买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆大学

摘要：本发明具体涉及基于注意力和卷积神经网络编解码器的流场预测方法，包括：将符号距离函数图输入经过训练的流场预测模型，输出对应的流场预测图像；训练模型时：首先将包含符号距离函数图及流场真实图像的训练数据集输入流场预测模型；然后通过基于注意力机制和卷积神经网络的编码器提取符号距离函数图的图像特征，生成注意力特征图；进而通过融合映射模块将注意力特征图与符号距离函数图的攻角和马赫数融合，并映射生成高级特征图；随后通过解码器对高级特征图进行解码，生成流场预测图像；最后基于流场预测图像和流场真实图像计算训练损失，并通过训练损失优化流场预测模型的参数。本发明能够提高流场预测的预测精度和预测效率。

主权项：1.基于注意力和卷积神经网络编解码器的流场预测方法，其特征在于，包括：S1：获取待预测对象的符号距离函数图；S2：将符号距离函数图输入经过训练的流场预测模型，输出对应的流场预测图像；训练流场预测模型时：首先将包含符号距离函数图及对应流场真实图像的训练数据集输入流场预测模型；然后通过基于注意力机制和卷积神经网络的编码器提取符号距离函数图的图像特征，生成对应的注意力特征图；进而通过融合映射模块将注意力特征图与对应符号距离函数图的攻角和马赫数融合，并映射生成对应的高级特征图；随后通过解码器对高级特征图进行解码，生成对应的流场预测图像；最后基于流场预测图像和对应的流场真实图像计算训练损失，并通过训练损失优化流场预测模型的参数；通过如下步骤构建训练数据集：S201：对目标翼型进行参数化并增加扰动生成新的翼型，将各种翼型作为预测对象；S202：对于单个预测对象，通过笛卡尔网格方法生成对应的符号距离函数图；S203：通过雷诺平均N-S方程数值模拟方法计算单个预测对象在不同攻角和不同马赫数下的速度场和压力场作为流场数据；S204：通过三角部分的散乱数据插值法将单个预测对象的流场数据插值到对应尺寸的笛卡尔网格上，生成对应的流场真实图像；S205：重复步骤S202至S204，并将对应预测对象的符号距离函数图和流场真实图像作为一组训练数据，以生成包含符号距离函数图及对应流场真实图像的训练数据集；编码器通过如下步骤生成注意力特征图：S211：将符号距离函数图输入卷积层进行卷积滤波处理，生成对应的原始特征图；S212：将原始特征图输入通道注意力模块中提取通道重要性特征，生成对应的通道注意力特征图；S213：将通道注意力特征图输入空间注意力模块中提取空间特征，生成对应的空间注意力特征图；S214：将空间注意力特征图输入卷积层进行卷积滤波处理，生成对应的注意力特征图；步骤S212中，通道注意力模块通过如下步骤生成通道注意力特征图：S2121：将原始特征图输入并行的最大池化层和平均池化层，生成对应的第一特征图和第二特征图；S2122：通过共享多层感知机分别将第一特征图和第二特征图的通道数压缩为原通道数的1r倍、再扩张回原通道数，生成对应的第一感知特征图和第二感知特征图；S2123：通过ReLU激活函数对第一感知特征图和第二感知特征图进行激活，并将激活后的结果进行逐元素相加和sigmoid激活函数处理，生成对应的通道注意力机制图；S2124：将通道注意力机制图与原始特征图相乘，生成对应的通道注意力特征图；步骤S213中，空间注意力模块通过如下步骤生成空间注意力特征图：S2131：将通道注意力特征图输入最大池化层，生成对应的第三特征图；S2132：将第三特征图输入卷积层进行卷积滤波处理，生成对应的一通道特征图；S2133：对一通道特征图进行过sigmoid激活处理，生成对应的空间注意力机制图；S2134：将空间注意力机制图与原始特征图相乘，生成对应的空间注意力特征图；S3：将流场预测图像中速度场和压力场的预测值作为待预测对象的流场预测结果。

全文数据：

权利要求：

百度查询： 重庆大学 基于注意力和卷积神经网络编解码器的流场预测方法