排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
针对流场粒子图像测速实验中时间和空间高分辨率测量代价高的问题,研究了数据驱动的流场时空重构方法。为了对实验测得的低分辨率数据进行时空高分辨率重构,提出了一种基于深度神经网络的流场时空重构方法,并构建了一种基于卷积神经网络和长短时记忆神经网络的混合深度神经网络。该混合深度神经网络能够学习流场的时空演化特征,训练完成后可实现对实验数据的时空高分辨率重构。测试结果表明:只进行流场空间高分辨率重构时,重构出的流场与真实流场之间的均方根误差为0.0065左右,流场数据点数是原来的51倍;同时进行流场时间和空间高分辨率重构时,重构出的流场与真实流场之间的均方根误差可保持在0.065左右,流场时间维度的密度是原来的5倍,可极大提高实验效率,节约实验成本。 相似文献
2.
流体力学深度学习建模技术研究进展 总被引:1,自引:0,他引:1
深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。 相似文献
3.
针对飞行器设计过程中对流固耦合系统快速预测的需求,探索基于数据驱动的非定常流场建模策略,缩短流场演化求解耗时,从而加快流固耦合系统模拟速度。流固耦合系统中流场演化求解部分等价于含运动边界的非定常流场演化。本文提出了一种基于神经网络的流场预测模型,来学习并预测运动边界附近的非定常流场演化过程。此神经网络可以基于当前流场状态及边界运动信息预测出下一个时刻的流场状态。通过不同振动频率及振幅下的运动圆柱绕流问题,测试了本文提出的神经网络模型的预测精度及泛化能力。神经网络的预测结果和计算流体力学仿真结果中流场结构吻合度较高,且通过对预测的流场数据中边界上的压力积分得到的气动力也具有较高的精度。测试结果展示了该神经网络模型具有良好的预测性能,因此该方法可以用于快速、准确获得运动边界周围非定常流场状态。 相似文献
4.
利用超声波焊接技术实现大平面超薄铜箔与多股双层镀银编织铜的焊接,该技术服役于将来的中国空间站。分析了不同参数对连接力学性能的影响,利用扫描电子显微镜对典型接头界面处的微观组织特征进行了分析,并采用有限元仿真的方式对连接行为进行了仿真。结果表明:采用超声波焊接实现了薄壁铜层与镀银编织铜的焊接,焊点连接面处组织致密,无明显缺陷;焊点连接处由Ag和Cu元素组成,焊接温度远未达到熔点,为低温连接行为,其连接机理为扩散连接;在焊接能量为120 J、0.276 MPa参数下,母材拉脱力可达到90 N。 相似文献
1