CN119538797A 物理引导的临界区域流体非线性波运动预测方法、系统、设备及介质 (中南大学)_第1页
CN119538797A 物理引导的临界区域流体非线性波运动预测方法、系统、设备及介质 (中南大学)_第2页
CN119538797A 物理引导的临界区域流体非线性波运动预测方法、系统、设备及介质 (中南大学)_第3页
CN119538797A 物理引导的临界区域流体非线性波运动预测方法、系统、设备及介质 (中南大学)_第4页
CN119538797A 物理引导的临界区域流体非线性波运动预测方法、系统、设备及介质 (中南大学)_第5页
已阅读5页,还剩37页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

物理引导的临界区域流体非线性波运动预本发明公开了一种物理引导的临界区域流中采用基于残差累积的无梯度非线性注意力掩码方法对各迭代轮次中内部搭配点样本进行加模型,得到待预测点流体的自由水面位移波包2根据临界区域流体流动时空特性建立计算域,并确定用于描述构建以临界区域流体时空坐标为输入,以该时空坐标构建非线性时变方程残差损失、初始点误差损失和边界点误采用样本数据集对物理信息神经网络模型进行训练,得到将临界区域流体待预测点的时空坐标输入临界区域流体自由水面位移波包络预测模所述训练过程中,采用基于残差累积的无梯度非线性注意力掩码方法对;;式中,磁和分别表示第m轮和第m+1轮迭代中第k个内部搭配点样本的实部权非线性时变方程实部残差和非线性时变方程虚部残差;和IISE"II分别表示第m轮迭代中所有内部搭配点样本的非线性时变方程实部残差均值和非线性时变方程虚部残差2.根据权利要求1所述的物理引导的临界区域流体非线性波运动预测方法,其特征在;式中,f.(xf,t)表示第k个内部搭配点样本的非线性时变方程实部残差,f(xf,t{)表示第k个内部搭配点样本的非线性时变方程虚部残差,(33.根据权利要求1或2所述的物理引导的临无梯度非线性注意力掩码方法对各迭代轮次中的初始点样本和/或边界点样4.根据权利要求1或2所述的物理引导的临界区域流体非在于,在物理信息神经网络模型中引入具有可扩展参数和固定缩放因子的自适应激活函;;;式中af表示第d层隐藏层中第i个神经元的可扩展参5.根据权利要求4所述的物理引导的临界区域流体非线性波运动预测方法,其特征在信息神经网络模型中的某些神经元设为0,使部分神经元以及它们的所有传入和传出连接;6.根据权利要求1或2所述的物理引导的临界区样本数据集中原始的初始点样本仅供第一阶段物理信息神经网络模型4预测得到;并在第q阶段的损失函数中引入当前阶段的物理信息神经网络模型拟合先前所7.根据权利要求1或2所述的物理引导的临物理信息神经网络模型采用其降阶模型,其输入为临界区域流初始点误差损失基于初始点样本对应的四项模样本数据集中原始的初始点样本仅供第一阶段物理信息神经网络模型预测得到;并在第q阶段的损失函数中引入当前阶段的物理信息神经网络模型拟合先前所8.一种物理引导的临界区域流体非线性波预方程构建模块,用于根据临界区域流体流动时空特性建立计算域神经网络模型构建模块,用于构建以临界区域流体流体的自由水面位移波包络为输出的物理信损失函数确定模块,用于构建非线性时变方程残差损失、初始训练模块,用于采用样本数据集对物理信息神经网掩码方法对各迭代轮次中的内部搭配点样本进预测模块,用于将临界区域流体待预测点的时空坐标输入处理器,用于加载并执行所述计算机程序,以实现如权利要求1~7任一被处理器执行时实现如权利要求1~7任一项所述的物理引导的临界区域流体非线性波运5性波动力学特征的非线性时变方程;非线性时变方程的解为流体的自由水面位移波包络,将临界区域流体待预测点的时空坐标输入临界区域流体自由水面位移波包络预6;;的非线性时变方程实部残差和非线性时变方程虚部残差;和IISE"II分别表示第m轮迭代中所有内部搭配点样本的非线性时变方程实部残差均值和非线性时变方程虚部残则第m轮迭代的非线性时变方程残差损失Lossf通;式中,f.