基于卷积神经网络的烟雾模拟精度提升的方法研究

发布时间：2021-05-09 17:01

　　流体模拟技术一直是仿真领域的研究热点,经过三十多年的研究与发展,理论基础与研究方法已经较为系统,可分为非物理模拟、物理模拟。现有的流体技术,已经可以在应用中模拟出视觉效果真实自然、细节丰富细腻的流体,这其中物理模拟功不可没。但物理模拟非常耗时,因而出现了针对物理模拟的加速技术或细节增强技术,当前这些技术仍存在对流体契合度低、耗时长或占用存储空间大等问题,所以流体解算在实时领域至今无法突破。为避免这些问题,结合卷积网络适应多维结构样本、拟合能力强的特点,本文提出了利用卷积神经网络直接将低分辨率流体转化为高分辨率流体的研究思路,并就此提出了一种新型的卷积神经网络转化器,该转化器完全以局部连接层组成,使其可以高效地学习小型训练集数据,以当前帧的二维低分辨率流体的速度场和密度场为输入,以二维高分辨率流体密度场为输出。为训练该转化器,本文生成了一个二维烟雾流体的数据集,该数据集仅拥有800个高低精度烟雾的对比样本。此外,本文提出了三种适用于流体密度场误差计算的代价函数,分别用于调整转化器结构、改进转化效果。经训练,转化器生成的高精度烟雾可达到逼真的视觉效果。 

【文章来源】：苏州大学江苏省

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 引言
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 神经网络相关研究的发展与现状
        1.2.2 流体模拟增强技术的研究现状
    1.3 研究内容
    1.4 论文结构
第二章 卷积神经网络与流体模拟技术概述
    2.1 卷积神经网络原理
        2.1.1 线性可分问题
        2.1.2 多层神经网络
        2.1.3 卷积神经网络
    2.2 流体模拟技术介绍
        2.2.1 流体模拟技术的发展
        2.2.2 网格方法简介
第三章 CNN转化器的定义与结构设计
    3.1 本文所研究问题的定义
    3.2 训练数据生成
        3.2.1 数据的生成设置
        3.2.2 数据的存储和划分
    3.3 CNN转化器的结构设计
        3.3.1 不同类型网络层的功能分析
        3.3.2 常见激活函数的比较分析
        3.3.3 数据的自学习预处理
        3.3.4 网络主体的结构设计
第四章 CNN转化器的结构调整与训练
    4.1 模型结构调整过程
        4.1.1 常见代价函数的比较分析
        4.1.2 模型的代价函数设计
        4.1.3 基于loss值的模型结构调整
    4.2 模型的实现效果及代价函数的改进
        4.2.1 模型的实现效果
        4.2.2 边缘加强方法
        4.2.3 边缘与梯度加强方法
    4.3 其他问题说明
        4.3.1 过拟合问题说明
        4.3.2 模型运行速度
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读学位期间公开发表的论文
致谢


【参考文献】：
期刊论文
[1]基于Narrow20Band20FLIP方法的流体模拟[J]. 邹长军,尹勇.  计算机辅助设计与图形学学报. 2018(04)
[2]流体模拟动画技术新进展[J]. 朱真,廖惟博,王章野.  计算机工程与应用. 2016(04)
[3]深度学习研究综述[J]. 尹宝才,王文通,王立春.  北京工业大学学报. 2015(01)
[4]基于物理的流体动画综述[J]. 谭捷,杨旭波.  中国科学（F辑:信息科学）. 2009(05)

硕士论文
[1]关于流体模拟细节增强技术的研究[D]. 崔楠.长安大学 2015
[2]基于GPU的三维烟雾模拟加速技术研究[D]. 姚迪.长安大学 2014



本文编号：3177684