜在状态;

8、通过解码器将各时刻的所述预测潜在状态分别重建为对应的预测流体视觉观测,得到预测的流体视觉观测序列。

9、可选地,通过物理注意力模块将所述潜在状态序列中各时刻的潜在状态路由至不同的物理因子通道,得到由各时刻的物理表示构成的物理表示序列,包括:

10、对于各时刻的所述潜在状态,分别以各物理因子通道对应的可学习物理查询向量作为查询、以所述潜在状态作为键和值,通过多头注意力机制计算各物理因子通道的注意力权重;其中,不同物理因子通道对应的可学习物理查询向量分别与不同的物理因子相对应,以使各物理因子通道分别捕获不同的物理因子;

11、根据各物理因子通道的注意力权重,分别从所述潜在状态中提取对应的物理信息,得到各物理因子通道输出的物理因子分量;

12、将该时刻各物理因子通道输出的物理因子分量组合为所述物理表示,并根据各时刻的物理表示,得到所述物理表示序列。

13、可选地,通过去相关物理注入预测模块对所述物理表示序列进行去相关重加权以消除不同物理表示之间的统计依赖关系,并以重加权后的物理表示为条件,驱动所述潜在状态序列进行时间演化预测,逐时刻生成未来时刻的预测潜在状态,包括:

14、根据所述物理表示序列中各物理表示与所述潜在状态序列中对应潜在状态之间的相关性,计算各物理表示对应的重加权系数;

15、根据所述重加权系数对各物理表示进行加权处理,得到重加权后的物理表示;

16、将重加权后的物理表示作为条件信息,与所述潜在状态序列中对应时刻的潜在状态共同输入基于transformer的动态核心,驱动所述动态核心进行状态转移,逐时刻生成未来时刻的预测潜在状态。

17、可选地,所述编码器、所述物理注意力模块、所述去相关物理注入预测模块和所述解码器,构成物理注意力世界模型,所述物理注意力世界模型按照以下步骤训练获得:

18、获取流体在多个连续时刻的训练视觉观测序列;

19、通过所述编码器将所述训练视觉观测序列中各时刻的观测帧编码为训练潜在状态,得到训练潜在状态序列;

20、通过所述物理注意力模块的物理编码器,将所述训练潜在状态序列中各时刻的训练潜在状态映射为训练物理表示,得到训练物理表示序列;以及,通过所述物理注意力模块的物理解码器,将所述训练物理表示序列中各时刻的训练物理表示映射为对应的物理参数;

21、通过所述去相关物理注入预测模块,基于所述训练物理表示序列对所述训练潜在状态序列进行时间演化预测,生成训练预测潜在状态序列;

22、通过所述解码器将所述训练预测潜在状态序列中各时刻的训练预测潜在状态重建为对应的重建视觉观测,得到重建视觉观测序列;

23、根据所述训练视觉观测序列、所述重建视觉观测序列、所述训练物理表示序列、所述物理参数以及对应的物理参数标注,计算联合损失;

24、根据所述联合损失更新所述生成式世界模型的参数。

25、可选地,根据所述训练视觉观测序列、所述重建视觉观测序列、所述训练物理表示序列、所述物理参数以及对应的物理参数标注,计算联合损失,包括:

26、根据所述训练物理表示序列中不同物理因子通道输出的物理表示之间的相关性,计算独立性损失;

27、根据所述物理参数与所述物理参数标注之间的差异、以及所述物理参数所对应的预测场违背预设物理定律的程度,计算物理损失;

28、根据所述训练潜在状态序列与所述训练预测潜在状态序列之间的差异,计算动态损失;

29、根据所述训练潜在状态序列与所述训练预测潜在状态序列之间的差异,计算表示损失;

30、根据所述训练物理表示序列中各物理因子与其他特征之间的协方差,计算去相关损失;

31、根据所述训练视觉观测序列与所述重建视觉观测序列之间的差异,计算重建损失;

32、根据所述独立性损失、所述物理损失、所述动态损失、所述表示损失、所述去相关损失和所述重建损失进行加权求和,得到所述联合损失。

33、可选地,根据所述物理参数与所述物理参数标注之间的差异、以及所述物理参数所对应的预测场违背预设物理定律的程度,计算物理损失,包括:

34、根据所述物理参数与所述物理参数标注之间的均方误差,计算回归损失;

35、根据所述物理参数所对应的预测物理场对预设物理定律的违背程度,计算物理约束损失,所述预设物理定律包括不可压缩连续性约束、纳维-斯托克斯动量方程残差约束、伯努利能量一致性约束和无滑移边界条件约束损失中的一种或多种;

