方向一:网格质量的评估
基于卷积神经网络的网格质量评价方法研究(Developing a new mesh quality evaluation method based on convolutional neural network)
Introduce
不同形状的网格不同的分割(方法)有不同的评价标准
导出了三角形、四边形、四面体和六面体元素的各种质量标准。
对于二维网格,最小内角准则和最大最小角准则通常用于指导单元形状测量。
但是,这两个标准不适用于三维网格。
三维网格的标准:
最小立体角θmin
半径比ρ
伽马系数γ
四面体T
等等等…
综述部分提出的是对于不同网格不同的评价标准
总体而言,现有的质量标准可能无法保证高质量的网格生成或优化(提出现有问题)。这是因为这些标准的推导通常针对特定的单元类型或CFD模型,不同的标准甚至可能会给同一网格带来不同或相反的结果。
(现有工作的意义/价值)因此,当前的网格质量评估任务要求工程师利用现有的质量标准和他们的项目经验进行判断。由于手动检查大大增加了CFD预处理成本,阻碍了高质量网格的自动生成过程,因此最理想的是使用全自动网格质量评估器。这被定义为将网格和相关参数作为输入,然后自动评估网格质量。
下面介绍了一些深度学习的东西…
贡献点
- 一个数据集NACAMarket,以促进基于深度学习的网格质量评估任务。
- 解决网格评价,我们在神经网络训练中引入了一种新的用于各种网格的三通道表示方案。
- 网格质量自动评估:GridNet基于CNN
- 实验证明GridNet的有效
2. 数据集
网格质量有很大影响的三个属性
(1) 平滑
(2)正交性
(3)间距分布
对数据集进行了描述:当前版本的NACA Market包含10240个NACA0012网格。所有网格都属于八种不同的质量类型,平均每种类型1280个网格。为了生成高度准确的标签,我们首先使用人工判别法来评估NACA Market中的网格质量。
对数据集的优点进行介绍。
3.用于网格质量评估任务的CNN模型
问题定义:是分类问题(不是回归问题)
三个通道的特征:对于每个网格元素,我们选择长度x、长度y和最大夹角以形成三通道质量特征,这类似于图像的RGB三通道特征。生成网格时,每个元素的这些质量特征都会自动提取。
然后,我们从网格生成输入矩阵。矩阵的第一行对应于网格中最外层网格元素的质量特征,最后一行对应于边界层附近的网格元素(见图8)。在每个通道中,矩阵中的条目数等于网格元素数。
之后,我们使用基于CNN的模型作为网格质量鉴别器来评估网格的质量。三通道网格表示(输入矩阵)被馈送到网络模型以计算软最大概率输出向量。
下面介绍了模型的结构
实验
与其他的baseline相比的结果