基于深度学习的流场数据后处理方法的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与研究目标 | 第11页 |
| 1.2 研究意义 | 第11-13页 |
| 1.2.1 加速CFD计算过程 | 第11-12页 |
| 1.2.2 对全卷积网络功能的扩展 | 第12页 |
| 1.2.3 成像回归问题 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-14页 |
| 1.3.1 CFD加速计算方法的研究现状 | 第13页 |
| 1.3.2 深度学习研究现状 | 第13-14页 |
| 1.4 主要研究内容 | 第14-15页 |
| 1.5 论文组织结构 | 第15-17页 |
| 第二章 相关技术简介 | 第17-25页 |
| 2.1 计算流体力学与流场数据 | 第17-19页 |
| 2.1.1 计算流体力学CFD | 第17页 |
| 2.1.2 CFD中的流场数据 | 第17-19页 |
| 2.1.3 可视化后处理软件Tecplot | 第19页 |
| 2.2 深度学习模型 | 第19-24页 |
| 2.2.1 CNN经典模型 | 第20-22页 |
| 2.2.2 全卷积网络FCN | 第22-23页 |
| 2.2.3 深度学习平台Tensorflow | 第23-24页 |
| 2.3 本章总结 | 第24-25页 |
| 第三章 流场数据的图像化处理方法 | 第25-32页 |
| 3.1 有限元网格数据的解析 | 第25-29页 |
| 3.1.1 有限元网格数据的存储结构 | 第26-27页 |
| 3.1.2 有限元网格数据的逻辑结构 | 第27-29页 |
| 3.2 网格数据的网格特征提取 | 第29-30页 |
| 3.3 三维数据转换为二维图像 | 第30-31页 |
| 3.3.1 3D流场表面数据 | 第30-31页 |
| 3.3.2 3D流场体数据 | 第31页 |
| 3.4 本章总结 | 第31-32页 |
| 第四章 流场数据的回归计算模型 | 第32-38页 |
| 4.1 回归计算模型的建立 | 第33-36页 |
| 4.1.1 模型的输入输出定义 | 第33-34页 |
| 4.1.2 全卷积网络FCN | 第34-35页 |
| 4.1.3 基于不同CNN模型的FCN | 第35-36页 |
| 4.2 对全卷积网络的修改和调整 | 第36-37页 |
| 4.2.1 基于VGGNet的FCN构建 | 第36-37页 |
| 4.2.2 对输入输出层的调整 | 第37页 |
| 4.3 本章总结 | 第37-38页 |
| 第五章 流场数据的模拟回归计算实现 | 第38-49页 |
| 5.1 数据集描述 | 第38-42页 |
| 5.1.1 网格分布情况 | 第38-39页 |
| 5.1.2 超参数分布与选取 | 第39-40页 |
| 5.1.3 预测变量选取 | 第40-42页 |
| 5.2 数据预处理 | 第42-44页 |
| 5.2.1 有限元数据到表格数据 | 第42页 |
| 5.2.2 表格数据到图像数据 | 第42-44页 |
| 5.3 回归计算模型构建 | 第44-46页 |
| 5.3.1 基于FCN-VGG19的回归模型 | 第44-46页 |
| 5.4 预测回归结果 | 第46-47页 |
| 5.5 本章总结 | 第47-49页 |
| 第六章 对全卷积回归计算模型的评估 | 第49-60页 |
| 6.1 实验环境及设置 | 第49-50页 |
| 6.2 全卷积回归计算模型的评测 | 第50-55页 |
| 6.2.1 评测标准 | 第50-52页 |
| 6.2.2 模型的回归误差 | 第52-54页 |
| 6.2.3 模型的时间性能 | 第54-55页 |
| 6.3 模型的泛化性能 | 第55-59页 |
| 6.3.1 对不同的目标观察值的泛化性 | 第55-57页 |
| 6.3.2 对不同的网格的泛化性 | 第57-59页 |
| 6.4 本章总结 | 第59-60页 |
| 第七章 总结与展望 | 第60-62页 |
| 7.1 工作总结 | 第60页 |
| 7.2 未来展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |
