适用于CFD不确定度量化的代理模型的优化方法及相关设备与流程

适用于cfd不确定度量化的代理模型的优化方法及相关设备
技术领域
1.本发明涉及cfd不确定度量化技术领域，尤其是涉及一种适用于cfd不确定度量化的代理模型的优化方法及相关设备。


背景技术：

2.cfd（computational fluid dynamics, 计算流体力学）在航空航天、能源动力、交通运载等领域发挥了日益重要的作用。但由于认知不足等原因，cfd中存在着不可忽视的不确定参数，比如湍流模型参数、材料热物性参数等。这些不确定参数导致模拟结果存在显著的不确定性，会给决策带来潜在的风险。nasa曾对2500个在轨飞行器故障进行调查，其中约52%由不确定性因素引起。因此需要量化参数不确定性对cfd数值模拟的影响。
3.在cfd不确定度量化领域，代理模型是一种重要的表征不确定性传播的方法，在工程中取得了一定的成功。但现有技术中，由于构建和优化代理模型的过程中，对抽样得到的每个样本数据都需要调用cfd程序求解，这对于实际的工程应用有很多样本数据需要抽样和求解的时候，在计算资源有限的情况下，计算量是十分巨大的，且计算时间较长，导致效率较低。因此迫切需要发展更加高效的代理模型优化方法，在有限的计算资源下，为工程中的参数不确定度量化问题提供切实可行的解决途径。