(xf,t)表示第k个内部搭配点样本的非线性时变方程实部残差,表示第k个内部搭配点样本的非线性时变方程虚部残差,(xf;7;;式中af表示第d层隐藏层中第i个神经元的可扩;集中的边界点样本和内部搭配点样本按时域划分为M份,对物理信息神经网络模型采用分样本数据集中原始的初始点样本仅供第一阶段物理信息神经网络模型训练使用,模型预测得到;并在第q阶段的损失函数中引入当前阶段的物理信息神经网络模型拟合先集中的边界点样本和内部搭配点样本按时域划分为M份,对物理信息神经网络模型采用分样本数据集中原始的初始点样本仅供第一阶段物理信息神经网络模型训练使用,模型预测得到;并在第q阶段的损失函数中引入当前阶段的物理信息神经网络模型拟合先8标处的流体自由水面位移波包络为输出的物理信息神经网意力掩码方法对各迭代轮次中的内部搭配点样程序被处理器执行时实现如前所述的物理引导的临界区域流体非线性并提高了模型预测临界区域流体非线性波运动的9[0018]图1是本发明实施例提供的一种物理引导的临界区域流体非线性波运动预测方法为描述临界区域流体非线性波动力学特征的非线性时变方程。考虑1+1维非线性时变方程Qr+N(Q,QY,QX,QX,…)=0,xe.Q,te[T0,T](1t和x分别表示时域坐标和随着波群传播的空间坐标,(x,t)构成时空坐偏导数;N是解Q及其关于X的任意阶导数的非线性泛函;表示空间域;[T0,T]实部解u和虚部解v及其关于x的任意阶导数的非线性泛函。iQt+A(t)QZ+ia(t)IQI2QZ+U(t)IQI2Q+Y(t)IQI4Q=0(4式中,u(t)和y(t)分别表示三次和五次非线性项的系数,a(t)和A(t)分别是自LOSSO=Lossi+LOSS,+Lossf(5e2表示第k个内部搭配点的时空坐标;和QU分别表示流体的自由水面位移波包络的实部模型预测值和实部解析值,j,和Q,分别表示流体的自由水面位移波包络的虚部模型预测值和虚部解析值;fu和f,分别表示非线性时变方程实部残差损失和非线性时变方程虚部[0031]由于需要通过最小化损失函数来训练物理信息神经网络模型得到近似偏微分方中迭代改变特定项的贡献来解决损失不平衡问题。这种改变可以通过自适应重采样来完的非线性时变方程实部残差和非线性时变方程虚部残差;和IISE"II分别表示第m轮迭代中所有内部搭配点样本的非线性时变方程残差实部均值和非线性时变方程虚部残式中,f.(xf,t)表示第k个内部搭配点样本的非线性时变方程实部残差,表示第k个内部搭配点样本的非线性时变方程虚部残差。[0036]流体的自由水面位移波包络Q(x,t)表示流体波包的整体形状和轮廓,描述波动振幅随时间和空间的分布变化;流体非线性波振幅:波的平衡位置到波峰的垂直距离[0039]本实施例提供了一种物理引导的临界区域流体非线性波预测方法,其与实施例1虚部残差改为初始点/边界点实部误差和虚部误差,非线性时变方程残差实部均值和非线性时变方程虚部残差均值改为初始点/边界点实部误差均值和虚[0044]本实施例提供了一种物理引导的临界区域流体非线性波预测方法,其与实施例1或实施例2的区别在于,在物理信息神经网络模型中引入具有可扩展参数和固定缩放因子D_1层隐藏层中的第d层包含NU个神经元。[0046]第d-1层的输出zd-1经线性变换La和非线性激活函数o(-)作用后,作为输入Q(a)=(LpnoooLn-1o…OOOL1)(z)(14Q0(z)=(Lnooona0-1LP-1o…oona'L1)(z)(15LOSS=Lossi+LOSS,十Lossr+Lossa(16[0050]在标准物理信息神经网络模型中引入具有可扩展参数和固定缩放因子的自适应[0052]本实施例提供了一种物理引导的临界区域流体非线性波预测方法,其与实施例1QO(z)=(LnoDptooona?