數(shù)物驅(qū)動熱流場數(shù)智仿真理論與算法

目錄
前言
第1章 緒論 1
1.1 傳熱流動降階模型的研究背景和意義 1
1.2 深度學習 3
1.2.1 簡介 3
1.2.2 研究現(xiàn)狀 3
1.3 傳熱流動降階模型國內(nèi)外研究現(xiàn)狀 6
1.3.1 傳統(tǒng)傳熱流動降階模型 6
1.3.2 基于人工智能算法的傳熱流動降階模型 9
1.4 本章小結(jié) 14
參考文獻 14
第2章 基礎(chǔ)理論 21
2.1 傳熱流動的基礎(chǔ)理論 21
2.1.1 數(shù)值計算基礎(chǔ) 21
2.1.2 傳熱流動物理模型 26
2.2 深度學習的基礎(chǔ)理論 28
2.2.1 深度學習模型和技術(shù) 28
2.2.2 數(shù)據(jù)集預(yù)處理 39
2.2.3 深度學習優(yōu)化算法 41
2.2.4 深度學習模型評價準則 42
2.3 本章小結(jié) 43
參考文獻 43
第3章 基于卷積神經(jīng)網(wǎng)絡(luò)的特征自適應(yīng)傳熱流動預(yù)測模型 45
3.1 引言 45
3.2 特征自適應(yīng)模型的背景與挑戰(zhàn) 45
3.2.1 研究特征自適應(yīng)模型的必要性 45
3.2.2 特征自適應(yīng)模型的關(guān)鍵要素 46
3.3 案例分析1——基于卷積神經(jīng)網(wǎng)絡(luò)的幾何自適應(yīng)穩(wěn)態(tài)傳熱降階建模 47
3.3.1 案例說明 47
3.3.2 訓練數(shù)據(jù)集的生成和預(yù)處理 48
3.3.3 降階模型的構(gòu)建與訓練 51
3.3.4 預(yù)測結(jié)果與分析 53
3.3.5 降階模型超參數(shù)分析 61
3.4 案例分析 2——基于卷積神經(jīng)網(wǎng)絡(luò)的特征自適應(yīng)瞬態(tài)流場降階建模 64
3.4.1 案例說明 64
3.4.2 訓練數(shù)據(jù)集的生成和預(yù)處理 65
3.4.3 降階模型的構(gòu)建與訓練 69
3.4.4 預(yù)測結(jié)果與分析 70
3.4.5 全連接網(wǎng)絡(luò)與卷積網(wǎng)絡(luò)構(gòu)建降階模型對比 80
3.5 本章小結(jié) 82
參考文獻 83
第4章 遷移方法對卷積神經(jīng)網(wǎng)絡(luò)的新任務(wù)學習和預(yù)測性能增強 84
4.1 引言 84
4.2 常見遷移學習及應(yīng)用 85
4.2.1 常見的遷移學習 85
4.2.2 遷移學習的應(yīng)用 88
4.3 案例分析——遷移學習增強的卷積神經(jīng)網(wǎng)絡(luò)多芯片模塊傳熱降階建模 88
4.3.1 案例說明 88
4.3.2 訓練數(shù)據(jù)集的生成和預(yù)處理 89
4.3.3 降階模型的構(gòu)建與訓練 90
4.3.4 預(yù)測結(jié)果與分析 92
4.3.5 遷移學習與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的性能對比 95
4.4 本章小結(jié) 99
參考文獻 99
第5章 Transformer架構(gòu)對卷積神經(jīng)網(wǎng)絡(luò)的學習和預(yù)測性能增強 101
5.1 引言 101
5.2 常見Transformer架構(gòu)及應(yīng)用 101
5.2.1 Transformer模型 101
5.2.2 Vision Transformer模型 104
5.2.3 Swin Transformer模型 104
5.2.4 Transformer模型的應(yīng)用 105
5.3 案例分析——注意力機制增強的卷積神經(jīng)網(wǎng)絡(luò)翅片太陽能集熱管傳熱降階建模 106
5.3.1 案例說明 106
5.3.2 訓練數(shù)據(jù)集的生成和預(yù)處理 106
5.3.3 降階模型的構(gòu)建與訓練 108
5.3.4 預(yù)測結(jié)果與分析 110
5.3.5 與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的性能對比 122
5.4 本章小結(jié) 123
參考文獻 124
第6章 網(wǎng)格自適應(yīng)的圖卷積神經(jīng)網(wǎng)絡(luò)傳熱流動預(yù)測模型 126
6.1 引言 126
6.2 常見圖神經(jīng)網(wǎng)絡(luò)及應(yīng)用 126
6.2.1 常見的圖神經(jīng)網(wǎng)絡(luò) 126
6.2.2 圖神經(jīng)網(wǎng)絡(luò)的應(yīng)用 129
6.3 圖數(shù)據(jù)的生成 130
6.3.1 圖的概念 130
6.3.2 圖的存儲結(jié)構(gòu) 131
6.3.3 網(wǎng)格數(shù)據(jù)到圖數(shù)據(jù)的轉(zhuǎn)換 132
6.4 基于圖卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)格自適應(yīng)預(yù)測模型構(gòu)建方法 136
6.4.1 針對幾何自適應(yīng)問題的基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測模型結(jié)構(gòu)設(shè)計 136
6.4.2 模型性能評估 138
6.5 案例分析 1——基于圖卷積網(wǎng)絡(luò)的環(huán)形熱管自然對流降階建模 139
6.5.1 案例說明 139
6.5.2 訓練數(shù)據(jù)集的生成和預(yù)處理 139
6.5.3 預(yù)測結(jié)果與分析 141
6.5.4 不同降階模型預(yù)測結(jié)果比較 144
6.6 案例分析 2——基于圖卷積神經(jīng)網(wǎng)絡(luò)的通道內(nèi)流動降階建模 148
6.6.1 案例說明 148
6.6.2 訓練數(shù)據(jù)集的生成和預(yù)處理 149
6.6.3 降階模型的構(gòu)建 150
6.6.4 預(yù)測結(jié)果與分析 151
6.7 本章小結(jié) 162
參考文獻 162
第7章 物理嵌入方法對圖卷積神經(jīng)網(wǎng)絡(luò)的學習和預(yù)測性能增強 164
7.1 引言 164
7.2 基于物理嵌入耦合圖卷積神經(jīng)網(wǎng)絡(luò)的傳熱流動預(yù)測模型構(gòu)建方法 164
7.2.1 物理嵌入耦合圖卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測模型結(jié)構(gòu)設(shè)計 164
7.2.2 物理信息神經(jīng)網(wǎng)絡(luò) 166
7.3 案例分析 1——物理信息增強的圖神經(jīng)網(wǎng)絡(luò)穩(wěn)態(tài)熱傳導降階建模 166
7.3.1 案例說明 166
7.3.2 訓練數(shù)據(jù)與降階模型構(gòu)建 167
7.3.3 預(yù)測結(jié)果與分析 168
7.4 案例分析 2——物理信息增強的圖神經(jīng)網(wǎng)絡(luò)強迫對流降階建模 178
7.4.1 案例說明 178
7.4.2 訓練數(shù)據(jù)與降階模型構(gòu)建 178
7.4.3 預(yù)測結(jié)果與分析 180
7.5 案例分析 3——物理信息增強的圖神經(jīng)網(wǎng)絡(luò)自然對流降階建模 191
7.5.1 案例說明 191
7.5.2 訓練數(shù)據(jù)與降階模型構(gòu)建 191
7.5.3 預(yù)測結(jié)果與分析 192
7.5.4 對比純數(shù)據(jù)驅(qū)動降階模型 205
7.6 本章小結(jié) 207
參考文獻 208
第8章 循環(huán)神經(jīng)網(wǎng)絡(luò)耦合圖卷積神經(jīng)網(wǎng)絡(luò)的瞬態(tài)流動預(yù)測模型 209
8.1 引言 209
8.2 常見循環(huán)神經(jīng)網(wǎng)絡(luò)及應(yīng)用 210
8.2.1 RNN的基本原理 210
8.2.2 RNN的基本應(yīng)用 215
8.3 案例分析 1——循環(huán)神經(jīng)網(wǎng)絡(luò)耦合圖卷積網(wǎng)絡(luò)的圓柱繞流瞬態(tài)流動降階建模 216
8.3.1 案例說明 216
8.3.2 訓練數(shù)據(jù)集的生成和預(yù)處理 216
8.3.3 降階模型的構(gòu)建 219
8.3.4 預(yù)測結(jié)果與分析 222
8.3.5 SGCNN模型性能分析 228
8.4 案例分析 2——循環(huán)神經(jīng)網(wǎng)絡(luò)耦合圖卷積網(wǎng)絡(luò)的機翼繞流瞬態(tài)流動降階建模 229
8.4.1 案例說明 229
8.4.2 訓練數(shù)據(jù)集的生成和預(yù)處理 229
8.4.3 降階模型的構(gòu)建 230
8.4.4 預(yù)測結(jié)果與分析 233
8.5 本章小結(jié) 241
參考文獻 241