| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究目标 | 第12页 |
| 1.1.3 研究意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.2.1 深度学习和无监督学习 | 第13-14页 |
| 1.2.2 深度学习在计算流体力学的应用 | 第14-15页 |
| 1.3 本文研究内容 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 流场数据分析 | 第17-27页 |
| 2.1 有限元曲面数据 | 第17-21页 |
| 2.1.1 有限元数据 | 第17页 |
| 2.1.2 有限元曲面数据 | 第17-18页 |
| 2.1.3 数据结构简介 | 第18-21页 |
| 2.2 流场数据结构的稀疏性 | 第21-24页 |
| 2.3 三维特征表示 | 第24-26页 |
| 2.4 本章总结 | 第26-27页 |
| 第三章 基于生成对抗网络的流场数据生成模型 | 第27-41页 |
| 3.1 生成对抗网络简介 | 第27-33页 |
| 3.1.1 GAN原理介绍 | 第28-30页 |
| 3.1.2 基于CNN的DCGAN | 第30-31页 |
| 3.1.3 Wasserstein距离 | 第31-32页 |
| 3.1.4 Wasserstein GAN | 第32-33页 |
| 3.2 基于MLP和WGAN-GP的流场数据生成模型 | 第33-38页 |
| 3.2.1 数据集准备 | 第33-35页 |
| 3.2.2 网络结构设计和训练过程 | 第35-36页 |
| 3.2.3 实验结果分析和可视化 | 第36-38页 |
| 3.3 TensorFlow算子优化 | 第38-40页 |
| 3.4 本章总结 | 第40-41页 |
| 第四章 基于变分自编码器的流场数据生成模型 | 第41-53页 |
| 4.1 变分自编码器简介 | 第41-44页 |
| 4.1.1 无监督学习和自编码器 | 第41页 |
| 4.1.2 变分自编码器 | 第41-43页 |
| 4.1.3 CVAE-GAN简介 | 第43-44页 |
| 4.2 基于VAE的流场数据生成模型 | 第44-46页 |
| 4.2.1 训练过程 | 第44-45页 |
| 4.2.2 实验结果分析和可视化 | 第45-46页 |
| 4.3 基于CVAE-CGAN的流场数据生成模型 | 第46-49页 |
| 4.3.1 训练过程 | 第46-48页 |
| 4.3.2 实验结果分析和可视化 | 第48-49页 |
| 4.4 评价指标及结果分析 | 第49-52页 |
| 4.4.1 精度指标 | 第49页 |
| 4.4.2 数据多样性指标 | 第49-50页 |
| 4.4.3 分类指标 | 第50页 |
| 4.4.4 其他指标 | 第50-51页 |
| 4.4.5 结果对比和分析 | 第51-52页 |
| 4.5 本章总结 | 第52-53页 |
| 第五章 稀疏流场数据生成原型系统设计与实现 | 第53-62页 |
| 5.1 系统简介 | 第53-55页 |
| 5.1.1 系统结构设计 | 第53-54页 |
| 5.1.2 开发环境 | 第54-55页 |
| 5.2 功能模块详细设计与实现 | 第55-59页 |
| 5.2.1 预处理模块 | 第55页 |
| 5.2.2 特征选取和二维网格转换模块 | 第55-56页 |
| 5.2.3 生成模型模块 | 第56-57页 |
| 5.2.4 评测模块 | 第57-58页 |
| 5.2.5 GUI模块 | 第58-59页 |
| 5.3 应用案例 | 第59-61页 |
| 5.4 本章总结 | 第61-62页 |
| 第六章 总结与展望 | 第62-67页 |
| 6.1 本文工作总结 | 第62-63页 |
| 6.2 展望 | 第63-67页 |
| 6.2.1 基于深度学习的稀疏流场数据应用的思考 | 第63-64页 |
| 6.2.2 GAN和VAE的发展趋势 | 第64-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间取得的研究成果 | 第70页 |