一种基于数据分解的潜艇艏部流场预测方法

1.本发明属于流体力学领域和神经网络应用，具体涉及一种使用深度学习方法基于数据分解的潜艇艏部流场预测方法。


背景技术：

2.潜艇是当今海军的主要作战工具，与普通水面舰艇相比，潜艇具有隐蔽性好，机动性灵活等特点，在突击作战、水下侦查等方面都发挥了极其重要的作用，因此，潜艇一直是各国的研究重点和热点。由于潜艇艏部和声呐息息相关，所以对艏部流场变化尤其是脉动压力的变化规律进行研究和分析，具有明显的理论意义和军事意义。
3.在过去的几十年中，计算流体力学(cfd)分析潜艇及其附体流动的计算精度越来越高，在很多情况下数值计算能够得到与试验十分近似的结果，但是cfd最大问题是计算时间太长，计算资源要求高。
4.近年来深度学习技术依靠强大的特征学习能力，广泛的应用于各个领域，如图像识别、语音识别、游戏领域等。深度学习是基于人工神经网络的机器学习算法，受特征提取和数据维度问题的驱使和人脑深层结构的启发，深度神经网络模型逐渐发展起来。区别于传统的机器学习算法，深度学习在样本数据量的需求方面，需要更广泛的样本数据，达到使用更少的人工标注和更高的准确率的目的。早期的神经网络只有输入和输出层两层，无法处理复杂的逻辑，限制了其应用性，而深度神经网络通过在输入和输出层之间添加隐藏层，通过改变隐藏层的层数和神经元个数，理论上可以近似表示任何函数。图1为深度神经网络结构示意图。
5.循环神经网络作为深度学习的重要分支，最主要的应用场景是通过保存历史信息来帮助当前的决策，在处理时间序列的数据方面有很大的优势。长短时记忆网络(long short-term memory,lstm)是一种特殊的循环体结构。lstm靠一些“门”结构让信息有选择性地影响循环神经网络中每个时刻的状态。所谓“门”的结构就是使用sigmoid神经网络和一个按位做乘法的操作，这两个操作合在一起就是一个“门”的结构。之所以该结构叫做“门”是因为使用sigmoid作为激活函数的全连接神经网络层会输出一个0到1之间的数值，描述当前输入有多少信息量可以通过这个结构。于是这个结构的功能就类似于一扇门，当“门”打开时(sigmoid神经网络层输出为1时)，全部信息都可以通过；当“门”关上时(sigmoid神经网络层输出为0时)，任何信息都无法通过。图2为使用单层全连接神经网络作为循环体的循环神经网络结构图。
6.为了使循环神经网络更有效的保存长期记忆，输入门和遗忘门至关重要，它们是lstm的核心。遗忘门的作用是让循环神经网络忘记之前没有用的信息，遗忘门会根据当前的输入x
t
和上一时刻输出h
t-1
决定哪一部分记忆需要被遗忘。
7.图3为lstm单元结构示意图。具体lstm每个“门”的公式定义如下：
8.输入值：z＝tanh(wz[h
t-1
,x
t
])
[0009]
输入门：i＝sigmoid(wi[h
t-1
,x
t
])
[0010]
遗忘门：f＝sigmoid(wf[h
t-1
,x
t
])
[0011]
输出门：o＝sigmoid(w0[h
t-1
,x
t
])
[0012]
新状态：c
t
＝f
·ct-1
i
·z[0013]
输出：h
t
＝o
·
tanhc
t
[0014]
图4用流程图的形式表示了以上公式。


