一种偏微分方程物理场预测方法、系统、电子设备及介质
本技术涉及物理场预测,尤其是涉及一种偏微分方程物理场预测方法、系统、电子设备及介质。
背景技术:
1、偏微分方程物理场用于表示物理量在空间中的分布及其随时间的变化规律,是描述流体运动、热量传递、材料演化、等离子体运动和主动软物质动力学等物理过程的重要形式。例如,流体系统中的速度、压力和密度,传热系统中的温度,以及材料系统中的浓度和相态,均可构成偏微分方程物理场。
2、传统的偏微分方程求解方法主要包括有限差分法、有限体积法、有限元法和谱方法。这些方法通常需要先对计算区域进行网格划分,再结合初始条件和边界条件,在每个时间步求解离散后的代数方程。对于包含复杂结构、高分辨率网格和多个物理变量的问题,还需要进行大量矩阵运算或非线性迭代,因而计算时间和存储开销较大,难以直接满足快速推演和实时预测的需求。而现有数据驱动的物理场预测方法通常利用卷积神经网络、u-net或神经算子等模型,从已有物理场轨迹中学习若干历史时刻到未来时刻的映射关系。这些方法通常直接在原始物理场空间中混合处理低频整体结构与高频局部细节,难以同时兼顾大尺度演化、边界区域、涡旋、界面和尖锐梯度等不同尺度的特征。
3、因此,现有相关技术存在计算时间和存储开销较大、难以实现实时预测的需求以及对实际测量装置或物理仿真系统等实际应用场景中偏微分方程物理场预测的准确度比较低等问题。
技术实现思路
1、本技术旨在提出一种偏微分方程物理场预测方法、系统、电子设备及介质,能够降低计算时间和存储开销,实现了偏微分方程物理场实时预测,并且能够提高偏微分方程物理场预测的准确度。
2、第一方面,本技术实施例提供了一种偏微分方程物理场预测方法,所述方法包括:
3、获取待预测物理场、多个连续时刻的历史物理场以及所述多个连续时刻的下一时刻物理场;所述待预测物理场和/或所述历史物理场至少包含一个物理变量,所述物理变量包括速度、压力、温度、密度及浓度;
4、构建包含小波特征编码模块、时空调制与融合模块、多通道投影模块、类transformer骨干及时间聚合和小波系数预测模块的物理场预测模型;所述小波特征编码模块包括时间感知支路和小波空间感知支路,所述时间感知支路用于提取所述物理变量在空间位置的历史演化特征,所述历史演化特征用于表征同一物理变量在同一空间位置的多个连续时刻的变化量;所述小波空间感知支路用于提取物理场的多尺度空间特征,所述时空调制与融合模块用于特征融合,所述时间聚合和小波系数预测模块用于特征拼接和小波系数预测;
5、构建包含物理场空间损失和小波系数空间损失的联合损失函数;所述物理场空间损失用于约束预测的物理场与真实物理场的一致性,所述小波系数空间损失用于约束预测的小波系数与真实小波系数之间的差异,所述真实物理场为所述多个连续时刻的下一时刻物理场;
6、采用所述历史物理场、所述多个连续时刻的下一时刻物理场和所述联合损失函数,对所述物理场预测模型进行训练,得到训练好的物理场预测模型;所述多个连续时刻的下一时刻物理场作为模型训练的标签;
7、将所述待预测物理场输入至所述训练好的物理场预测模型,得到目标预测物理场。
8、在一些实施方式中,所述构建包含物理场空间损失和小波系数空间损失的联合损失函数,包括:
9、采用均方误差计算所述预测的物理场与所述真实物理场之间的差异,得到物理场空间损失;
10、采用绝对误差计算所述预测的小波系数与所述真实小波系数之间的差异,得到小波系数空间损失;
11、将所述物理场空间损失和所述小波系数空间损失进行加权求和,构建联合损失函数。
12、在一些实施方式中,所述采用所述历史物理场、所述多个连续时刻的下一时刻物理场和所述联合损失函数,对所述物理场预测模型进行训练,得到训练好的物理场预测模型,包括:
13、基于所述历史物理场和所述多个连续时刻的下一时刻物理场,构建训练集和验证集;
14、对所述训练集中的数据进行归一化处理,得到归一化后的数据集;
15、将所述归一化后的数据集输入至所述小波特征编码模块,提取历史演化特征和多尺度空间特征;
16、将所述历史演化特征和所述多尺度空间特征输入至所述时空调制与融合模块中进行融合,得到融合后的特征;所述时空调制与融合模块采用特征线性调制机制;
17、将所述融合后的特征输入至所述多通道投影模块,得到通道融合特征;
18、将所述通道融合特征输入至所述类transformer骨干,得到骨干输出特征;
19、将所述骨干输出特征输入至所述时间聚合和小波系数预测模块,得到预测的小波系数;
20、对所述预测的小波系数进行逆离散小波变换,得到预测的物理场;
21、基于所述预测的物理场和所述预测的小波系数,采用所述联合损失函数计算总损失,根据所述总损失进行反向传播,更新物理场预测模型的参数;采用所述验证集对更新参数后的物理场预测模型进行验证,若满足预设的迭代停止条件,则停止物理场预测模型训练,得到训练好的物理场预测模型。
22、在一些实施方式中,所述将所述归一化后的数据集输入至所述小波特征编码模块,提取历史演化特征和多尺度空间特征,包括:
23、将所述归一化后的数据集输入至所述小波空间感知支路,提取多尺度空间特征;所述小波空间感知支路包括二维离散小波变换、二维卷积编码器以及坐标编码;
24、将所述归一化后的数据集输入至所述时间感知支路,提取历史演化特征;所述时间感知支路包括下采样和第一多层感知机。
25、在一些实施方式中,所述将所述归一化后的数据集输入至所述小波空间感知支路,提取多尺度空间特征,包括:
26、将所述归一化后的数据集中的数据重排为多个二维场;