技术实现要素：

4.本发明的目的是提供一种适用于cfd不确定度量化的代理模型的优化方法，提高了cfd参数不确定度量化过程中代理模型优化的效率。
5.第一方面，本发明实施例提供一种适用于cfd不确定度量化的代理模型的优化方法，包括：s1、获取cfd模型输入参数的初始样本数据集；s2、基于所述初始样本数据集构建代理模型，并评估所述代理模型的泛化误差；s3、若所述代理模型的泛化误差大于预设的误差阈值，则对所述代理模型进行更新；否则结束优化，得到最优的代理模型。
6.进一步的，所述获取cfd模型输入参数的初始样本数据集包括：对所述cfd模型输入参数进行拉丁超立方采样，获得所述初始样本数据集，所述初始样本数据集包括n个样本点序列。
7.进一步的，所述基于所述初始样本数据集构建代理模型包括：将所述n个样本点序列输入cfd求解器，对应得到n个响应向量序列；基于所述n个样本点序列和对应的n个响应向量序列组成的样本池，通过高斯回归算法构建所述代理模型。
8.进一步的，所述对所述代理模型进行更新的步骤包括：基于所述初始样本数据集构造采集函数；求解所述采集函数的极小值，得到新的样本点；
将新的样本点输入cfd求解器得到新的响应量，并将新的样本点和新的响应量加入所述样本池；基于所述样本池更新所述代理模型。
9.进一步的，在所述基于所述样本池更新所述代理模型的步骤之后，所述对所述代理模型进行更新的步骤还包括：计算更新后的代理模型的泛化误差，并与所述预设的误差阈值进行比较。
10.进一步的，所述方法还包括：若更新后的代理模型的泛化误差大于所述预设的误差阈值，则重复所述对代理模型进行更新的步骤，直到所述更新后的代理模型的泛化误差小于所述预设的误差阈值，得到最优的代理模型。
11.进一步的，所述求解所述采集函数的极小值，得到新的样本点包括：通过遗传算法求解所述采集函数的极小值，得到所述新的样本点。
12.第二方面，本发明实施例提供一种适用于cfd不确定度量化的代理模型的优化装置，包括：获取模块，用于获取cfd模型输入参数的初始样本数据集；构建和评估模块，用于基于所述初始样本数据集构建代理模型，并评估所述代理模型的泛化误差；优化模块，用于若所述代理模型的泛化误差大于预设的误差阈值，则对所述代理模型进行更新；否则结束优化，得到最优的代理模型。
13.第三方面，本发明实施例提供一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述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所述的适用于cfd不确定度量化的代理模型的优化方法中的步骤。
14.第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的适用于cfd不确定度量化的代理模型的优化方法中的步骤。
15.与现有技术相比，本发明实施例主要有以下有益效果：本发明实施例基于cfd模型输入参数的初始样本数据集通过高斯回归算法构建代理模型，评估代理模型的泛化误差后与预设的误差阈值进行比较，若代理模型的泛化误差大于预设的误差阈值，则循环构造采集函数来获取新的样本数据并对代理模型进行更新，直到代理模型的泛化误差小于预设的误差阈值，得到最优的代理模型为止，与现有的技术相比，节约了cfd参数不确定度量化过程中构建和优化代理模型的计算时间，节省了计算资源，提高了代理模型优化的效率。
附图说明
16.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1是本发明的一种适用于cfd不确定度量化的代理模型的优化方法的一个实施例的流程图；
图2是本发明的一种适用于cfd不确定度量化的代理模型的优化装置的一个实施例的结构示意图；图3是本发明的一种计算机设备的基本结构示意图。
具体实施方式
18.以下的说明提供了许多不同的实施例、或是例子，用来实施本发明的不同特征。以下特定例子所描述的元件和排列方式，仅用来精简的表达本发明，其仅作为例子，而并非用以限制本发明。
19.为了使本技术领域的人员更好地理解本技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
20.如图1所示，图1是本发明的一种适用于cfd不确定度量化的代理模型的优化方法的一个实施例的流程图，上述适用于cfd不确定度量化的代理模型的优化方法包括以下步骤：s1、获取cfd模型输入参数的初始样本数据集；s2、基于所述初始样本数据集构建代理模型，并评估所述代理模型的泛化误差；s3、若所述代理模型的泛化误差大于预设的误差阈值，则对所述代理模型进行更新；否则结束优化，得到最优的代理模型。
21.本发明实施例中，上述cfd模型的输入参数具有不确定性，可以是cfd模型众多参数中的一个、两个，也可以是多个，以cfd模型为飞机翼型的湍流模型为例，模型主要包括9个参数，上述cfd模型的输入参数可以是其中的一个或多个；然后使用拉丁超立方抽样方法在上述cfd模型输入参数构成的高维空间进行采样，得到包括n个样本点序列组成的初始样本数据集。
22.进一步的，基于上述初始样本数据集构建代理模型，具体包括：将上述n个样本点序列输入cfd求解器，对应得到n个响应向量序列；基于上述n个样本点序列和对应的n个响应向量序列组成的样本池，通过高斯回归算法构建所述代理模型。
23.在本发明实施例中，将对输入参数进行采样得到的n个样本点序列传递给cfd求解器，可以得到每一个样本点的关注输出量，即对应得到n个响应向量组成的序列，并将n个样本点序列及其对应的响应向量序列组成样本池；然后从样本池中随机去除一个样本点及其响应向量，使用剩下的样本数据通过高斯回归算法建立表征输入和输出之间离散关系的代理模型，循环该过程得到n个代理模型，分别记为。最后评估代理模型的泛化误差。
24.进一步将代理模型的泛化误差与预先设定的误差阈值进行比较，如果
小于，则代理模型满足要求终止优化过程；如果大于则通过以下步骤对代理模型进行更新优化：基于初始样本数据集构造采集函数；求解采集函数的极小值，得到新的样本点；将新的样本点输入cfd求解器得到新的响应量，并将新的样本点和新的响应量加入上述样本池；基于样本池更新所述代理模型；计算更新后的代理模型的泛化误差，并与预设的误差阈值进行比较；若更新后的代理模型的泛化误差大于预设的误差阈值，则重复上述对代理模型进行更新的步骤，直到更新后的代理模型的泛化误差小于预设的误差阈值，得到最优的代理模型。
25.在本发明实施例中，对于初始样本数据集中的任意输入参数样本，构造如下形式的采集函数：其中；然后通过遗传算法求解上述采集函数的极小值，得到新的样本点。将输入参数新的样本点传递给cfd求解器，得到对应的样本输出量，即新的响应量，并将新的样本点和新的响应量加入到上述样本池中，样本点数量n加1，进一步基于上述包含新的样本点的样本池并通过高斯回归算法重建上述代理模型，得到新的代理模型；计算新的代理模型的泛化误差，并与上述预设的误差阈值进行比较，若新的代理模型的泛化误差大于预设的误差阈值，则重复上述对代理模型进行更新优化的步骤，直到得到的新的代理模型的泛化误差小于预设的误差阈值，停止上述代理模型的更新优化过程，并将对应的新的代理模型作为最优的代理模型。