技术实现要素：

[0015]
要解决的技术问题
[0016]
为了避免现有cfd技术计算时间长，耗费资源多，单尺度深度学习网络计算不精确等不足，本发明提出一种基于数据分解的潜艇艏部流场预测方法。
[0017]
技术方案
[0018]
一种基于数据分解的潜艇艏部流场预测方法，其特征在于步骤如下：
[0019]
s1：获取潜艇艏部水下流场数据；
[0020]
s2：通过滑动平均分解将流场原始数据分解为低频分量和高频分量；
[0021]
s3：对所得数据进行预处理，并将数据分为训练集和测试集；
[0022]
s4：根据低频高频数据不同特性对其分别进行基于长短时记忆网络预测模型构建，得到分别对应低频分量和高频分量的大尺度网络和小尺度网络，最后将两种网络型结果进行叠加得到流场预测结果。
[0023]
s1中通过fluent软件获取数据。
[0024]
s3中的预处理：使用scikit-learn库中的minmaxscaler预处理类实现数据集的归一化，将数据调整到0到1的范围。
[0025]
s4中大尺度网络和小尺度网络的层数不一致。
[0026]
一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
[0027]
一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
[0028]
有益效果
[0029]
本发明提出的一种基于数据分解的潜艇艏部流场预测方法，使用潜艇cfd仿真数据，基于深度学习方法进行潜艇艏部的压力预测，在保证精度的情况下，节约计算时间，提高工程效率；同时不同于以往使用单一尺度网络进行流场预测，本发明首先进行数据分解，使用多尺度网络使得结果更加精确。
[0030]
本发明克服了传统手段的弊端，此方法本质为一个黑箱计算模型，弱化了流体动力学物理知识，从结果中学习结果，得到了流场压力变化规律。采用此方法进行流场规律的学习，除了节约实验经费外还极大缩短计算时间和计算资源，同时此方法本质是依靠大量的数据进行驱动，得到的模型泛化能力也与传统方法强。
附图说明
[0031]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图
中，相同的参考符号表示相同的部件。
[0032]
图1深度神经网络结构示意图；
[0033]
图2使用单层全连接神经网络作为循环体的循环神经网络结构图；
[0034]
图3lstm单元结构示意图；
[0035]
图4lstm单元细节图；
[0036]
图5本发明算法架构图；
[0037]
图6潜艇尺寸图(单位：m)；
[0038]
图7潜艇艏部计算网络；
[0039]
图8采样点放大图；
[0040]
图9数据分解；
[0041]
图10低频预测结果；
[0042]
图11高频预测结果；
[0043]
图12压力预测结果；
[0044]
图13单尺度和多尺度预测结果比较。
具体实施方式
[0045]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0046]
本发明提出一种基于数据分解的水下潜艇艏部流场预测方法。算法架构如图5所示。目标是通过将原始数据进行分解处理，实现给出前序时间变量，即可基于深度学习方法预测后续时间对应非定常流场。以仿真数据作为训练样本，分别建立不同尺度的lstm神经网络，实现潜艇艏部流场的预测。
[0047]
步骤1：构建数据集
[0048]
数据集由suboff潜艇模型的cfd计算值构成，利用高精度数值模拟方法计算非定常流场动态过程，并记录各个时刻的流场信息。suboff模型集合文件来源于美国david tyler中心公布的文件，实际潜艇总长104.5米，仿真所用的是1:24模型，得到主艇长4.356米，前体长1.106米，平行中体2.229米，后体长1.111米，艇身最大回转直径为0.508米。设定来流速度和监控点，选择湍流计算模型，进行数值仿真计算。数据集的组成为计算网格点上每一时间步的压力值，共采样了1200个时间步的值，采样点为潜艇艏部全部计算网格点。图6为潜艇尺寸图，图7为潜艇艏部计算网格图，图8为采样点的放大图。
[0049]
优选地，本发明具体实施方式采用fluent获取数据。
[0050]
步骤2：数据分解
[0051]
为了使结果的预测更加精确，通过滑动平均分解将上述所得的原始数据分解为光滑部分和脉动部分，即低频数据和高频数据，进而训练低保真度的大尺度网络和高保真度的小尺度网络，从而实现对不同特征的捕捉和提取。最终将两组输出数据整合在一起，建立了完整的潜艇艏部表面脉动压力预测模型。图9为数据分解示意图。
[0052]
步骤3：数据预处理
[0053]
数据划分为训练集和测试集，80％数据为训练集，20％为测试集；数据输入神经网络之前，使用scikit-learn库中的minmaxscaler预处理类实现数据集的归一化，将数据调整到0到1的范围，对输入数据的规模的高敏感造成误差。
[0054]
步骤4：模型构建及预测结果
[0055]
对两组数据分别构建基于长短时记忆网络的时间预测模型。使用keras深度学习框架对高频数据和低频数据分别进行模型搭建。统一操作是建立sequential模型，设定dropout添加dense层，选用激活函数，定义损失函数和优化算法，设定epochs和batch，并根据所述的训练样本对所构建的lstm模型进行训练在fit()函数中设置validation_data参数，记录训练集和测试集的损失。对超参数、网络结构、基本损失函数的选取进行研究，得到最优的深度网络结构。
[0056]
网络输入为前序时刻的压力分量，输出为未来时刻的压力分量。网络1和网络2分别进行低频数据、高频数据的训练和预测，由于网络1的数据变化相对平缓，在网络结构的复杂度上要求不高，使用三层的lstm，记忆体个数为20，训练200步即可达到一个相对较为精确的结果。网络2的数据变化剧烈，峰值和变化幅度相对无序，故对网络2的模型增加了网络层数，由3层变为了6层，记忆体的个数不变，训练500步结果达到预期。其中对低频数据和高频数据建立的模型算法如表1。
[0057]
表1算法示意表
[0058][0059]
步骤5：反归一化
[0060]
将预测结果和测试集数据组合然后进行比例反转(invert the scaling)，同时需要将测试集的预期值也进行比例转化。然后绘制模型预测结果图。图10为艏部一个计算点的低频预测结果，图11为艏部一个计算点的高频预测结果，图12为最后结果的叠加。
[0061]
由图13可以看出，单尺度虽然对压力变化趋势可以很好的刻画，但是数值误差相较于多尺度比较大。多尺度网络相比于单尺度网络在预测结果的准确性上有着绝对优势。
[0062]
本发明首先通过fluent获取大量潜艇艏部水下流场数据；通过滑动平均分解将流场原始数据分解为低频分量和高频分量；其次对所得数据进行预处理，并将数据分为训练集和测试集；然后根据低频高频数据不同特性对其分别进行基于长短时记忆网络(lstm)预测模型构建，最后将两种模型结果进行叠加得到流场预测结果。相比于直接使用原始数据
应用单尺度网络进行预测，本技术提出的基于数据分解应用多尺度网络，能够达到更为精确的结果。
[0063]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。