36、根据所述回归损失和所述物理约束损失之和,得到所述物理损失。

37、可选地,根据所述训练潜在状态序列与所述训练预测潜在状态序列之间的差异,计算动态损失,包括:

38、在冻结所述编码器的条件下,将所述训练潜在状态序列中各时刻潜在状态对应的分布与所述训练预测潜在状态序列中对应时刻预测潜在状态对应的分布之间的kl散度,作为该时刻的动态子损失;其中,在计算各时刻的所述kl散度时,对所述训练潜在状态序列中对应时刻潜在状态对应的分布施加停止梯度操作;

39、根据各时刻的所述动态子损失之和,得到所述动态损失。

40、可选地,根据所述训练潜在状态序列与所述训练预测潜在状态序列之间的差异,计算表示损失,包括:

41、在冻结所述去相关物理注入预测模块的条件下,将所述训练潜在状态序列中各时刻潜在状态对应的分布与所述训练预测潜在状态序列中对应时刻预测潜在状态对应的分布之间的kl散度,作为该时刻的表示子损失;其中,在计算各时刻的所述kl散度时,对所述训练预测潜在状态序列中对应时刻预测潜在状态对应的分布施加停止梯度操作;

42、根据各时刻的所述表示子损失之和,得到所述表示损失。

43、可选地,根据所述训练物理表示序列中各物理因子与其他特征之间的协方差,计算去相关损失,包括:

44、构建所述训练物理表示序列中各物理因子与所述训练潜在状态序列中各潜在状态之间的堆叠特征矩阵;

45、引入非负权重,根据所述堆叠特征矩阵和所述非负权重构建加权经验分布;

46、根据所述加权经验分布,计算各物理因子与所述堆叠特征矩阵中除该物理因子以外其余特征之间的加权协方差,并根据所述加权协方差计算加权协方差平方和,作为所述去相关损失。

47、本技术实施例的第二方面,公开了一种基于物理解耦的流体状态预测方法装置,所述装置包括:

48、获取模块,用于获取流体的连续视觉观测序列;

49、编码模块,用于将所述连续视觉观测序列中各时刻的观测帧编码为对应的潜在状态,得到潜在状态序列,所述潜在状态为包含流体动力学状态时空演化信息的隐式表征;

50、映射模块,用于将所述潜在状态序列中各时刻的潜在状态路由至不同的物理因子通道,得到由各时刻的物理表示构成的物理表示序列,所述物理表示用于表征流体在对应时刻的动力学状态特征;

51、预测模块,用于对所述物理表示序列进行去相关重加权以消除不同物理表示之间的统计依赖关系,并以重加权后的物理表示为条件,驱动所述潜在状态序列进行时间演化预测,逐时刻生成未来时刻的预测潜在状态;

52、解码模块,用于将各时刻的所述预测潜在状态分别重建为对应的预测流体视觉观测,得到预测的流体视觉观测序列。

53、本技术实施例的第三方面,公开了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本技术实施例第一方面所述的基于物理解耦的流体状态预测方法的步骤。

54、本技术实施例的第四方面,公开了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本技术实施例第一方面所述的基于物理解耦的流体状态预测方法的步骤。

55、本技术实施例的第五方面,公开了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本技术实施例第一方面所述的基于物理解耦的流体状态预测方法的步骤。

56、本技术实施例包括以下优点:

57、在本技术实施例中,通过编码器将流图的连续视觉观测序列编码为潜在状态,并通过物理注意力模块将潜在状态路由至不同物理因子通道,使各通道分别捕获不同的物理因素(如速度、压力等),获得物理表示。以该物理表示为条件驱动潜在状态的时序演化预测,使预测过程受物理规律约束,能够有效抑制长时序推演下的累积误差发散,生成符合基本物理规律的预测结果。

58、通过去相关物理注入预测模块对物理表示序列进行去相关重加权,消除不同物理表示之间的统计依赖关系,使各物理因子对未来状态预测的独立贡献得以分离和量化,不仅能够实现流体状态预测,还能够分析各物理因素在演化过程中的作用,为理解复杂流动现象背后的主导机制提供技术手段。

59、通过物理注意力模块从潜在状态中自主发现并解耦物理规律,无需外部物理先验,当物理参数或边界条件发生变化时能够自适应调整物理表示,在未见过的新场景下保持预测精度,具备更强的跨场景泛化鲁棒性。