【摘 要】
:
随着计算机性能的不断提升,计算流体力学(Computational Fluid Dynamics,CFD)领域的学者们可以使用越来越复杂的模型来模拟流体的流动问题,数值模拟的精度因此得到很大的提高。但同时,数值模拟计算的规模也在不断扩大。这对于需要先将结果数据保存在硬盘中再读取出来进行可视化的传统后处理方式来说,是很难克服的I/O瓶颈。在大规模高性能计算中,超级计算机虽然可以快速地产生和处理大量的
【基金项目】
:
国家重点研发计划“高性能计算应用软件协同开发工具与环境研究”的课题一“大规模并行应用软件协同开发与运行支撑环境”,项目编号 2017YFB0202201;
论文部分内容阅读
随着计算机性能的不断提升,计算流体力学(Computational Fluid Dynamics,CFD)领域的学者们可以使用越来越复杂的模型来模拟流体的流动问题,数值模拟的精度因此得到很大的提高。但同时,数值模拟计算的规模也在不断扩大。这对于需要先将结果数据保存在硬盘中再读取出来进行可视化的传统后处理方式来说,是很难克服的I/O瓶颈。在大规模高性能计算中,超级计算机虽然可以快速地产生和处理大量的流场数据,但数据存储开销大和I/O时间长等问题严重制约着流场可视化的效率。原位可视化技术的提出大大缓解了这个I/O瓶颈。学者们可以使用同一计算节点上的计算资源运行数值模拟和可视化的代码,在模拟程序运行的同时对产生的数据进行可视化,避免了对硬盘的I/O操作。在CFD领域,作为大规模流场可视化的可行方法之一,流场原位可视化受到了越来越多的重视。然而,随着流场数据的日益增长,流场原位可视化与数值模拟之间的资源竞争越发激烈。在有限资源的前提下,如何高效挖掘流场关键数据是流场原位可视化面临的巨大挑战。在过去几年中,深度学习在CFD领域取得了巨大成功,展示出了在处理流场数据方面的潜力,给解决流场原位可视化面临的问题带来了机遇。因此,基于深度学习技术,本文针对流场原位可视化过程中涉及到的关键技术问题展开深入研究,所完成的主要工作和创新成果有:1)提出了一种基于深度度量学习的流场关键时间步选择方法。流场关键时间步的选择是对流场数据在时间上采样的一种常用方法,能够减少对系统资源的频繁占用。针对如何准确找到含有关键信息的时间步的问题,本文将深度度量学习引入流场关键时间步的选择中,提出了一种基于深度度量学习的流场关键时间步选择方法。在该方法中,本文设计了一个用于相似度学习的神经网络,在利用卷积神经网络对流场数据特征进行充分挖掘后,使用度量学习准确获取时间步之间的相似度。在此基础上,本文提出了一个基于时间间隔的关键时间步选择算法,能够对时间步之间的相似度进行分析,并选择出关键的时间步。与现有常用的局部方法相比,该方法在精确率、准确率和召回率等方面均具有优势。2)提出了一种基于生成对抗网络的流场数据原位压缩方法。原位数据压缩是减轻原位可视化松耦合模式中网络传输压力的一种有效的方法。针对已有流场数据压缩方法不够高效的问题,本文将生成对抗网络引入流场数据压缩中,提出了一种基于生成对抗网络的流场数据原位压缩方法。在该方法中,本文设计了一个用于数据压缩和重建的神经网络。与现有的流场数据有损压缩方法相比,该方法在压缩时间上具有优势,并能根据可接受的重建效果来调整压缩比。3)提出了一种基于卷积神经网络的激波特征探测方法。对激波特征进行探测,定位其在流场中的位置,是流场特征提取的关键,也是比较耗时的部分。针对已有激波探测方法的缺陷,本文提出了一种基于卷积神经网络的激波特征探测方法。在该方法中,本文结合激波的物理特性,设计了一种适合于激波探测的损失函数。在此基础上,本文设计了一个用于激波探测的神经网络。与现有不是基于深度学习的激波探测方法相比,该方法在探测时间上具有优势。与基于深度学习的激波探测方法相比,该方法探测出的激波特征的效果更好。
其他文献
数据聚类是最基础和最重要的数据分析手段,实现对海量数据快速智能的聚类分析对于帮助整理、摘要和储存数据具有重要意义。在大数据和人工智能快速发展的背景下,传统聚类算法逐渐不能满足人们的实际需求,基于深度神经网络的聚类方法成为当前领域的热门研究方向。现有的深度聚类算法普遍存在目标函数易退化、泛化能力弱、训练不稳定和无监督神经网络表达性不足等问题。如何设计具有强表达性、泛化性、稳定性的深度聚类算法是人工智
