(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211005481.6 (22)申请日 2022.08.22 (71)申请人 上海大学 地址 200444 上海市宝山区上 大路99号 (72)发明人 武频　邱丰　翁龙杰　张波　 (74)专利代理 机构 北京新科华领知识产权代理 事务所(普通 合伙) 16115 专利代理师 吴变变 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/10(2020.01) G06F 113/08(2020.01)G06F 119/12(2020.01) G06F 119/14(2020.01) (54)发明名称 流体流动降阶模 型的建立方法、 装置及系统 和存储介质 (57)摘要 本发明公开一种流体流动降阶模型的构建 方法， 装置及系统和存储介质， 该模型基于本征 正交分解和Transformer  neural network。 本征 正交分解用来生成低维流场的基函数， 并将其系 数作为低维流场特征。 利用Transformer   neuralnetwork构建低维特征的预测模型。 本文 提出的降阶模型只依 赖于流场的解。 与RNN相比， Transformer  neural network通过自注意力机 制， 获取流场序列间的关联信息， 提高了模型的 鲁棒性， 缓解模 型在自回归 过程中误差向后 传递 的问题， 从而可以更好地捕捉流动的变化规律。 在整个计算过程中， 流场序列以矩阵的形式并列 计算， 因此模型 具有在线计算时间上的优势。 权利要求书2页 说明书15页 附图13页 CN 115293050 A 2022.11.04 CN 115293050 A 1.一种流体流动降阶模型的构建方法， 其特征在于， 所述流体流动降阶模型包括本征 正交分解和 神经网络模型， 所述建立方法包括： 基于连续时间步的流场快照X(i)构建用于训练神经网络模型的数据集D； 其中X(i)表示 第i个时刻的流场数据， 所述 流场快照数据集D表示 为： D＝{X(1),X(2),…,X(T)} 其中X(t)代表数据集中第t时刻的流场快照， X(T)代表数据集中最后一张流场快照， 代表流场中第n个节 点的数值， 下标n表示流场中的网格点的数量， 上标T代表数据集中时间 步的长度； 基于流场快照矩阵M， 通过奇异值分解得到基函数； 所述流场快照矩阵M由所述流场快 照数据集D中采样的m个流场快照组成； 基于所述基函数， 利用所述流场快照数据集D对所述神经网络模型进行训练， 得到流体 流动降阶模型。 2.根据权利要求1所述的方法， 其特征在于， 所述基于流场快照矩阵M， 通过奇异值分解 得到基函数σ， 包括： 流场快照矩阵M减去平均向量 得到零均值 化的流场快照矩阵 其中， M∈Rn×m， 为每一行的平均向量， 通过如下公式进行奇异值分解： 其中， U∈Rn×n是 的特征向量矩阵， V∈Rm×m是 的特征向量矩阵， Σ∈Rn×m是一 个对角矩阵， Σ的对角线上的元素为 的奇异值， 表示基函数中所包含的能量值， 上标T表 示矩阵转置； 其中， vi为V矩阵的第i个向量， ui为U矩阵的第i个向量， λi为 矩阵的特 征值； 将特征值 λi， 从大到小排序， 依次选择 前j个特征向量， 得到基函数σ： σ ＝{u1,u2,…,uj} 其中， σ ∈Rj×n是一组变化基， 通过j个 基函数， 以大限度的保存流场 的信息： 3.根据权利要求2所述的方法， 其特征在于， 在生成基函数后， 第t个时刻的流场快照X (t)的低维特 征表示为：权　利　要　求　书 1/2 页 2 CN 115293050 A 2α(t)＝σ X(t) 其中α(t)∈Rj×1， X(t)∈Rn×1， σ 为基函数， 将低维流场特 征重构回原 始流场： X(t)＝σTα(t)。 4.根据权利要求3所述的方法， 其特征在于， 根据 所述基函数， 将所述流场快照数据集D 转化为低维流场快照数据集α， 对所述神经网络模型进行训练， 得到流体流动降阶模型， 包 括： 通过如下公式描述 流场预测问题： α(t+1)＝f( α(t‑k),…, α(t‑2), α(t‑1), α(t)) 其中， α(t)代表t时刻流场快照的低维流场特征， k用于控制降阶模型输入 的时间跨度， 前k+1个时刻的流场片段被输入到函数中， f的作用是建立低维时序特征回归模型， 用低维 历史数据预测下一时刻的数据。 5.根据权利要求4所述的方法， 其特征在于， 所述神经网络模型引入残差结构， 所述残 差结构用于辅助神经网络的训练和模 型收敛， 其中前k+1时刻的数据被组织为二 维数据， 所 述二维数据的行表示时刻， 列是对应的模态。 6.根据权利要求1所述的方法， 其特征在于， 所述神经网络模型通过一个全连接层来预 测输出， 输出 是下一时刻的系数。 7.根据权利要求1所述的方法， 其特征在于， 所述流场数据可以包括压力、 温度和速度 中的一种。 8.一种流体流动降阶模型的建立装置， 其特 征在于， 所述装置包括： 数据集构建单元， 被配置为基于连续时间步的流场快照X(i)构建用于训练神经网络模 型的数据集D； 其中X(i)表示第i个时刻的流场数据， 所述 流场快照数据集D表示 为： D＝{X(1),X(2),…,X(T)} 其中X(t)代表数据集中第t时刻的流场快照， X(T)代表数据集中最后一张流场快照， 代表流场中第n个节 点的数值， 下标n表示流场中的网格点的数量， 上标T代表数据集中时间 步的长度； 基函数获取单元， 被配置为基于流场快照矩阵M， 通过奇异值分解得到基函数； 所述流 场快照矩阵M包括由所述 流场快照数据集D中采样的m个流场快照； 模型训练单元， 被配置为基于所述基函数， 利用所述流场快照数据集D对所述神经网络 模型进行训练， 得到流体流动降阶模型。 9.一种流体流动降阶模型的建立系统， 其特 征在于： 所述系统包括： 存储器， 用于存 储计算机程序； 处理器， 用于执 行所述计算机程序以实现如权利要求1至7中任一项所述的方法。 10.一种存储有指令的非暂时性计算机可读存储介质， 当所述指令由处理器执行时， 执 行根据权利要求1至7中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115293050 A 3