27、对每个所述二维场进行二维离散小波变换,得到多个小波系数;
28、将所述多个小波系数输入至所述二维卷积编码器,得到小波特征;所述二维卷积编码器包括卷积、归一化和非线性激活函数;
29、构造与所述小波系数对应的网格中的二维归一化坐标,并对所述二维归一化坐标进行坐标编码,得到编码后的坐标;
30、将所述编码后的坐标广播至所述小波特征的批次、时间和通道维度,将广播后的坐标与所述小波特征相加,得到多尺度空间特征。
31、在一些实施方式中,所述多通道投影模块包括第二多层感知机,所述将所述融合后的特征输入至所述多通道投影模块,得到通道融合特征,包括:
32、将所有物理通道对应的所述融合后的特征进行拼接,得到第一拼接后的特征;
33、将所述第一拼接后的特征输入至所述第二多层感知机,得到通道融合特征。
34、在一些实施方式中,所述时间聚合和小波系数预测模块包括卷积层或第三多层感知机,所述将所述骨干输出特征输入至所述时间聚合和小波系数预测模块,得到预测的小波系数,包括:
35、将所述骨干输出特征的空间位置恢复至与小波系数的空间网格位置一致;
36、对同一空间位置的多个时刻的骨干输出特征进行拼接,得到第二拼接后的特征;
37、通过所述卷积层或所述第三多层感知机对所述第二拼接后的特征进行处理,得到预测的小波系数。
38、第二方面,本技术实施例还提供了一种偏微分方程物理场预测系统,所述系统包括:
39、数据获取模块,用于获取待预测物理场、多个连续时刻的历史物理场以及所述多个连续时刻的下一时刻物理场;所述待预测物理场和/或所述历史物理场至少包含一个物理变量,所述物理变量包括速度、压力、温度、密度及浓度;
40、模型构建模块,用于构建包含小波特征编码模块、时空调制与融合模块、多通道投影模块、类transformer骨干及时间聚合和小波系数预测模块的物理场预测模型;所述小波特征编码模块包括时间感知支路和小波空间感知支路,所述时间感知支路用于提取所述物理变量在空间位置的历史演化特征,所述历史演化特征用于表征同一物理变量在同一空间位置的多个连续时刻的变化量;所述小波空间感知支路用于提取物理场的多尺度空间特征,所述时空调制与融合模块用于特征融合,所述时间聚合和小波系数预测模块用于特征拼接和小波系数预测;
41、函数构建模块,用于构建包含物理场空间损失和小波系数空间损失的联合损失函数;所述物理场空间损失用于约束预测的物理场与真实物理场的一致性,所述小波系数空间损失用于约束预测的小波系数与真实小波系数之间的差异,所述真实物理场为所述多个连续时刻的下一时刻物理场;
42、模型训练模块,用于采用所述历史物理场、所述多个连续时刻的下一时刻物理场和所述联合损失函数,对所述物理场预测模型进行训练,得到训练好的物理场预测模型;所述多个连续时刻的下一时刻物理场作为模型训练的标签;
43、物理场预测模块,用于将所述待预测物理场输入至所述训练好的物理场预测模型,得到目标预测物理场。
44、第三方面,本技术实施例还提供了一种电子设备,包括至少一个处理器和用于与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的一种偏微分方程物理场预测方法。
45、第四方面,本技术实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上所述的一种偏微分方程物理场预测方法。
46、与现有技术相比,本技术具有以下有益效果:
47、本技术通过获取待预测物理场、多个连续时刻的历史物理场以及多个连续时刻的下一时刻物理场;待预测物理场和/或历史物理场至少包含一个物理变量,物理变量包括速度、压力、温度、密度及浓度;构建包含小波特征编码模块、时空调制与融合模块、多通道投影模块、类transformer骨干及时间聚合和小波系数预测模块的物理场预测模型;小波特征编码模块包括时间感知支路和小波空间感知支路,时间感知支路用于提取物理变量在空间位置的历史演化特征,历史演化特征用于表征同一物理变量在同一空间位置的多个连续时刻的变化量;小波空间感知支路用于提取物理场的多尺度空间特征,时空调制与融合模块用于特征融合,时间聚合和小波系数预测模块用于特征拼接和小波系数预测;构建包含物理场空间损失和小波系数空间损失的联合损失函数;物理场空间损失用于约束预测的物理场与真实物理场的一致性,小波系数空间损失用于约束预测的小波系数与真实小波系数之间的差异,真实物理场为多个连续时刻的下一时刻物理场;采用历史物理场、多个连续时刻的下一时刻物理场和联合损失函数,对物理场预测模型进行训练,得到训练好的物理场预测模型;多个连续时刻的下一时刻物理场作为模型训练的标签;将待预测物理场输入至训练好的物理场预测模型,得到目标预测物理场。
48、如此,通过构建包含小波特征编码模块、时空调制与融合模块、多通道投影模块、类transformer骨干及时间聚合和小波系数预测模块的物理场预测模型,能够将低频整体结构和不同方向的高频细节分开表示,然后融合空间位置与局部时间演化信息,再学习不同空间位置之间的长距离关联,能够降低计算时间和存储开销的同时,提高物理场预测模型对偏微分方程物理场预测的准确度;构建包含物理场空间损失和小波系数空间损失的联合损失函数,采用联合损失函数对物理场预测模型进行训练,得到训练好的物理场预测模型,能够进一步提高物理场预测模型对偏微分方程物理场预测的准确度;最后采用训练好的物理场预测模型进行物理场预测,实现了偏微分方程物理场实时预测。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com