一种基于动态子域守恒积分的自由表面波浪场重构方法
本发明涉及流体力学及人工智能交叉领域,尤其是涉及一种基于动态子域守恒积分的自由表面波浪场重构方法。
背景技术:
1、波浪动力学研究对海岸防护、港口安全评估、波浪能开发利用等工程领域意义重大,目前获取自由表面波浪场数据的主流方式主要分为三类:现场观测与物理模型实验依靠浮标、传感器、piv、ldv等设备采集数据,普遍存在测点分布稀疏、空间分辨率不足的问题,难以实现流场全域高精度重构;传统cfd数值模拟依托vof、边界元法、光滑粒子流体动力学等方法模拟液面演化,但该方式依赖高密度网格与精细时空离散,计算开销大、建模流程复杂,无法满足波浪场快速反演的需求。
2、物理信息神经网络pinn结合数据驱动与物理约束,在稀疏观测场景中具备突出优势,现已逐步应用于波浪问题求解。其中s-pinn通过局部子域积分约束提升了固定区域流场的训练稳定性,wavenets双网络架构则专门适配自由液面波浪场景。然而现有技术仍存在明显短板,传统pinn采用逐点残差约束,在波浪强非线性区域易出现配点冲突、梯度震荡,不仅训练收敛速度慢,面对含噪声实测数据时鲁棒性不足;而s-pinn仅支持固定计算域,采用预划分的静态子域结构,无法跟随自由液面动态更新,容易出现子域越界、流体区域漏算等问题。
技术实现思路
1、本发明的目的是提供一种基于动态子域守恒积分的自由表面波浪场重构方法,解决上述背景技术中提出的问题。
2、为实现上述目的,本发明提供了一种基于动态子域守恒积分的自由表面波浪场重构方法,包括以下步骤:
3、s1、数据集构建与坐标归一化:构建波浪场观测数据集,并将空间坐标和时间坐标归一化至预设标准区间;
4、s2、双网络耦合架构构建:构建自由液面自适应稳定物理信息神经网络fs-s-pinn,fs-s-pinn采用双网络耦合架构,对自由液面高程、流体域内速度场及压力场进行函数逼近;
5、s3、动态子域构建与更新:构建规则子域网格,通过预测的瞬时自由液面位置,筛选有效子域;构建异形子域,并分别在自由表面边界和底部边界设置一维边界积分子域;
6、s4、局部守恒积分约束训练:构建总损失函数,并通过反向传播迭代更新网络参数,优化双网络耦合架构,训练完成后进行全域推理,实现自由表面波浪场重构。
7、优选的,所述是s2中的fs-s-pinn的具体公式如下:
8、;
9、;
10、其中,、分别表示神经网络和可训练参数,(
x,
t)为归一化后的二维时空坐标;(
x,
y,
t)为归一化后的三维时空坐标;
η̂表示预测的自由液面高程,(
û,
v̂,
p̂)表示预测的速度场及压力场。
11、优选的,所述s2中的双网络耦合架构包括第一神经网络与第二神经网络;
12、第一神经网络以二维时空坐标为输入,对自由液面高程进行函数逼近,并输出自由液面高程;
13、第二神经网络以三维时空坐标为输入,对流体域内的速度场与压力场进行函数逼近,输出流体域内速度场与压力场。
14、优选的,所述s3的具体步骤如下:
15、s31、将时间轴离散为若干时间切片,对各时间切片的空间域内构建规则子域网格,规则子域网格覆盖流体区域与外部气体区域;
16、s32、通过第一神经网络,预测瞬时自由液面位置,并据此筛选液面以下的有效规则子域,并剔除气体区域子域;
17、s33、基于自由液面的局部一阶几何信息,构建边界匹配自由液面局部斜率的异形子域,并采用四节点等参单元坐标变换,进行高斯积分计算;
18、s34、在自由表面边界和固定底部边界分别布设一维边界积分子域,自由表面边界子域随波浪演化实时更新,底部边界子域固定不变。
19、优选的,所述s4的具体步骤如下:
20、s41、将不可压缩navier-stokes方程的连续性方程、动量方程、底部不透水边界、自由液面运动学及动力学边界条件的逐点残差,转换为各子域对应的局部积分残差;
21、s42、采用gauss-legendre求积公式,通过高斯积分点计算积分残差;
22、s43、联合数据损失、控制方程损失及各类边界损失,构建双网络耦合架构的总损失函数;
23、s44、利用反向传播迭代更新网络参数,对双网络耦合架构进行训练;
24、s45、利用训练完成的神经网络,对完整时空域进行推理,得到自由表面波浪的速度场、压力场及自由液面高程分布,实现自由表面波浪场的全场重构。
25、优选的,所述s41采用局部守恒积分形式对各控制方程及边界条件进行物理约束,将逐点残差转化为子域内的积分残差,通过构建严格贴合瞬时流域的二维局部积分子域,确保所有子域均落在流体区域内。
26、优选的,所述s43中的总损失函数的具体公式如下:
27、
28、其中,为数据损失函数,为物理损失函数,为底部边界损失函数,为自由液面运动学边界损失函数,为自由液面动力学边界损失函数,它们对应的权重分别记为、、、。
29、优选的,所述s44的具体步骤如下:
30、s441、采用adam优化器训练50000步次,设置初始学习率设为1×10-3,每2000个历元以0.9衰减因子下调学习率;每迭代2000步依据实时预测自由液面更新子域,并结合各损失项梯度更新训练权重;
31、s442、采用l-bfgs优化算法进行精细化求解,根据优化器内置增量公差准则自动控制迭代终止。
32、因此,本发明采用上述一种基于动态子域守恒积分的自由表面波浪场重构方法,具有以下有益效果:
33、(1)适应动态自由液面演化:本发明通过构建基于预测自由液面的动态子域更新机制,能够自适应识别瞬时流体区域,避免固定子域方法中出现的子域越界或流体区域漏算问题,实现了对动态自由面问题的持续有效约束。
34、(2)提升训练稳定性与收敛速度:本发明将传统pinn的逐点残差约束转化为局部积分残差约束,有效缓解了强非线性区域因配点间缺乏空间关联性引发的训练不稳定问题。在训练期间,fs-s-pinn表现出优异的收敛速度与训练稳定性。
35、(3)提升流场重构精度:相比于传统pinn和s-pinn(稳定化物理信息神经网络)方法,本发明的fs-s-pinn在速度场、压力场及自由液面的预测中均表现出更均匀且更低的误差,避免了传统方法在边界附近出现的局部误差集中现象。
36、(4)优异的抗噪声能力和鲁棒性:本发明的局部积分形式本质上相当于一种空间滤波过程,能够有效平滑高频噪声成分,降低由局部异常点或噪声扰动引起的梯度震荡。
37、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
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