(19)中华 人民共和国 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 202111358627.0 (22)申请日 2021.11.16 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦二层 (72)发明人 郑筠陶　向辉　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 单冠飞 (51)Int.Cl. G06F 30/28(2020.01) G06F 30/27(2020.01) G06N 3/08(2006.01) G06F 17/12(2006.01) G06F 17/13(2006.01)G06F 111/04(2020.01) G06F 113/08(2020.01) G06F 119/14(2020.01) (54)发明名称 流场信息获取方法、 模型训练方法、 装置及 电子设备 (57)摘要 本申请公开了一种流场信息获取方法、 模 型 训练方法、 装置及电子设备， 涉及计算机技术领 域， 尤其涉及深度学习等人工智 能领域、 自动驾 驶领域及科学计算领域。 具体实现方案为： 确定 流体力学的边界条件； 获取当前时刻的流场信 息； 将边界条件和当前时刻的流场信息输入至预 先训练的基于物理信息的神经网络PINN模型中， 获得下一时刻流场信息； 其中， PINN模型中所使 用的非线性偏微分方程组是基于大涡模拟LES和 雷诺平均纳维－斯托克斯方程RANS而得到的方 程组。 本申请可根据当前时刻流场信息对下一时 刻流场信息进行准确、 快速的预测。 权利要求书3页 说明书9页 附图3页 CN 114282448 A 2022.04.05 CN 114282448 A 1.一种流场信息获取 方法， 包括： 确定流体力学的边界条件； 获取当前时刻的流场信息； 将所述边界条件和所述当前时刻的流场信息输入至预先训练的基于物理信息的神经 网络PINN模型中， 获得 下一时刻流场信息； 其中， 所述PINN模型中所使用的非线性偏微分方程组是基于大涡模拟LES和雷诺平均 纳维－斯托克斯方程RANS而得到的方程组。 2.根据权利要求1所述的方法， 其中， 所述PINN模型包括转换Transformer神经网络和 非线性偏微分方程组和损失函数； 所述将所述边界条件和所述当前时刻的流场信息输入至 预先训练的基于物理信息的神经网络PI NN模型中， 获得 下一时刻流场信息， 包括： 将所述边界条件和所述当前时刻的流场信息输入至所述PINN模型中， 获得所述 Transformer神经网络的输出 结果； 根据所述输出结果和所述非线性偏微分方程组， 获得偏微分方程组残差和初边值残差 约束； 采用所述损失函数， 根据所述偏微分方程组残差和初边 值残差约束作计算损失值； 根据所述损失值获得偏微分方程组物理参数， 并根据所述偏微分方程组物理参数和所 述非线性偏微分方程组， 获得 下一时刻流场信息 。 3.根据权利要求2所述的方法， 其中， 所述损失函数定义为加权求和的范数方程和所述 边界条件的残差， 由纳维Navier ‑斯托克斯Stokes方程组、 所述边界条件及计算流体动力学 数据加权组成。 4.根据权利要求1所述的方法， 其中， 所述非线性偏微分方程组的公式表示如下： 连续性方程: 动量方程: 温度方程: 其中， p为压力， T为温度， κ为导热系数， ρ0为初始温度下的密度， v为动力粘度， f为重力 造成的体积力， 为梯度算子， t为时间； 非线性偏微分方程组的方程 解为w(x)。 5.根据权利要求1所述的方法， 其中， 所述PI NN模型通过以下步骤预 先训练： 采用格子波尔兹曼法计算二维不可压缩流体的流场， 得到所述二维不可压缩流体在目 标时间段内的速度数据； 将所述速度数据作为训练数据， 并根据所述训练数据对所述PI NN模型进行训练。 6.一种基于物 理信息的神经网络PINN模型的训练方法， 所述PINN模型用于实现流场信 息的计算， 所述训练方法包括： 基于大涡模拟LES和雷诺平均对纳维－斯托克斯方程RANS进行优化， 得到所述PINN模 型的非线性偏微分方程组； 基于Navier－Sto kes方程组， 构建所述PI NN模型的损失函数； 将转换Transformer神经网络、 所述非线性偏微分方程组和所述损失函数结合， 得到所 述PINN模型；权　利　要　求　书 1/3 页 2 CN 114282448 A 2采用格子波尔兹曼法计算二维不可压缩流体的流程， 得到所述二维不可压缩流体在目 标时间段内的速度数据； 将所述速度数据作为训练数据， 并根据所述训练数据对所述PI NN模型进行训练。 7.一种流场信息获取装置， 包括： 第一处理模块， 用于确定流体力学的边界条件； 获取模块， 用于获取当前时刻的流场信息； 第二处理模块， 用于将所述边界条件和所述当前时刻的流场信息输入至预先训练的 PINN模型中， 获得 下一时刻流场信息； 其中， 所述PINN模型中所使用的非线性偏微分方程组是基于大涡模拟LES和雷诺平均 纳维－斯托克斯方程RANS而得到的方程组。 8.根据权利要求7所述的装置， 其中， 所述PINN模型包括转换Transformer神经网络和 非线性偏微分方程组和损失函数； 所述第二处 理模块具体用于： 将所述边界条件和所述当前时刻的流场信息输入至所述PINN模型中， 获得所述 Transformer神经网络的输出 结果； 根据所述输出结果和所述非线性偏微分方程组， 获得偏微分方程组残差和初边值残差 约束； 采用所述损失函数， 根据所述偏微分方程组残差和初边 值残差约束作计算损失值； 根据所述损失值获得偏微分方程组物理参数， 并根据所述偏微分方程组物理参数和所 述非线性偏微分方程组， 获得 下一时刻流场信息 。 9.根据权利要求8所述的装置， 其中所述损失函数定义为加权求和的范数方程和所述 边界条件的残差， 由纳维Navier ‑斯托克斯Stokes方程、 所述边界条件及计算流体动力学数 据加权组成。 10.根据权利要求7 所述的装置， 其中， 所述非线性偏微分方程组的公式表示如下： 连续性方程: 动量方程: 温度方程: 其中， p为压力， T为温度， κ为导热系数， ρ0为初始温度下的密度， v为动力粘度， f为重力 造成的体积力， 为梯度算子， t为时间； 非线性偏微分方程组的方程 解为w(x)。 11.根据权利要求7 所述的装置， 还 包括： 预训练模块， 用于预 先训练所述PI NN模型； 其中， 所述预训练模块具体用于： 采用格子波尔兹曼法计算二维不可压缩流体的流场， 得到所述二维不可压缩流体在目 标时间段内的速度数据； 将所述速度数据作为训练数据， 并根据所述训练数据对所述PI NN模型进行训练。 12.一种基于物理信息的神经网络PINN模型的训练装置， 所述PINN模型用于实现流场 信息的计算， 所述装置包括： 优化模块， 用于基于大涡模拟LES和雷诺平均对纳维－斯托克斯方程RANS进行优化， 得 到所述PI NN模型的非线性偏微分方程组；权　利　要　求　书 2/3 页 3 CN 114282448 A 3