數(shù)物驅(qū)動(dòng)熱流場(chǎng)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(dòng)降階模型的研究背景和意義 1
1.2 深度學(xué)習(xí) 3
1.2.1 簡(jiǎn)介 3
1.2.2 研究現(xiàn)狀 3
1.3 傳熱流動(dòng)降階模型國(guó)內(nèi)外研究現(xiàn)狀 6
1.3.1 傳統(tǒng)傳熱流動(dòng)降階模型 6
1.3.2 基于人工智能算法的傳熱流動(dòng)降階模型 9
1.4 本章小結(jié) 14
參考文獻(xiàn) 14
第2章 基礎(chǔ)理論 21
2.1 傳熱流動(dòng)的基礎(chǔ)理論 21
2.1.1 數(shù)值計(jì)算基礎(chǔ) 21
2.1.2 傳熱流動(dòng)物理模型 26
2.2 深度學(xué)習(xí)的基礎(chǔ)理論 28
2.2.1 深度學(xué)習(xí)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(xué)習(xí)優(yōu)化算法 41
2.2.4 深度學(xué)習(xí)模型評(píng)價(jià)準(zhǔn)則 42
2.3 本章小結(jié) 43
參考文獻(xiàn) 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(dòng)預(yù)測(cè)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(shuō)明 47
3.3.2 訓(xùn)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(xùn)練 51
3.3.4 預(yù)測(cè)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(chǎng)降階建模 64
3.4.1 案例說(shuō)明 64
3.4.2 訓(xùn)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(xùn)練 69
3.4.4 預(yù)測(cè)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(duì)比 80
3.5 本章小結(jié) 82
參考文獻(xiàn) 83
第4章 遷移方法對(duì)卷積神經(jīng)網(wǎng)絡(luò)的新任務(wù)學(xué)習(xí)和預(yù)測(cè)性能增強(qiáng) 84
4.1 引言 84
4.2 常見(jiàn)遷移學(xué)習(xí)及應(yīng)用 85
4.2.1 常見(jiàn)的遷移學(xué)習(xí) 85
4.2.2 遷移學(xué)習(xí)的應(yīng)用 88
4.3 案例分析——遷移學(xué)習(xí)增強(qiáng)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(shuō)明 88
4.3.2 訓(xùn)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(xùn)練 90
4.3.4 預(yù)測(cè)結(jié)果與分析 92
4.3.5 遷移學(xué)習(xí)與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的性能對(duì)比 95
4.4 本章小結(jié) 99
參考文獻(xiàn) 99
第5章 Transformer架構(gòu)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和預(yù)測(cè)性能增強(qiáng) 101
5.1 引言 101
5.2 常見(jiàn)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(jī)制增強(qiáng)的卷積神經(jīng)網(wǎng)絡(luò)翅片太陽(yáng)能集熱管傳熱降階建模 106
5.3.1 案例說(shuō)明 106
5.3.2 訓(xùn)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(xùn)練 108
5.3.4 預(yù)測(cè)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(duì)比 122
5.4 本章小結(jié) 123
參考文獻(xiàn) 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(dòng)預(yù)測(cè)模型 126
6.1 引言 126
6.2 常見(jiàn)圖神經(jīng)網(wǎng)絡(luò)及應(yīng)用 126
6.2.1 常見(jiàn)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(chǔ)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(cè)模型構(gòu)建方法 136
6.4.1 針對(duì)幾何自適應(yīng)問(wèn)題的基于卷積神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型結(jié)構(gòu)設(shè)計(jì) 136
6.4.2 模型性能評(píng)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(duì)流降階建模 139
6.5.1 案例說(shuō)明 139
6.5.2 訓(xùn)練數(shù)據(jù)集的生成和預(yù)處理 139
6.5.3 預(yù)測(cè)結(jié)果與分析 141
6.5.4 不同降階模型預(yù)測(cè)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(dòng)降階建模 148
6.6.1 案例說(shuō)明 148
6.6.2 訓(xùn)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(cè)結(jié)果與分析 151
6.7 本章小結(jié) 162
參考文獻(xiàn) 162
第7章 物理嵌入方法對(duì)圖卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和預(yù)測(cè)性能增強(qiáng) 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(dòng)預(yù)測(cè)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(cè)模型結(jié)構(gòu)設(shè)計(jì) 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(qiáng)的圖神經(jīng)網(wǎng)絡(luò)穩(wěn)態(tài)熱傳導(dǎo)降階建模 166
7.3.1 案例說(shuō)明 166
7.3.2 訓(xùn)練數(shù)據(jù)與降階模型構(gòu)建 167
7.3.3 預(yù)測(cè)結(jié)果與分析 168
7.4 案例分析 2——物理信息增強(qiáng)的圖神經(jīng)網(wǎng)絡(luò)強(qiáng)迫對(duì)流降階建模 178
7.4.1 案例說(shuō)明 178
7.4.2 訓(xùn)練數(shù)據(jù)與降階模型構(gòu)建 178
7.4.3 預(yù)測(cè)結(jié)果與分析 180
7.5 案例分析 3——物理信息增強(qiáng)的圖神經(jīng)網(wǎng)絡(luò)自然對(duì)流降階建模 191
7.5.1 案例說(shuō)明 191
7.5.2 訓(xùn)練數(shù)據(jù)與降階模型構(gòu)建 191
7.5.3 預(yù)測(cè)結(jié)果與分析 192
7.5.4 對(duì)比純數(shù)據(jù)驅(qū)動(dòng)降階模型 205
7.6 本章小結(jié) 207
參考文獻(xiàn) 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(dòng)預(yù)測(cè)模型 209
8.1 引言 209
8.2 常見(jiàn)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(dòng)降階建模 216
8.3.1 案例說(shuō)明 216
8.3.2 訓(xùn)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(cè)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(jī)翼繞流瞬態(tài)流動(dòng)降階建模 229
8.4.1 案例說(shuō)明 229
8.4.2 訓(xùn)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(cè)結(jié)果與分析 233
8.5 本章小結(jié) 241
參考文獻(xiàn) 241