一种基于深度学习的网格面质量检测方法

    公开(公告)号:CN112307673A

    公开(公告)日:2021-02-02

    申请号:CN202011205869.1

    申请日:2020-11-02

    Abstract: 本发明公开了一种基于深度学习的网格面质量检测方法,包括:S1.构建网格面数据集,并将建立的网格面数据集分为训练数据集和测试数据集;S2.标记训练数据,并标记网格面的质量好坏;S3.构建网格面质量检测网络并进行检测,得到训练好的网格面质量检测网络E’;S4.判别网格面质量,输出对网格面的质量判别;本方法在网格面质量检测的过程中,引入深度学习算法,能够自动高效和精准的进行多层次特征提取,有效克服了以往依赖复杂人工操作判断网格质量的缺点,且检测过程中能够根据给出的网格面离散坐标值预测出网格质量的好与坏,不依赖复杂的人工操作进行判断,经实验证明可达到97%的预测精度,具有自动化程度、检测精度高的特点。

    一种新型结构网格生成方法

    公开(公告)号:CN109461209A

    公开(公告)日:2019-03-12

    申请号:CN201811181201.0

    申请日:2018-10-11

    Abstract: 本发明提供了一种新型结构网格生成方法,本发明以已有的Delaunay三角化技术为基础来生成结构网格。首先,读入模型数据,取得计算区域的离散点集和边界信息;其次,对计算区域进行Delaunay三角剖分;然后,利用三角网格生成过渡网格:优化的Voronoi图;最后判断过渡网格单元类型,采用中心圆方法对网格单元进行剖分,生成结构化网格。本发明可以实现复杂区域的结构网格自动生成,并且拥有较高的计算精度,与传统方法相比减少了对人的依赖。Delauny三角化技术是一种比较成熟的非结构网格剖分技术,针对复杂区域能实现高效、快速的生成自适应和局部加密的高质量网格。本方法采用了三角化网格作为背景网格,因此也能够实现网格的自适应和局部加密。

Patent Agency Ranking