26.以飞机翼型的湍流模型为例，模型主要包括9个参数，上述cfd模型的输入参数可以是其中的两个，即2维不确定输入参数。
27.步骤一：首先使用拉丁超立方抽样在2维的输入参数空间进行采样，获得6个初始样本点的数据；将6个初始样本点数据依次传递给cfd程序获得样本输出，对应得到包括6个响应向量的序列，并包含6个初始样本点序列和对应的6个响应向量的序列构成样本池；从样本池中任意选择1个样本点作为测试集，剩下的5个样本点作为训练集，使用高斯回归过程算法和训练集构建代理模型，在测试集上计算代理模型的预测误差；循环6次，计算得到初始代理模型的泛化误差=0.4496，大于预设的误差阈值0.1，因此需要进行后续的模型
更新优化过程，以得到最优的代理模型。
28.步骤二：进一步基于初始样本数据集构造关于输入参数的采集函数，通过基因算法求解采集函数极小化问题，获得新的样本点，将其传递给cfd程序，对应获得新的响应量，并加入到样本池中，此时样本池中共有7个样本点数据。
29.步骤三：从样本池中任意选择1个样本点作为测试集，剩下的6个样本点作为训练集，使用高斯回归过程算法和训练集重新构建新的代理模型，并在测试集上计算代理模型的预测误差。循环7次，计算得到新的代理模型的泛化误差=0.30558，仍然大于预设的误差阈值0.1。再次循环步骤二和步骤三，当再在样本池中加入5个样本点之后，新的代理模型的泛化误差=0.095137，小于预设的误差阈值0.1，则终止上述更新优化过程；最终样本池中仅有12个样本点数据。
30.为测试本发明方法的优势，将上述过程重复100次，取最终样本池数量的平均值，本发明方法需要的平均样本量为13.72个，在达到同样的留一法误差（误差阈值0.1）的前提下，原始的拉丁超立方抽样方法重复100次需要的平均样本量为22.68个，如表1所示，表1是在留一法误差为0.1的要求下本发明方法和原始抽样方法的样本量对比：
表1可见本发明的方法在保证精度的情况下所需要的样本点数量减小了39.5%，使得通过本发明建立高保真度的代理模型所需要的计算时间约为原始方法的60%，大大节约了计算时间，节省了计算资源，从而提高了cfd参数不确定度量化过程中代理模型优化的效率；且本发明的代理模型优化方法不依赖于底层的代理模型类型，具有通用性。
31.综上所述，本发明实施例基于cfd模型输入参数的初始样本数据集通过高斯回归算法构建代理模型，评估代理模型的泛化误差后与预设的误差阈值进行比较，若代理模型的泛化误差大于预设的误差阈值，则循环构造采集函数来获取新的样本数据并对代理模型进行更新，直到代理模型的泛化误差小于预设的误差阈值，得到最优的代理模型为止，与现有的技术相比，节约了cfd参数不确定度量化过程中构建和优化代理模型的计算时间，节省了计算资源，提高了代理模型优化的效率。
32.应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，也并不必然是在同一设备或机器上执行的，而是可以在不同的时刻、不同的地方执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
33.第二方面，如图2所示，作为对上述图1所示的一种适用于cfd不确定度量化的代理模型的优化方法的实现，本发明提供了一种适用于cfd不确定度量化的代理模型的优化装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该适用于cfd不确定度量化的代理模型的优化装置具体可以应用于各种计算机设备中。
34.图2示出了本发明实施例提供的一种适用于cfd不确定度量化的代理模型的优化装置的结构示意图，该装置200具体包括：获取模块201，用于获取cfd模型输入参数的初始样本数据集；构建和评估模块202，用于基于所述初始样本数据集构建代理模型，并评估所述代理模型的泛化误差；优化模块203，用于若所述代理模型的泛化误差大于预设的误差阈值，则对所述代理模型进行更新；否则结束优化，得到最优的代理模型。
35.本发明实施例提供的适用于cfd不确定度量化的代理模型的优化装置能够实现图1方法实施例中的各个实施方式，以及相应有益效果，为避免重复，这里不再赘述。
36.第三方面，本发明实施例提供一种计算机设备，包括：存储器、处理器及存储在所述存储器上并可在所述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所述的适用于cfd不确定度量化的代理模型的优化方法中的步骤。
37.第四方面，本发明实施例一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的适用于cfd不确定度量化的代理模型的优化方法中的步骤。
38.具体请见图3，图3为本发明实施例的计算机设备的基本结构示意图。所述计算机设备300包括通过系统总线相互通信连接存储器301、处理器302、网络接口303。需要指出的
是，图中仅示出了具有组件301-303的计算机设备300，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gate array，fpga)、数字处理器 (digital signal processor，dsp)、嵌入式设备等。
39.所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
40.所述存储器301至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，sd或dx存储器等）、随机访问存储器（ram）、静态随机访问存储器（sram）、只读存储器（rom）、电可擦除可编程只读存储器（eeprom）、可编程只读存储器（prom）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器301可以是所述计算机设备300的内部存储单元，例如该计算机设备300的硬盘或内存。在另一些实施例中，所述存储器301也可以是所述计算机设备300的外部存储设备，例如该计算机设备300上配备的插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）等。当然，所述存储器301还可以既包括所述计算机设备300的内部存储单元也包括其外部存储设备。本实施例中，所述存储器301通常用于存储安装于所述计算机设备300的操作系统和各类应用软件，例如适用于cfd不确定度量化的代理模型的优化方法的程序代码等。此外，所述存储器301还可以用于暂时地存储已经输出或者将要输出的各类数据。
41.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如rom/ram、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本技术各个实施例所述的方法。
42.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。