随着城镇化进程的持续推进以及人们生活水平的提高,城市人口和交通出行需求快速增长,失衡的交通供需关系引发了交通拥堵、交通事故、能源浪费等诸多问题。在缓解交通拥堵方面,单纯限制交通出行需求或新建交通基础设施的方法面临日益增大的压力,潜力越来越小。智能交通系统立足科技的进步平衡交通供需,在提升交通系统运行效率,保障交通安全,减少尾气排放等方面发挥着不可替代的作用,是城市交通未来发展的方向。对道路交通系统
计算机视觉系统作为许多智能平台的核心组成部分,将在工业4.0、智慧城市、自动驾驶以及军事领域的无人化作战中发挥极其重要的作用。视觉目标检测和跟踪是计算机视觉领域重要的基础任务,也是实现许多高级视觉应用的前提。近年来,随着计算机硬件性能的提升、大数据技术的进步以及深度学习技术的发展,视觉目标检测和跟踪技术取得了较大的进步。然而,由于噪声等诸多因素的影响,现有的视觉目标检测与跟踪技术还不能满足实际的应
当前,移动机器人已经应用到工业、服务、军事等各个领域。在探测、巡逻等多种任务场景中,移动机器人都需要自主导航以完成规定任务,其运动的基础是机器人定位。由于在城市高楼环境或复杂电磁干扰环境下,GPS信号误差过大无法用于定位,机器人需要寻求新的定位方式。而现有的单传感器的定位方式鲁棒性不强,机器人需要综合应用多种异构传感数据提高定位能力。因此,本文针对机器人定位的具体应用展开研究,提出了基于图像-点云
残余应力检测是装备关键构件状态评估和寿命预测的重要基础,也是应力调控的前提条件。残余应力产生于产品全寿命周期中,很难预测,其大小和状态随加工和工作条件的不同而存在较大差异。材料中的残余应力会严重影响其强度、硬度、疲劳和稳定性,极端情况下会导致脆性断裂和应力腐蚀开裂。目前,得到行业认可的残余应力检测方法主要是X射线法和中子衍射法。但X射线对人体有一定危害性,并且只能测量表层30 um内的残余应力,如
系统功能语言学研究语言与社会、文化之间的关系,对各类语篇进行了详细研究。功能语言学语类研究曾从拓扑和类型学角度对其进行描述。以Martin为代表的系统功能语言学学者与和以Karl Maton为代表的知识社会学学者合作,探讨语言资源在历史知识建构的作用和方式。新媒体时代,语言、图像、声音等也成为讲述历史的符号资源,共同建构意义。但当下网站多模态语类研究多集中于新闻、漫画、购物网站等及其图文关系,历史
人体行为的感知与理解,是智能人机交互的重要环节,在应急处突、反恐维稳、智能家居等诸多领域具有广泛的应用价值。多样化的任务对行为感知的准确性、实时性、鲁棒性等提出了更加苛刻的要求。一种行之有效的解决方式是引入雷达等非光学探测手段,借助电磁波独特的物理属性以应对无光、遮蔽、非视距等常规意义下的复杂任务环境。在雷达人体行为感知领域,机器学习等统计分析方法与经典信号处理技术不断加速融合,有效地推动了雷达系
随着新技术的涌现,产品具有更多的功能和更好的性能的同时,物理结构和运行机理变得越来越复杂,传统的基于机理的故障预测已不再适用于当下高技术产品。立足于当前由传感器获取的大量监测数据的现实和健康管理理念进一步发展的契机,如何建立起大数据与智能健康管理之间连接的桥梁,实现由离线检测到实时监测和由单一模式到智能化的故障预测技术的转变成为目前亟待解决的问题。本论文在海量监测数据的背景下,针对故障预测和维修决
随着大数据时代的到来,很多科技应用领域所需要处理的数据呈现爆炸式增长,这对数据的存储,传输,处理都提出了新的更为严苛的技术要求。张量作为矩阵的高阶推广,其在存储数据的方式上有着更好的适用性,对张量的研究分析目前已然成为国际上最为前沿的问题与研究热点。其中,张量特征值概念的提出,不仅在丰富完善了张量分析这一学科的理论大厦,更在诸多科技领域有着广泛的实际应用,因此,对张量特征值的计算一直以来也是人们所
雷达是空间监视、预警防御等系统的重要传感器。雷达能否探测、跟踪感兴趣的目标并识别目标的类别对这些系统具有至关重要的影响。在空间监视和预警防御应用中,真假弹头目标的识别是最重要也最具挑战性的问题之一。雷达在探测、跟踪、识别弹头目标时,需要克服各种假目标的不利影响,主要包括:无源诱饵目标的误导、有源电子假目标的压制和混淆。针对弹头欺骗干扰技术中的实体假目标和弹载间歇采样转发干扰(Interrupted