(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111254192.5 (22)申请日 2021.10.27 (71)申请人 西南科技大 学 地址 621010 四川省绵阳市涪城区青龙 大 道中段59号 (72)发明人 鲁鹏　王年华　张红英　林椅　 张晓蓉　常兴华　张来平　 (51)Int.Cl. G06F 30/28(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 30/15(2020.01) G06F 30/17(2020.01) G06T 17/20(2006.01) G06F 111/10(2020.01) G06F 113/08(2020.01)G06F 119/14(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于人工神经网络的非结构混合网格生成 方法 (57)摘要 本发明公开了一种基于人工神经网络的非 结构混合网格生成方法， 包括： S1.神经网络结构 设计， 确定网络模型； S2.神经网络训练样本的提 取与预处理， 从传统方法生 成的边界层网格中自 动提取神经网络的训练数据， 并对 数据进行归一 化预处理； S3.神经网络的训练， 设置训练参数并 得到能够预测层推进过程中关键参数的神经网 络模型； S4.神经网络模型测试， 优化在凹凸 区域 的生成； S5.网格数据结构设计与更新， 优化网格 生成过程。 本方法采用人工神经网络的方法， 结 合经典的层推进法以及阵面推进法的思想， 生成 各向同性和各向异性的混合网格模拟粘性流动。 网格生成实例测试的结果表明， 本方法切实可 行， 能有效提高混合网格生成的适应性、 网格生 成效率以及网格质量。 权利要求书2页 说明书6页 附图7页 CN 113901742 A 2022.01.07 CN 113901742 A 1.一种基于人工神经网络的非结构混合网格生成方法， 其特 征在于： 包括 步骤： S1.结合传统方法确定神经网络的输入节点和输出节点， 并通过经验公式确定隐藏层 节点个数； S2. 从传统方法生成的边界层网格 中自动提取神经网络的训练数据， 并对数据进行归 一化预处理； S3. 设置训练参数并得到能够预测层推进过程中关键参数的神经网络模型； S4.测试神经网络模型的输出 结果， 优化推进步长生成高质量的网格； S5. 构建两个数据结构方便索引， 改进传统阵面堆栈设计， 优化网格生成过程避免网 格生成不均匀。 2.权利要求1所述的一种基于人工神经网络的非结构混合网格生成方法， 其特征在于： 步骤S1所述的神经网络结构设计的过程包括： S101.根据传统方法理论， 确定影响推进点方向的点为推进点左右各两点， 故确定输入 节点数为10； S102.传统层推进法需要确定推进方向和步长两个参数， 由于训练样本中包含步长信 息， 故只需要预测推进方向的坐标值和角度， 即输出节点 为3； S103.利用经验公式确定隐藏层节点个数。 3.根据权利要求1所述的一种基于人工神经网络的非结构混合网格生成方法， 其特征 在于： 步骤S2所述的训练数据的提取和预处 理过程包括： S201.训练样本的自动提取： S202.训练样本的预处理： 为了消除数据特征之间的量纲影响， 采用旋转、 平移、 缩放的 归一化操作对数据进行处 理。 4.根据权利要求1所述的一种基于人工神经网络的非结构混合网格生成方法， 其特征 在于： 步骤S3所述的训练参数设置的过程包括： S301. 将神经元间连接的权系数设为 ‑1~1之间的随机数。 为了提高学习效率， 刚开始 训练时， 学习速率较高， 随着l oss值的下降， 逐步降低学习速率， 以免输出将振荡。 S302. 输出向量 Y包含预测的前进方向和角度， 训练数据标签 （样本的期望输出值） 为 T， 神经网络的损失函数定义如下：权　利　要　求　书 1/2 页 2 CN 113901742 A 2（1） S303. 如果 ， 神经网络输出收敛， 训练完成， 保存神经网络模型以便网 格生成时所用。 否则， 还需采用优化算法 （常用梯度下降法） 逐层 优化神经元的权系数， 如公 式(2)所示：                                  （2） S304. 为了提高神经网络的非线性拟合能力， 输出层加入了激活函数， 不然多层神经 网络的输出仍然只是一个线性组合。 这里使用Tanh函数作为输出层神经元激活函数， 定义 如下：                      （3） 。 5.根据权利要求1所述的一种基于人工神经网络的非结构混合网格生成方法， 其特征 在于： 步骤S4所述的神经网络模型测试包括： S401.将S2提取并处理的数据放入到S3设置好的训练模型当中， 最终得到训练好的模 型； S402.对比观察常见情况下神经网络的实际输出， 判断此时是否有多方向生长以及是 否处于凸角较大的地方， 根据不同的情况进行网格生成策略。 6.根据权利要求1所述的一种基于人工神经网络的非结构混合网格生成方法， 其特征 在于： 步骤S5所述的网格数据结构设计与更新的过程包括： S501.构建基础数据结构边到点 （face_to_node） 以及 边到单元 （face_to_cell） 两个目 录索引； face_to_node保存了某一条边由哪两个点组成， 随着新边不断生 成， 需要向这个目 录中不断添加新点； face_to_cell与face_to_node相对应， 记录了每一条边左边单元号与 右边单元号； S502.在传统的阵面堆栈设计上进行改进， 增添了初始物面中相应阵面长度以及物面 相邻阵面长度， 这些信息将会随着层推进而不断地向下层传递， 用作判断网格停止推进的 另一个条件， 以免造成弧度较缓的凸区域网格难以达到停止阈值而不断推进， 造成网格不 均匀的现象发生。权　利　要　求　书 2/2 页 3 CN 113901742 A 3