-
公开(公告)号：CN119167804A
公开(公告)日：2024-12-20
申请号：CN202411687292.0
申请日：2024-11-25
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/27 , G06N3/0475 , G06N3/094 , G06N3/088 , G06N3/096 , G06F111/04
Abstract: 本申请公开了基于物理约束双判别器GAN的多变量流场关联分析方法、装置、设备及存储介质，涉及数据分析技术领域，包括：构建物理约束双判别器GAN模型以生成目标流场变量的特征编码变量；第一目标损失函数为基于目标流场变量的物理特征构建的损失函数；流场数据判别器包括流场数据空间判别器和流场数据时间判别器；通过降维可视化空间投影方法将特征编码变量降维以得到流场变量分布图并基于流场变量分布图中各变量之间的相互关系构建目标多变量关联图；利用物理约束双判别器GAN模型和目标多变量关联图中目标变量对之间的物理特征关系进行目标变量对之间的变量转换。这样一来，可以实现流场变量间的自动转换，全面探索数据间的关联性。
-
公开(公告)号：CN118657808B
公开(公告)日：2024-10-18
申请号：CN202411140175.2
申请日：2024-08-20
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F7/00
Abstract: 本申请公开了基于物理信息融合的流场特征提取跟踪方法、装置、设备，涉及流场处理技术领域，包括：获取三维时序流场的各时间步下的流场数据；识别各时间步下流场数据中属于涡区域的数据点，基于数据点对各时间步下的流场区域进行空间联通区域分割，得到单时间步下的涡区域；计算各涡区域的各数据点对应涡旋强度、涡度值、局部剪切率，得到各涡区域的物理属性信息；基于物理属性信息分别构建涡区域的属性矩阵，利用预设主成分分析法对各属性矩阵进行矩阵提取，得到各涡区域的目标属性矩阵；根据相邻时间步下目标属性矩阵之间的相似度计算结果构建特征相似度矩阵，遍历特征相似度矩阵，判断三维时序流场在不同时间步下所属的目标流场事件类型。
-
公开(公告)号：CN116996359B
公开(公告)日：2023-12-12
申请号：CN202311248286.0
申请日：2023-09-26
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: H04L41/04 , H04L41/12 , H04L49/25 , H04L49/356
Abstract: 本发明涉及超级计算机技术领域，公开了一种超级计算机的网络拓扑构建方法及装置，该方法，将计算结点划分成组、将I/O转发结点分组放置，并改变I/O转发方式，使得计算结点只能共享使用本组内的I/O转发结点。本发明解决了现有技术存在的以下问题：在二维网络中产生大量聚集的通信数据包，造成通信阻塞，严重影响了互连通信系统的运行稳定性，并影响了I/O效率等。
-
公开(公告)号：CN116246039B
公开(公告)日：2023-07-14
申请号：CN202310534154.8
申请日：2023-05-12
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
Abstract: 本发明公开了一种基于深度学习的三维流场网格分类分割方法，所述方法包括如下步骤：S1：三维网格模型数据预处理；以三维网格模型数据中局部曲面作为基本处理单元，数据预处理为将局部曲面的特征分为三维的空间特征和十六维的结构特征；S2：三维网格分类模型构建；融合生成对抗网络和协同注意力网络完成三维网格分类模型构建；S3：模型训练；引入三元组损失和DCCA损失对步骤S2获得的三维网格分类模型构建的子空间特征分布进行语义对齐，使得模型构建的子空间中语义相关的特征数据对所对应的语义分布距离靠近，同时使语义不相关的特征数据对所对应的分布距离远离；S4：基于步骤S3训练完成的模型完成三维流场网格分类分割。
-
公开(公告)号：CN111414720B
公开(公告)日：2023-01-20
申请号：CN202010097688.5
申请日：2020-02-17
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/28 , G06T3/60 , G06N3/04 , G06N3/08 , G06F113/08
Abstract: 本发明一种基于神经网络的流场旋涡检测方法，先对流场内所有物理网格点打标签，标记其是否属于旋涡区域，得到标签数据，对涡量场进行网格转换，将物理网格中的网格点一一映射到计算网格的网格点，抛弃物理坐标信息，得到计算网格下的涡量场。根据计算网格下的的涡量场，将每个网格上的涡量值减去涡量场的均值后除以标准差，得到归一化后的涡量场；对得到的归一化后的涡量场和标签数据同时随机采样，采样后对区域内的网格点对应的标签进行判断，构建神经网络，使用随机采样得到的带标签局部涡量场数据训练该神经网络，固定神经网络参数，得到固定参数的神经网络；利用第五步得到的固定参数的神经网络，对待检测涡区的流场进行涡区检测。
-
Patent Agency Ranking
公开(公告)号：CN113381940B
公开(公告)日：2022-12-27
