申请/专利权人：中汽研汽车检验中心(广州)有限公司;中汽数据(天津)有限公司;中汽数据有限公司

申请日：2023-11-24

公开（公告）日：2024-04-09

公开（公告）号：CN117291109B

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0442;G06N3/045;G06F113/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2024.01.12#实质审查的生效;2023.12.26#公开

摘要：本发明涉及工业系统仿真领域，公开了一种Modelica流体模型智能预测方法。Modelica流体模型进行数值计算，得到数值求解结果，再将数值求解结果输入复合神经网络模型，复合神经网络模型包括GRU网络和PINN网络，其中述GRU网络的输入端为复合神经网络模型的输入端，GRU网络的输出端连接到PINN网络的输入端，PINN网络的输出端作为复合神经网络模型的输出端，根据复合神经网络模型的输出，获得预测结果，并保存复合神经网络模型输出的数据。解决了传统预测模型算效率相对低下、模型参数与设置僵化、计算精度低的问题。

主权项：1.一种Modelica流体模型智能预测方法，其特征在于，所述预测方法包括如下步骤：步骤S1：所述Modelica流体模型进行数值计算，得到数值求解结果；步骤S2：将所述数值求解结果输入复合神经网络模型，所述复合神经网络模型包括GRU网络和PINN网络，其中所述GRU网络的输入端为所述复合神经网络模型的输入端，所述GRU网络的输出端连接到所述PINN网络的输入端，所述PINN网络的输出端作为所述复合神经网络模型的输出端；所述PINN网络的损失项LPINN的计算公式如下：LPINN=Ldata+Lphy式中，Ldata表示PINN网络数据损失项，Lphy表示PINN网络物理损失项；所述PINN网络数据损失项Ldata的具体确定步骤包括：确定PINN网络的初始条件损失项，所述PINN网络的初始条件损失项的计算公式如下： 式中，Nm为初始样本数量，m为第m个初始样本点，Xinitm为第m个初始样本点坐标向量，包括第m个初始样本点在流场中的横坐标x、纵坐标y以及垂坐标z，Xinitm,0为第m个初始样本点在初始时刻的数据通过所述复合神经网络模型训练后得到的预测解，Xinitm,0为第m个初始样本点在初始时刻的样本数据，表示流场中第m个初始样本点（x,y,z）在初始时刻的横向速度、纵向速度、垂向速度、压力以及温度；确定PINN网络的边界条件损失项，所述PINN网络的边界条件损失项的计算公式如下： 式中，Nn为边界样本数量，n为第n个边界样本点，Xbn为第n个边界样本点坐标向量，包括第n个边界样本点在流场中的横坐标x、纵坐标y以及垂坐标z，Xbn,t为第n个边界样本点在t时刻的数据通过所述复合神经网络模型训练后得到的预测解，Xbn,0为第n个边界样本点在初始时刻的样本数据，表示流场中第n个边界样本点（x,y,z）在初始时刻的横向速度、纵向速度、垂向速度、压力以及温度；根据所述初始条件损失项和所述边界条件损失项确定所述PINN网络数据损失项Ldata：Ldata=λinit×Linit＋λb×Lboundary式中，λinit为所述PINN网络的初始条件损失项的惩罚系数，λb为所述PINN网络的边界条件损失项的惩罚系数；步骤S3：根据所述复合神经网络模型的输出，获得预测结果；步骤S4：将所述复合神经网络模型输出的数据进行保存。

全文数据：

权利要求：

百度查询： 中汽研汽车检验中心(广州)有限公司;中汽数据(天津)有限公司;中汽数据有限公司 一种Modelica流体模型智能预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD