本发明涉及流体动力学分析，特别是涉及一种扑翼流场重构与性能预测方法、装置、设备及介质。
背景技术：
1、基于仿生学提出的振荡扑翼能够在一定的振荡模式下采集流场能量，实现从风能、水动能到电能的转化，为人类利用流体动能提供新思路。扑翼实现能量采集的过程中，会受到扑翼型线、振荡模式、运动学参数和排列方式等多种因素的影响，具有高度非线性、非定常和复杂的特点，而扑翼能量采集装置的设计、优化和控制需要对流场和性能有着准确和及时的反馈，这给扑翼流体动力学的研究方法带来了巨大的挑战。
2、传统的扑翼流体动力学的研究方法主要有数值模拟和实验测量两种。数值模拟方法可以提供流场的全局信息，但需要消耗大量的计算资源和时间；实验测量方法可以提供流场的局部信息，但需要复杂的实验设备和技术，且受到实验条件和测量精度等的限制。因此，传统的数值模拟和实验测量方法都无法满足扑翼流体动力学的高精度快速分析的需求。
3、为了实现扑翼流场的高效重构和准确的性能预测，现有的技术方案尝试使用降阶模型和代理模型来简化流场数据的处理和分析。降阶模型基于流场数据的统计特征，来降低流场数据的维度和复杂度，但稳定性和准确性受到流场数据的质量和样本数量的影响；代理模型基于流场数据的输入和输出，来构建流场数据与扑翼性能之间的映射关系，其缺乏泛化性和可解释性。
4、深度学习作为一种强大的数据驱动的方法，可以从大量的计算流体动力学数据中自动学习特征和规律，具有高效、准确和普适的优势。然而，扑翼的流场数据具有非欧几里得空间、复杂的拓扑结构、动态的时空关系等特殊性，传统的深度学习方法，如卷积神经网络(cnn)和循环神经网络(rnn)，主要针对欧几里得空间的数据，如图像和视频，无法适应扑翼流体动力学的分析。
技术实现思路
1、本发明提供了一种扑翼流场重构与性能预测方法、装置、设备及介质，解决了传统的神经网络无法适应扑翼流体动力学的分析的问题。
2、本发明提供一种扑翼流场重构与性能预测方法，包括以下步骤：
3、获取扑翼流场图结构数据，该数据包括节点特征矩阵、设计参数和邻接矩阵；
4、构建耦合模型，该模型包括基于图卷积网络的流场重构网络和基于transformer的性能预测网络；
5、将节点特征矩阵、设计参数和邻接矩阵输入至流场重构网络，得到边特征矩阵，根据边特征矩阵对扑翼流场进行重构；
6、将边特征矩阵和邻接矩阵输入至性能预测网络，得到重构后的扑翼流场的性能数据；根据性能数据对重构后的扑翼流场性能进行预测；
7、所述将边特征矩阵和邻接矩阵输入至性能预测网络，得到重构后的扑翼流场的性能数据，包括以下步骤：
8、基于转置层将重塑后的边特征矩阵进行转置；
9、基于展平层将转置后的边特征矩阵进行展平；
10、基于transformer编码器层将展平后的边特征矩阵中的全局时空特征进行提取；
11、基于选择层transformer编码器层的输出中选择第一行；
12、基于线性层将选择层的输出映射到性能数据的维度，得到性能数据。
13、优选的，通过计算机辅助设计软件建立基于型线参数的扑翼流动分析模型，自动生成结构化或非结构化网格，结合数值仿真软件脚本和用户自定义函数进行扑翼的参数化数值仿真，获取扑翼流场仿真数据，将仿真数据转化为图结构数据。
14、优选的，将节点特征矩阵、设计参数和邻接矩阵输入至流场重构网络，得到边特征矩阵，包括以下步骤：
15、基于融合层将节点特征矩阵和设计参数进行拼接，得到新节点特征矩阵；
16、基于表示层将邻接矩阵转换为边索引；
17、基于l层图卷积层将新节点特征矩阵和边索引进行卷积，得到边特征矩阵；
18、基于重塑层将边特征矩阵重塑为邻接矩阵相同的形状。
19、优选的，所述节点特征矩阵为x，形状为所述新节点特征矩阵为x′，形状为其中s是图的个数，m是每个图的节点数，2是网格节点坐标的维度、n是设计参数的维度；
20、所述邻接矩阵为a，边索引为e，形状为(2,s×m×m)；
21、所述l层图卷积层将节点特征的维度从输入维度fin映射到隐藏层维度fhid，从隐藏层维度fhid映射到输出维度fout，输出维度等于流场特征的维度；
22、通过下式计算边特征矩阵：
23、
24、
25、式中，表示第l层的边特征矩阵，h(l-1)表示第l-1层的节点特征矩阵，w(l)表示第l层的权重矩阵，b(l)表示第l层的偏置向量，h(l)表示第l层的节点特征矩阵，σ表示激活函数，g表示流场特征的维度，表示第l层的边特征矩阵的第k个通道，[e]表示按照边索引e进行索引操作；h(0)＝x′，x′表示新节点特征矩阵；
26、在第l-1层卷积层后使用relu激活函数，第l层图卷积层后无激活函数；
27、所述流场重构网络的输出为其中，θ1是网格参数。
28、优选的，转置后的边特征矩阵的形状为(s×g×m×m)；
29、展平后的边特征矩阵形状为(s×g×m2)；
30、所述transformer编码器层包括l个编码器子层，每个编码器子层均包括多头自注意力机制、前馈神经网络、残差连接和层归一化，所述多头自注意力机制使用邻接矩阵作为掩码矩阵，屏蔽无效的边，所述多头自注意力机制添加了中心性编码和空间编码，用于表征节点在图中的重要性和空间关系，所述transformer编码器层的输出形状为(s×g×m2)；
31、所述多头自注意力机制的输出如下所示：
32、
33、其中，
34、
35、
36、
37、
38、
39、式中，multihead(q(l),k(l),v(l))表示第l层的多头自注意力机制的输出，由h表示注意力头的数量，concat为拼接运算，headi为第i个注意力头的输出，表示第l层的输出的权重矩阵，attention(q,k,v)为注意力函数，bφ表示空间编码bφ，c表示边编码，q(l)、k(l)、v(l)表示第l层的查询矩阵、键矩阵、值矩阵，表示尺度因子，表示第l层的查询矩阵、键矩阵、值矩阵的权重矩阵，z(l-1)表示第l-1层的输出，softmax表示归一化函数；
40、所述中心编码基于节点的度来计算，用于捕捉节点在图中的影响力和关联性，表示如下：
41、
42、其中，表示第i个节点的初始嵌入，xi表示第i个节点的特征，zdeg-,zdeg+表示出度和入度的嵌入矩阵，vi表示第i个节点的出度和入度；
43、所述空间编码bφ＝φ(vi,vj)，其中φ(vi,vj)表示第i个节点和第j个节点之间的最短路径距离，如果两个节点不连通，则赋给其一个特殊值-1；
44、每个所述编码器子层均包括以下输出过程：
45、将第l-1层的输出z(l-1)和第l层的多头自注意力机制的输出进行相加，然后进行层归一化，得到第l层的第一个子模块的输出，如下式所示：
46、
47、式中，表示第l层的第一个子模块的输出，ln(l)表示层归一化；
48、第l层的第一个子模块的输出和第l层的前馈神经网络的输出ffn(z(l))进行相加，然后再进行层归一化ln(l)，得到第l层的第二个子模块的输出也就是第l层的最终输出z(l)；如下式所示：
49、
50、
51、式中，表示第l层的第二个子模块的输出，ffn(z(l))表示第l层的前馈神经网络的输出，z(l)表示第l层的最终输出；
52、所述性能预测网络的输出为其中，θ2是性能参数。
53、优选的，所述流场重构网络的损失函数为均方误差，所述性能预测网络的损失函数为相对误差，将均方误差和相对误差作为总损失函数，根据总损失函数对耦合模型的参数进行更新；
54、所述均方误差如下所示：
55、
56、式中，s是样本数量，是第i个样本的真实输出，是第i个样本的模型预测输出；
57、所述相对误差如下所示：
58、
59、式中，是第i个样本的真实输出，是第i个样本的模型预测输出；
60、所述总损失函数如下所示：
61、
62、式中，是总损失函数；
63、通过梯度下降算法对耦合模型的参数进行更新：
64、
65、式中，θ是模型的参数，α是学习率，是损失函数对参数的梯度，t是迭代次数，θ包括流场重构网络的网格参数θ1和性能预测网络的权重矩阵中心性编码的嵌入矩阵zdeg-,zdeg+，空间编码的标量矩阵bφ，以及线性层的权重矩阵。
66、优选的，通过adam算法对梯度下降算法的参数进行更新，具体更新公式如下：
67、
68、
69、
70、
71、
72、式中，mt+1和vt+1是在t+1步梯度的一阶和二阶矩的估计，mt和vt是在t步梯度的一阶和二阶矩的估计，β1和β2是衰减率，和是在t+1步偏差修正后的矩的估计，和是在t步偏差修正后的矩的估计，θt+1是在t步的模型参数，α是学习率，∈是一个很小的数，用于防止除以零。
