本發(fā)明屬于人工智能，涉及基于ccnn的sph模擬外力驅(qū)動場景流的方法及裝置。

背景技術(shù)：

1、三維空間中外力驅(qū)動的流體流動仿真，如山洪暴發(fā)、潰壩、液滴滴落復(fù)雜表面等現(xiàn)象是環(huán)境、土木、材料、甚至計算機視覺等多學(xué)科關(guān)注的研究課題。

2、由于傳統(tǒng)的流動場景數(shù)值仿真方法基于對復(fù)雜的數(shù)學(xué)方程和初邊值條件的求解，其時間演化的步長往往受到courant-friedrchs-lewy條件的限制，這使得仿真效率不高，特別當研究過程中需要對流場幾何進行大量的小范圍改造，或需要對流體粘度進行反復(fù)調(diào)整優(yōu)化時，在一定精度下，對流動場景數(shù)值仿真的效率提出了較高的要求。

3、因此，需要一種方法能夠通過學(xué)習已有的相似的場景流仿真數(shù)據(jù)，得到流場幾何特征和流體粘度與實際速度場的隱含關(guān)系，使之能夠在大時間步長數(shù)值仿真過程中，應(yīng)用此關(guān)系不斷修正速度場，快速的得到場景流仿真結(jié)果。

技術(shù)實現(xiàn)思路

1、針對上述技術(shù)問題，本發(fā)明提出基于ccnn的sph模擬外力驅(qū)動場景流的方法及裝置，以達到快速模擬外力作用下場景流的目的，解決流動場景數(shù)值仿真的效率問題。

2、本發(fā)明采用的技術(shù)方案為：

3、基于ccnn（continuous?convolutional?neural?network，連續(xù)卷積神經(jīng)網(wǎng)絡(luò)）的sph（smoothed?particle?hydrodynamics，光滑粒子動力學(xué)）模擬外力驅(qū)動場景流的方法，所述方法包括：

4、（1）改造光滑粒子動力學(xué)時間推進格式，在改造的時間推進格式中用連續(xù)卷積神經(jīng)網(wǎng)絡(luò)矯正流體粒子的位移；

5、（2）用經(jīng)典的光滑粒子動力學(xué)方法模擬外力驅(qū)動的場景流，生成多個流場流速隨時間演化的數(shù)據(jù)集作為訓(xùn)練集；

6、（3）用訓(xùn)練集訓(xùn)練所述連續(xù)卷積神經(jīng)網(wǎng)絡(luò)；

7、（4）按照改造的光滑粒子動力學(xué)模型的時間推進格式，更新流體粒子的位置和速度，模擬給定的外力驅(qū)動場景流。

8、進一步地，步驟（1）包括：

9、改造后的時間推進格式通過時刻第 i個流體粒子的速度、位置以及外力，計算預(yù)測速度和預(yù)測位置；通過矯正格式得到時刻第 i個流體粒子的速度和位置；所述改造后的時間推進格式為：

10、；

11、；

12、；

13、；

14、其中，為時刻的時間步長；為第 i個流體粒子時刻的位移矯正量，由連續(xù)卷積神經(jīng)網(wǎng)絡(luò)獲得，公式為：

15、；

16、其中，表示時刻全體流體粒子位移矯正量的集合，n表示全體流體粒子的個數(shù)， i表示第 i個粒子； cconnet表示連續(xù)卷積神經(jīng)網(wǎng)絡(luò)，表示時刻流體粒子的預(yù)測速度集合，為流體粘度；為時刻壁面外法向集合，m表示全體壁面粒子的個數(shù)；表示時刻流體粒子的預(yù)測位置集合；為時刻壁面粒子的位置集合，m表示全體壁面粒子的個數(shù)。

17、進一步地，連續(xù)卷積神經(jīng)網(wǎng)絡(luò) cconnet中的連續(xù)卷積運算包括插值到連續(xù)函數(shù)和坐標變換兩個步驟，具體為：

18、插值到連續(xù)函數(shù)：將核函數(shù)插值為定義在立方體區(qū)域 d上的連續(xù)函數(shù)；

19、坐標變換：做球坐標到直角坐標的變換，將位于處的光滑領(lǐng)域?一一映射到立方體區(qū)域 d，得到定義于光滑領(lǐng)域的連續(xù)核函數(shù)；將與的連續(xù)卷積定義為：

