神经网络结合CFD加速流体流动模拟
栏目:企业动态 发布时间:2020-11-07 08:21
关于欲望预测百般组件正在其运转历程中本能的运营商而言,高保线D工程仿真很有代价,但仿真对计较的央浼往往使得本钱过高。为了缓解本钱压力,各公司正正在测试将深度研习神经...

  关于欲望预测百般组件正在其运转历程中本能的运营商而言,高保线D工程仿真很有代价,但仿真对计较的央浼往往使得本钱过高。为了缓解本钱压力,各公司正正在测试将深度研习神经汇集(DNN)与计较流体动力学(CFD)相连结的潜能,以加快模仿经过。

  正在美邦石油工程师协会墨西哥湾沿岸分会(SPE Gulf Coast Section)CFD磋商小组闭于流体活动题目数字处置计划的研讨会上,壳牌公司CFD资深筑模工程师/磋商职员Kuochen Tsai概述了借助CFD模仿磨练DNN模子的兴盛经过,并外明该模子或许预测水准输油管道中的油水分散。应用该模子的主意是为运营商供给有用讯息,以便确定缓蚀剂的用量,由于倘使缓蚀剂操纵不妥,将对经济和情况变成巨大影响。

  Kuochen Tsai说,众相流的CFD数值模仿需求扶植正在专业学问根底之上,而且模仿计较正在用度上高贵,正在时分上往往或者花费数月才华杀青。操纵CFD仿真模仿或许获得更容易被回收的相干干系,但往往需求多量的自变量,而这种丰富性或者会给操作家变成穷苦。Tsai以为,“这种丰富性或者是压服性的,特别是关于你需求的变量而言。但倘使没有这些变量,该模子就不是很合用。”

  神经汇集以人脑为模子实行松散筑模,是一组旨正在识别数字形式的算法。正在机械感知中标帜或齐集原始输入,并通过机械感知来声明感官数据(sensory data)。与更常睹的单隐层神经汇集比拟,深度研习神经汇集(Deep-learning Neural Networks,DNN)正在众步调形式识别历程中需求更众的节点层来通报数据。

  机械研习,特别是DNN模子,平常可能供给一种体例的要领来优化高维插值,为归档丰富CFD结果供给了合理途径。Tsai以为,纵使关于2D数据,DNN模子也可能有用研习CFD模仿。

  Tsai以为,通过CFD仿真获取的多量数据关于数据研习至闭紧张,但毛病是运转这些遮盖参数空间的模仿(特天命学模子中包罗整个差异参数的整个或者值组合)需求多量计较时分。近来,DNN算法正在自愿修筑输入和输出数据之间的干系性方面获得了打破,准许以更高的精度和更短的时分扶植丰富的超维干系性。Tsai的申报聚焦怎么修筑DNN,并显现了所修筑的DNN可能庖代耗时的CFD模仿器。

  Tsai商议的CFD模子历时4年开辟,旨正在对水准管道中的油/水分散历程实行筑模,以预测碳钢管道皮相的水润湿概率,这关于确定管道的侵蚀状态至闭紧张。该模子仍然正在含水率、管道直径、流体黏度、皮相张力和夹杂物速率的限制内获得了平常验证。Tsai透露,通过对CFD模仿实行参数化,可能正在整个需要的参数空间里预先计较结果,并操纵这些结果来磨练DNN模子。“DNN模子是高效的”,Tsai说,“好处是参数空间界说得很好,均有各自显然对应的含水量、管道直径、管道长度、流速。”

  DNN模子用于预测溶液不再蜕变的稳态水/油界面分散。共操纵了42600个数据样本,这些数据样本被随机划分为一个包罗34060个样本的磨练集和一个包罗其余8520个样本的测试集。该模子的磨练时分为2.5s,而CFD模子的模仿时分为30min,猜度单个CPU内核耗时为4毫秒。Tsai说,神经汇集模子比CFD模子的本能进步了6个数目级。

  为验证模子的本能,扶植了一个包罗对应五个管道焦点区段的数据集(包罗1755个样本)。该模子操纵新数据集的输入来预测输出,并将这些预测与CFD模仿结果比较。Tsai商议了模子试验正在含水率和夹杂物速率两个参数空间的发端结果,结果说明,磨练后的模子具有较高精度,正在整个工况下的均方差均小于0.01。正在条记本电脑上,DNN模子预测五个焦点区段的总时分为15毫秒,而48核CFD仿线h。

  上图外明:与CFD模仿比拟,DNN模子的平方Pearson干系系数(SPCC,权衡两个变量之间的线透露一律正干系),从而说明DNN模子预测与CFD模仿结果之间有较完整的干系性。