-1Ln-1ODpto….oonafl1)(2)(18正则化机制强制模型学习更具弹性和更广泛的特征表示,从而减少对特定数据的过拟合,[0056]本实施例提供了一种物理引导的临界区域流体非线性波预测方法,其与实施例1或实施例2或实施例3或实施例4的区别在于,将样本数据集中的边界点样本和内部搭配点[T,T]=[T,T]U[T,T2]U…U[Tf-r,T]U…U[TY-r,T](19[0058]样本数据集中原始的初始点样本仅供第一阶段物理信息模型预测得到;并在第阶段的损失函数中引入当前阶段的物理信息神经网络模型拟合先输入的实部预测输出和虚部预测输出;和分别表示第阶段的物理信息神经网络模型关于输入的实部预测输出和虚LOSSO=Lossi+LOSS,+Lossr+Lossa+LOSSS(21式中,和分别表示当前子时域的初始点对应流体的自由水面位移波包络的实部模型预测值和虚部模型预测值;和分别表示上一个子时域[Tq-2,Tq-]物理信息神经网络模型预测的Tq-1时刻各空间坐标处流体的自由水面位移波包络的实部模型预测值和虚部模型预测值。损失函数中边界点误差损失LOSSP、非线性时变方程残差Lossf和斜率恢复项Lossa均与前述实施例相同,在此不另做赘述。[0062]本实施例提供了一种物理引导的临界区域流体非线性波预测方法,其与实施例1或实施例2或实施例3或实施例4的区别在于,将样本数据集中的边界点样本和内部搭配点差损失基于边界点样本对应的四项输出的预测误差构建。以在实施例3的基础上进一步改LOSSO1=Lossi+LOSS,+Lossr+Lossa+Lossan(23体的自由水面位移波包络的实部和虚部关于分别表示使用自动微分求得的流体的自由水面位移波包络的实部和虚部预测值关于空间域坐标x的一阶偏导;Lossap表示神经网络输出的流体的自由水面位移波包络的实部和理信息神经网络模型预测得到;并在第q阶段的损失函数中引入当前阶段的物理信息神经LOSSO=Lossi+LOSS,+Lossr+Lossa+LOSSS+Lossap(27和分别表示当前子时域的初始点对应的流体的自由水面位移波包络的实部模型预测值和虚部模型预测值以及二者关于空间域坐标的一阶分别表示上一个子时域[Tq-z,Tq-1物理信息神经网络模型预测的Tq-1时刻各空间坐标处流体的自由水面位移波包络的实部模型预测值和虚部模型预测值以及二者关于空间域坐标的一阶偏导预测值;和以及和分别表示当前子时域的边界点对应的流体的自由水面位移波包络的实部模型预测值和虚部模型预测值以及二者关于空间域坐标的一阶偏导预测值;和以及和分别表示当前子时域的边界点对应的流体自由水面位移波包络的实部模型解析值和虚部模型解析值以及二者时域的内部搭配点(xf,t)对应的使用自动微分求得的流体自由水面位移波包络的实部和虚部预测值关于空间域坐标的一阶偏导;和以及和分别表示第阶段的物理信息神经网络模型关于输入的实部预测输出和虚部预测输出以及二者关于空间域坐标的一阶偏导;和以及和分别表示第阶段的物理信息神经网络模型关于输入的实部预测输出和虚部预测输出以及二者关于空间域坐标的一阶偏导;损失函数中非线性时变方程残差Lossf和斜率恢复项Lossa均与前述实施例相同,在于在整个时域上进行完整训练显著减少了时间开销。。=3.33时的精确解与模型预测解的对比图c)为t=3.87时的精确解与模型预测解的对比改进点仅为采用实施例5所述的分段训练的方式对标准物理信息神经网络模型进行训练;第三种为改进点仅为采用基于残差累积的无梯度注意力掩码方法对各迭代轮次中的内部搭配点样本的权重为非线性权重(下称非线性注意力掩码以及实施例5所述的分段训练

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论