20、；

21、式中，表示位置在的壁面粒子的特征函數(shù)；表示光滑領(lǐng)域內(nèi)壁面粒子的集合，m表示該集合內(nèi)壁面粒子的個數(shù)；表示定義在等距直角網(wǎng)格的核函數(shù)。

22、進一步地，所述連續(xù)卷積神經(jīng)網(wǎng)絡(luò) cconnet包括1個輸入層、1個輸出層和至少3個隱含層；

23、在所述輸入層與第1個隱含層之間是一個三分支單元：第一個分支，以當前流體粒子的特征函數(shù)作為輸入，連接32個1x1x1卷積核；第二個分支，以當前流體粒子領(lǐng)域內(nèi)其它流體粒子的位置和特征函數(shù)作為輸入，連接32個4x4x4卷積核；第三個分支，以當前流體粒子領(lǐng)域內(nèi)的壁面粒子的位置和特征函數(shù)作為輸入，連接32個4x4x4卷積核；將三個分支的輸出做非線性激活，然后以拼接方式相連，即得到通道數(shù)為96的第1個隱含層；

24、第1個隱含層與第2個隱含層之間，先連接48個1x1x1卷積核，再接入一個二分單元：第一個分支，以當前流體粒子的特征函數(shù)作為輸入，連接48個1x1x1卷積核；第二個分支，以當前流體粒子領(lǐng)域內(nèi)其它流體粒子的位置和特征函數(shù)作為輸入，連接48個4x4x4卷積；將兩個分支的輸出求和，即得到通道數(shù)為48的第2個隱含層；

25、第2個隱含層之后的前后相鄰的兩個隱含層之間均以一個二分單元連接：第一個分支，以當前流體粒子的特征函數(shù)作為輸入，連接48個1x1x1卷積核；第二個分支，第n-1個隱含層以當前流體粒子領(lǐng)域內(nèi)其它流體粒子的位置和特征函數(shù)作為輸入，連接48個4x4x4卷積；將兩個分支的輸出求和，即得到通道數(shù)為48的第n個隱含層（n≥3）；

26、最后一個隱含層和輸出層以一個二分單元連接：第一個分支，以當前流體粒子的特征函數(shù)作為輸入，連接3個1x1x1卷積核；第二個分支，第n-1個隱含層以當前流體粒子領(lǐng)域內(nèi)其它流體粒子的位置和特征函數(shù)作為輸入，連接3個4x4x4卷積；將兩個分支的輸出求和，即得到通道數(shù)為3的輸出層。

27、進一步地，步驟（2）具體為：

28、記時刻的時間步長為，經(jīng)典的光滑粒子動力學(xué)的時間推進格式為：

29、；

30、；

31、；

32、其中，表示第 i個流體粒子的加速度，時間步長需滿足以下courant-friedrchs-lewy穩(wěn)定性限制條件：

33、；

34、；

35、；

36、式中，，，，的含義分別是光滑長度、聲速、第i個流體粒子的質(zhì)量、時刻第i個流體粒子的數(shù)密度；為流體粘度；

37、以時間步長對多個不同的外力作用下不同粘度的流體分別計算一段時間內(nèi)的流動場景，生成多個流場流速隨時間演化的數(shù)據(jù)集作為訓(xùn)練集。

38、進一步地，步驟（3）中，用所有流體粒子的預(yù)測位置與真實位置歐式距離的加權(quán)求和作為損失函數(shù)；

39、用adam算法優(yōu)化損失函數(shù)，得到連續(xù)卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置量。步驟（3）具體為：

40、用所有流體粒子的預(yù)測位置與真實位置歐式距離的加權(quán)求和作為時刻的損失函數(shù)：

41、；

42、其中，是初始粒子平均數(shù)密度，是預(yù)測位置的數(shù)密度；是第i個流體粒子的預(yù)測位置；是第i個流體粒子的光滑領(lǐng)域內(nèi)的其他粒子的位置，是光滑長度；其中，真實位置采用步驟（2）中經(jīng)典的光滑粒子動力學(xué)的時間推進格式獲得；

43、用adam算法優(yōu)化損失函數(shù)優(yōu)化迭代步數(shù)為10萬步，每一步的學(xué)習率從10-3按步數(shù)線性遞減至10-5，得到連續(xù)卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重和偏置量。

44、進一步地，步驟（4）具體為：

45、在給定場景和外力下，從初始化開始，以較大的時間步長，按照改造的光滑粒子動力學(xué)模型的時間推進格式，更新流體粒子的位置和速度，模擬給定的外力驅(qū)動場景流；

46、其中，所述較大的時間步長是指將采用的時間步長加大為經(jīng)典光滑粒子動力學(xué)模擬中最大步長的20倍。

47、進一步地，所述方法在步驟（1）之前，還包括場景初始化步驟，包括：

48、讀取或構(gòu)造初始場景的三維數(shù)據(jù)；

49、若三維數(shù)據(jù)為點云結(jié)構(gòu)，則將點云分為流體點和作為墻壁的固體點兩大類；若三維數(shù)據(jù)為有限元結(jié)構(gòu)，則先按照預(yù)設(shè)定的粒子平均數(shù)密度將有限元做近似等體積剖分，使得剖分后的每個單元中心位置有一個粒子，按照單元屬性將所有例子構(gòu)成的點云分為流體點和固體點兩大類；

50、將所述流體點設(shè)置為靜止狀態(tài)，并作為場景流的初始狀態(tài)。

51、基于ccnn的sph模擬外力驅(qū)動場景流的裝置，所述裝置包括：

52、場景初始化模塊：用粒子構(gòu)成的點云表示場景，設(shè)置流體粒子的初始位置、初始速度以及壁面固體粒子位置；

53、經(jīng)典的光滑粒子動力學(xué)模塊：執(zhí)行外力驅(qū)動場景流數(shù)值模擬，生成多個場景流數(shù)據(jù)，作為后期訓(xùn)練的數(shù)據(jù)集；

54、基于連續(xù)卷積神經(jīng)網(wǎng)絡(luò)的光滑粒子動力學(xué)訓(xùn)練模塊：用于訓(xùn)練連續(xù)卷積神經(jīng)網(wǎng)絡(luò)，優(yōu)化連續(xù)卷積神經(jīng)網(wǎng)絡(luò)連接的權(quán)重和偏執(zhí)項；

55、基于連續(xù)卷積神經(jīng)網(wǎng)絡(luò)的光滑粒子動力學(xué)應(yīng)用模塊：用于模擬外力驅(qū)動的場景流。

56、一種電子設(shè)備，其特征在于，包括：

57、存儲器，存儲有計算機可讀指令；

58、處理器，讀取存儲器存儲的計算機可讀指令，以執(zhí)行所述基于ccnn的sph模擬外力驅(qū)動場景流的方法。

59、一種計算機可讀存儲介質(zhì)，存儲有計算機可讀指令，當所述計算機可讀指令被計算機的處理器執(zhí)行時，使計算機執(zhí)行所述基于ccnn的sph模擬外力驅(qū)動場景流的方法。

60、本發(fā)明的有益技術(shù)效果為：

61、本發(fā)明提供的光滑粒子動力學(xué)模擬外力驅(qū)動場景流的方法基于連續(xù)卷積神經(jīng)網(wǎng)絡(luò)，從改造光滑粒子動力學(xué)的時間推進格式入手，一方面，通過簡化流體粒子的受力，使計算量大幅降低，且時間步長不再受courant-friedrchs-lewy條件的限制，模擬過程可以采用較大的時間步長；另一方面，通過數(shù)據(jù)預(yù)訓(xùn)練的連續(xù)卷積神經(jīng)網(wǎng)絡(luò)得到了流體粒子預(yù)測速度、流體粘度以及壁面法向與流體粒子位移矯正值的映射關(guān)系，用來更新下一時刻流體粒子的位置和速度，在一定的精度下，大幅提高了場景流的數(shù)值模擬效率，此外，訓(xùn)練得到的連續(xù)卷積神經(jīng)網(wǎng)絡(luò)具有較高的泛化能力，可廣泛用于相似場景的流動模擬。