基于卷积神经网络的网格质量判别技术研究

发布时间：2021-10-16 01:35

　　随着计算机性能的不断提高,计算流体力学（CFD）在实际工程应用中发挥着越来越重要的作用。CFD网格质量决定着模拟仿真数据的准确性。因此网格质量检测过程就显得尤为重要,间接决定着后期计算工作的准确性。网格质量的判别检测过程始终摆脱不了人工参与,现阶段无法实现网格质量的自动判别,这也将制约下一阶段高质量CFD网格自动生成技术的发展。围绕网格质量自动判别技术,本文首先在研究网格质量判定标准和卷积神经网络技术的基础上,设计了基于卷积神经网络的CFD网格质量判别技术方案,确定了实现网格质量自动判别的流程。然后通过对卷积神经网络框架搭建技术的研究,确定了一套适合CFD网格数据训练识别优化策略。最后基于TensorFlow机器学习框架,采用Python编程语言开发了CFD网格质量自动判别程序,实现了二维翼型网格质量判别自动化。本文将卷积神经网络识别分类方法用于网格质量智能判别,研究开发出梯度网格数据自动生成程序以及网格质量特征提取工具,将原始网格数据制作成可以进行卷积神经网络模型训练的数据集,对构建的卷积神经网络模型进行训练,获得可对CFD网格质量进行判断识别的卷积神经网络模型。最终分析结果表明,该... 

【文章来源】：西南科技大学四川省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

网格类型(c)混合网格

以深度学习为代表的人工智能技术正在悄然地改变着世界，改变着人们的活动方式与认知方式。深度学习具有独特的多层结构算法，以各类数据集为最终训练数据，判别筛选数据集内数据特征，经过参数反复更新训练，最终获得了提取抽象概念的能力[12]。理论研究表明，具有多层隐节点的卷积神经网络模型，其设计包含由多层非线性算子构成的深度结构，可以在根据数据结构学习到表示高层次抽象特征，建立相应复杂函数。设计结构上的优越性，使得卷积神经网络分类和预测的准确性较高[13-14]。深度学习领域科研工作者受动物光学检测细胞工作机制启发，构建了深度学习卷积神经网络架构（CNN）。首先出现的是卷积神经网络的前期发展版本—神经认知机。到 1986 年提出误差反向传播算法，而后在多层神经网络中得到应用[15]，最后直到 1998年 LeCun 提出 LeNet-5 模型，其各层组成如图 1-4 所示，此时卷积神经网络的结构雏形基本完成。2006 年，著名卷积神经网络研究者 Hinton 在《科学》杂志上发表文章，卷积神经网络的研究热潮再度回归，并取得快速发展。Hinton 指出神经网络具有多隐层，因此其特征学习能力高于传统神经网络，并且可以通过各层重置使训练难度显著降低[16]。对于训练深度CNN的问题，人们设计提出了很多种训练方法，其中著名学者 Krizhevsky构建的经典 CNN 结构 AlexNet，并在图像识别任务上取得了重大突破[17]。

第一章 绪论在 2012 年的 ImageNet 大赛中获得令人瞩目的成绩使得深度学习得以爆炸式成长。CNN 在 ImageNet 竞赛中的优异表现直接奠定了它的重要地位，2013 年底颜水成老师提出了 NIN 结构[58]。随后据此 Google 提出了 GoogLeNet，并随后改进出 Inception V3和 V4，研发出 20 层的 VGG 模型。DeepFace、DeepID 模型的建立，使人脸识别、人脸认证的正确率得到突破性增长，有力的支持了人工智能在某些领域代替人类的工作的设想。基于以上卷积神经网络取得的突破性进展和耀眼成绩，许多公司开始将深度学习应用在他们的核心服务上，Facebook、Google、Amazon、Pinterest、Instagram 等等一系列国际知名公司将神经网络应用到自动标注算法、图片搜索、主页个性化信息流、产品推荐服务、图像搜索架构等各个领域。


本文编号：3438899