(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111201990.1 (22)申请日 2021.10.15 (65)同一申请的已公布的文献号 申请公布号 CN 113935258 A (43)申请公布日 2022.01.14 (73)专利权人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 向辉　郑筠陶　 (74)专利代理 机构 北京英赛 嘉华知识产权代理 有限责任公司 1 1204 专利代理师 王达佐　马晓亚 (51)Int.Cl. G06F 30/28(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 113/08(2020.01) G06F 119/14(2020.01)(56)对比文件 US 2010017351 A1,2010.01.21 CN 106228245 A,2016.12.14 US 2020326718 A1,2020.10.15 CN 110198244 A,2019.09.0 3 CN 113283186 A,2021.08.20 CN 112733449 A,2021.04.3 0 王泽隆等.基 于仿真SAR图像深度迁移学习 的自动目标识别. 《中国科 学院大学学报》 .2020, (第04期), RICHARD B等.Devel opment and Validation of a Computati onal Fluid Dynamics Methodo logy for Simulati on of Pulsatile Left Ventricular As sist Devices. 《PULSATI LE LVAD SIMULATION》 .2017, (续) 审查员 王璇 (54)发明名称 计算流体动力学加速方法、 装置、 设备以及 存储介质 (57)摘要 本公开提供了一种计算流体动力学加速方 法、 装置、 设备、 存储介质以及程序产品， 涉及人 工智能领域， 具体涉及深度学习技术。 变分贝 叶 斯神经网络训练方法的实施方式包括： 将计算流 体动力学CFD的偏微分方程在t时刻的真实解输 入至变分贝 叶斯神经网络， 得到在t时刻的插值 系数向量； 基于在t时刻的插值系数向量计算在t 时刻的k阶偏导数； 基于在t时刻的k阶偏导数求 解CFD的偏微 分方程在t+Δt时刻的预测解； 基于 在t+Δt时刻的预测解和在t+Δt时刻的真实解 计算损失； 基于损失调整变分贝叶斯神经网络的 参数。 该实施方式训练出变分贝叶斯神经网络能 够用于学习CFD计算中的插值系数向量， 并且基于先验知识减少需要的高精度训练集， 从而达到 小数据量下加速 CFD计算的效果。 [转续页] 权利要求书3页 说明书11页 附图6页 CN 113935258 B 2022.05.20 CN 113935258 B (56)对比文件 Jin-Hai Zhang等.Optimized expl icit finite-difference sc hemes for spatial derivatives usi ng maximum n orm. 《Journal of Computati onal Physics》 .2013, 赖颢升等.虚拟手术 流血模拟的GPU加速实 现. 《中国图象图形 学报》 .2014,(第10期),周淑娟.遗传算法与人工神经网络在流体 机 械研究领域中的应用. 《廊坊师 范学院学报(自然 科学版)》 .201 1,(第02期), 吴杰长等.水力测功器模拟螺 旋桨高海情 负 载的神经网络预测控制仿真研究. 《海 军工程大 学学报》 .20 07,(第05期),2/2 页 2[接上页] CN 113935258 B1.一种变分贝叶斯神经网络训练方法， 包括： 将计算流体动力学CFD的偏微分方程在t时刻的真实解输入至变分贝叶斯神经网络， 得 到在t时刻的插值系数向量； 基于在t时刻的插值系数向量计算在t时刻的k阶偏导数； 基于在t时刻的k阶偏导数求 解所述CFD的偏微分方程在t+ △t时刻的预测解； 基于在t+ △t时刻的预测解和在t+ △t时刻的真实解计算损失； 基于所述损失调整所述变分贝叶斯神经网络的参数； 所述基于在t时刻的插值系数向量计算在t时刻的k阶偏导数， 包括： 将在t时刻的真实解和在t时刻的插值系数向量， 按公式 计算在t时刻的空间导数， 是u(xn)对x的k阶偏导数， CFD的偏微分方程是任意函数u， u(xn)和u(xn‑m)是CFD的偏微分方程的解， x是一维 向量空间上的点， xn是一维向量空间上的 第n个点， xn‑m一维向量空间上的第n ‑m个点， 是插值系数向量， n、 m和k是正整数； 将在t时刻的空间导数代入公式 得到在 t时刻的通量， f(xn)是通量， 是u(xn)对x的一阶偏导数， 是u(xn)对x的二阶偏 导数； 将在t时刻的通量按公式 计算在t时刻的时间导数， 是u(xn)对t的偏导数， t是时间点， 和 是通量。 2.根据权利要求1所述的方法， 其中， 所述方法还 包括： 将在t+△t时刻的真实解输入至所述变分贝叶斯神经网络， 继续对所述变分贝叶斯神 经网络进行训练。 3.一种计算 流体动力学加速方法， 包括： 利用变分贝叶斯神经网络学习在当前时刻的插值系数向量， 其中， 所述变分贝叶斯神 经网络是采用权利要求1 ‑2中任一项所述的方法训练得到的； 基于在当前时刻的插值系数向量计算在当前时刻的k阶偏导数； 基于在当前时刻的k阶偏导数求 解计算流体动力学CFD的偏微分方程。 4.根据权利  要求3所述的方法， 其中， 所述利用变分贝叶斯神经网络学习在当前时刻 的插值系数向量， 包括： 将在当前时刻的解输入至所述变分贝叶斯神经网络， 拟合得到在 当前时刻的插值系数 向量。 5.根据权利要求3或4所述的方法， 其中， 所述基于在 当前时刻的k阶偏导数求解计算流 体动力学CFD的偏微分方程， 包括： 重复N次迭代以下步骤： 利用所述变分贝叶斯神经网络学习在当前时刻的插值系数向 量； 基于在当前时刻的插值系 数向量计算在当前时刻的空间导数； 将所述当前时刻的空间权　利　要　求　书 1/3 页 2 CN 113935258 B 3