73、一种扑翼流场重构与性能预测装置，包括：
74、数据获取模块，用于获取扑翼流场图结构数据，该数据包括节点特征矩阵、设计参数和邻接矩阵；
75、模型构建模块，用于构建耦合模型，该模型包括基于图卷积网络的流场重构网络和基于transformer的性能预测网络；
76、流场重构模块，用于将节点特征矩阵、设计参数和邻接矩阵输入至流场重构网络，得到边特征矩阵，根据边特征矩阵对扑翼流场进行重构；
77、性能预测模块，用于将边特征矩阵和邻接矩阵输入至性能预测网络，得到重构后的扑翼流场的性能数据；根据性能数据对重构后的扑翼流场性能进行预测；
78、所述性能预测模块包括：
79、转置模块，用于基于转置层将重塑后的边特征矩阵进行转置；
80、展平模块，用于基于展平层将转置后的边特征矩阵进行展平；
81、提取模块，用于基于transformer编码器层将展平后的边特征矩阵中的全局时空特征进行提取；
82、选择模块，用于基于选择层transformer编码器层的输出中选择第一行；
83、线性模块，用于基于线性层将选择层的输出映射到性能数据的维度，得到性能数据。
84、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的扑翼流场重构与性能预测方法。
85、一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的扑翼流场重构与性能预测方法。
86、与现有技术相比，本发明的有益效果是：
87、本发明耦合图卷积网络gcn和transformer模型，使得流场重构网络的输出能够直接作为性能预测网络的输入，两个网络之间交互地学习，从而实现了端到端的训练和推理，解决了准确重构和快速预测这两个关键问题，提高了扑翼流体动力学计算分析的效率。基于gcn的神经网络，从流场数据的节点特征矩阵和邻接矩阵中生成边特征矩阵，从而重构流场的物理量，可以有效地处理非欧几里得空间的数据、捕获流场数据的局部拓扑结构和层次结构，从而提高流场重构的精度。通过节点之间的信息传递，提高了对局部特征的理解能力，利用transformer提取流场数据的全局时空关系和动态注意力，在全局范围内动态地调整关注度，捕获不同时刻和空间位置的关系从而实现对流场数据的空间-谱域特征的综合表示，提高了性能预测的质量。本发明克服了传统卷积和循环网络的局限性，适用于不同长度和分辨率的流场数据。
1.一种扑翼流场重构与性能预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种扑翼流场重构与性能预测方法，其特征在于，通过计算机辅助设计软件建立基于型线参数的扑翼流动分析模型，自动生成结构化或非结构化网格，结合数值仿真软件脚本和用户自定义函数进行扑翼的参数化数值仿真，获取扑翼流场仿真数据，将仿真数据转化为图结构数据。
3.如权利要求1所述的一种扑翼流场重构与性能预测方法，其特征在于，将节点特征矩阵、设计参数和邻接矩阵输入至流场重构网络，得到边特征矩阵，包括以下步骤：
4.如权利要求3所述的一种扑翼流场重构与性能预测方法，其特征在于，所述节点特征矩阵为x，形状为所述新节点特征矩阵为x′，形状为其中s是图的个数，m是每个图的节点数，2是网格节点坐标的维度、n是设计参数的维度；
5.如权利要求4所述的一种扑翼流场重构与性能预测方法，其特征在于，转置后的边特征矩阵的形状为(s×g×m×m)；
6.如权利要求5所述的一种扑翼流场重构与性能预测方法，其特征在于，所述流场重构网络的损失函数为均方误差，所述性能预测网络的损失函数为相对误差，将均方误差和相对误差作为总损失函数，根据总损失函数对耦合模型的参数进行更新；
7.如权利要求6所述的一种扑翼流场重构与性能预测方法，其特征在于，通过adam算法对梯度下降算法的参数进行更新，具体更新公式如下：
8.一种扑翼流场重构与性能预测装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1-7任一所述的扑翼流场重构与性能预测方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述的扑翼流场重构与性能预测方法。