申请号：CN202110448696.4
申请日：2021-04-25
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
Abstract: 本申请公开了一种二维胖树网络拓扑的设计方法及装置，该方法包括：分别计算预设的初始二维胖树网络中的行数、列数和I/O转发结点的第一数目；根据所述行数、所述列数以及第一数目将所述初始二维胖树网络中的I/O转发结点均匀分配到所述初始二维胖树网络的每一行或每一列得到新的二维胖树网络；设置所述新的二维胖树网络中任一行的I/O转发结点仅服务所述任一行的计算结点，或任一列的I/O转发结点仅服务所述任一列的计算结点。本申请解决了现有技术中部分I/O转发结点的I/O效率较低以及影响大规模并行程序的整体性能的技术问题。
-
公开(公告)号：CN111651930B
公开(公告)日：2022-10-18
申请号：CN202010376762.7
申请日：2020-05-07
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
Abstract: 本发明提供了一种基于极限学习机的流场涡区域检测方法，包括：步骤1、根据流场数据的速度场和物理坐标计算涡量场，对流场内所有物理网格点进行旋涡区域标记，得到标签数据；步骤2、对涡量场进行网格转换，得到计算网格下的涡量场；步骤3、对计算网格下的涡量场进行归一化操作；步骤4、对归一化后的涡量场和标签数据采样得到采样数据；步骤5、构建极限学习机网络模型，利用采样数据对该模型进行训练，得到流场涡检测网络模型；步骤6、对待测流场采样，将采样数据输入网络模型进行涡区域检测，输出检测结果。本发明采用逐块判断减少了数据重复计算，减少了单个流场的检测时间，同时减少了神经网络中的参数量，使得网络的训练时间变快。
-
公开(公告)号：CN111814246B
公开(公告)日：2022-09-27
申请号：CN202010530568.X
申请日：2020-06-11
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/15 , G06F30/27 , G06F30/28 , G06F113/08 , G06F119/14
Abstract: 一种基于生成对抗网络的翼型反设计方法，包括步骤如下：步骤1：构建翼型‑气动曲线数据库；步骤2：设计从压力系数曲线坐标到翼型坐标的生成对抗网络；步骤3：将步骤1中得到的N组数据对送入步骤2中设计的生成对抗网络中，并采用迭代训练的方式迭代优化生成器和判别器，达到纳什均衡后，保留生成器Gtrain，丢弃判别器；步骤4：将测试气动曲线送入步骤3中训练得到的生成器Gtrain中，得到预测的翼型以及对应的马赫数、雷诺数和攻角；步骤5：对步骤4中得到的翼型坐标进行曲线平滑，得到光滑的翼型表面。本发明通过压力系数曲线直接推导出翼型形状，同时推导出当前压力系数曲线对应的马赫数、雷诺数及攻角，更高效，更精确。
-
公开(公告)号：CN114968235A
公开(公告)日：2022-08-30
申请号：CN202210530372.X
申请日：2022-05-16
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F8/38 , G06F8/41 , G06F16/958
Abstract: 本发明适用于软件研发技术领域，提供了一种页面表单生成方法、装置、计算机设备及存储介质，方法包括：S1、获取用户自定义的页面表单生成指令；S2、解析所述页面表单生成指令，得到指令解析结果，所述指令解析结果包括待生成页面表单的自定义配置信息；S3、基于所述待生成页面表单的自定义配置信息生成页面表单数据结构并存储所述待生成页面表单的自定义配置信息，所述页面表单数据结构包括树形表单数据结构；S4、基于存储的所述树形表单数据结构进行页面表单渲染，得到自定义的页面表单。本发明便于用户在无前端开发能力的情况下，自定义生成逻辑复杂的嵌套页面表单，满足了用户灵活多样的、复杂的业务场景的需求。
-
公开(公告)号：CN111625901B
公开(公告)日：2022-05-31
申请号：CN202010376465.2
申请日：2020-05-07
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/15 , G06F30/27 , G06N3/08 , G06F113/08 , G06F119/14
Abstract: 本发明提供了一种面向翼型的压力系数曲线智能生成方法，包括以下步骤：步骤1、根据已有翼型库进行数据扩充得到翼型数据库，包含每个翼型对应的翼型坐标；步骤2、对每个翼型采用不同的来流条件组合计算对应的压力系数曲线，构建若干包含该翼型的翼型坐标、来流条件组合及来流条件组合对应的压力系数曲线坐标的数据对。步骤3、构建生成对抗网络模型；步骤4、利用每个翼型的所有数据对生成对抗网络进行训练得到生成网络模型；步骤5、将翼型、来流条件输入生成网络模型，输出该翼型的压力系数曲线。采用该方法无需迭代训练，大大减少计算量，较传统CFD方法速度更快，可以达到10‑100倍的加速比。
-
-
-
-
-
-
-
-
-
Search Results
47
records
(took 0.05 seconds)
