1.本发明属于泥水盾构节能环保仿真技术领域，具体涉及一种泥水循环系统多物理场数字孪生体可视化生成方法。
背景技术：2.泥水盾构是应用于江河等地下隧道工程的大型机械装备，集挖掘、排渣、泥水循环利用等功能于一体，在很大程度上提高了隧道工程的施工效率。伴随我国城市交通的需求发展，泥水盾构也在不断完善与发展以适应不同复杂环境下的工作需求，从而加速我国经济快速发展。但是在复杂地下环境之中，难以监测判断泥水循环系统中实时的流场情况，这难免会带来实时数据不易获取、系统内部状况难以预测等问题，深入研究泥水循环系统内部多物理场可视化技术至关重要。
3.在通过仿真软件仿真泥水循环系统不同工况下的内部流场过程中，由于多物理场仿真工况参数较多，且仿真过程耗时费力，不节能环保，而且对于实际的泥水循环系统，也很难从中获取实时的内部流场情况，所以如何通过一种多物理场数字孪生体可视化生成方法获取到泥水循环系统内部多物理场实际情况对研究泥水循环系统和提高隧道工程效率具有重要意义。
技术实现要素：4.针对目前泥水循环系统内部多物理场情况复杂，难以获取系统内部的实时数据，而且借助多物理场仿真软件对泥水循环系统进行仿真也耗时费力，仿真过程也容易出错。本发明提供一种泥水循环系统多物理场数字孪生体可视化生成方法，主要是基于一种生成式对抗网络模型，通过将数字孪生泥水循环系统的运行状态参数、可视化参数以及多物理仿真得到的可视化图像以一种训练样本集的形式对判别网络模型和生成网络模型进行训练和迭代优化，最终生成具有真实数据的多物理场可视化图像。
5.为解决上述技术问题，本发明采用如下技术方案：一种泥水循环系统多物理场数字孪生体可视化生成方法，包括以下步骤：s1采用实验设计方法，根据运行状态参数和采样点个数进行采样，形成样本数据集；s2 对样本数据集中的每一个样本点进行多物理场仿真计算；s3 根据可视化参数对仿真结果进行后处理，得到多物理场可视化图，将运行状态参数、可视化参数和多物理场可视化图像整合得到完整的图像训练样本数据集；s4 构建生成网络及判别网络，所述生成网络是通过输入多物理场生成的参数，然后生成多物理场可视化图像，所述判别网络是判别生成的多物理场可视化图像并计算概率；s5 根据步骤s3中得到的完整的图像训练样本数据集，先对判别网络进行训练，之后再使用已有数据对生成网络与判别网络同时训练；
s6 数字孪生系统实时采集泥水盾构的运行状态参数，并显示在可视化界面上，在可视化界面上设置多物理场可视化参数；s7 读取当前时刻泥水循环系统中的运行状态参数和多物理场可视化参数，并合成多物理场生成参数向量；s8 将多物理场生成参数向量输入到生成网络中，生成网络生成一张多物理场的可视化图像；s9 用判别网络对生成的多物理场可视化图像进行判别计算，并给出生成的多物理场可视化图像为真实多物理场可视化图像的概率p；s10 若p大于某一阈值p0，则将生成的多物理场可视化图像输出到可视化界面上的多物理场显示区域，流程结束；否则对生成网络和判别网络进行迭代优化，返回s8。
6.步骤s1中的实验设计方法采用拉丁超立方抽样方法，根据运行状态参数和采样点个数进行采样，形成样本数据集；其中，采样形成的样本数据集基本可以表示为,其中表示泥水循环系统中流场的流速，表示流场中泥浆的粘度，表示泥浆的密度，表示泥水盾构的转速,该样本数据集中仅列出了四个变量，还包括其余更多变量。
7.s2具体包括以下步骤：s2.1 通过icem cfd 软件对模型进行合理的网格划分，然后通过网格质量检测确保其网格质量达到最优，最后将划分得到的.msh文件给导出；s2.2 将.msh文件导入到edem软件中，并结合样本点参数进行设置，形成多物理场中的颗粒状态模型；s2.3 再将.msh文件导入到fluent软件中，结合实际工况设置多物理场仿真的计算模型以及边界条件等各项参数，等待进行耦合计算；s2.4 将edem软件和fluent 软件通过设置进行耦合连接并仿真，实现数据信息的相互传递，直到仿真结束。
8.s3中对仿真结果后处理方法和训练样本数据集的表示如下：对仿真结果进行后处理具体包括多物理场可视化图像的色条颜色、数量、视图方向、截面位置、像素等进行设置，训练样本数据集以表示，其中，表示可视化图像中色条的颜色，表示可视化图像的视图方向, 表示可视化图像的像素，表示可视化图像中色条的数量，表示可视化图像中的截面位置，表示可视化图像的透明度，则分别表示运行状态参数中的压力、转速、粘度参数，表示多物理场可视化图像，将以上训练样本集输入到判别网络中。
9.s4中构建生成网络和判别网络的方法如下：采用深度卷积神经网络构建生成网络，但不局限于该深度卷积神经网络，也可采用其他神经网络；其中设置该神经网络层数共四层，第一层至第三层为反卷积层，第四层为全连接层，同样，采用深度卷积神经网络构建判别网络，设置其网络层数共五层，第一层至第三层为卷积层，第四层为全连接层，第五层为输出层，输入为多物理场可视化图像，并对其进行判别计算，输出为多物理场可视化图像为真实图像的计算概率。
10.s5中对判别网络和生成网络进行训练，具体步骤如下：s5.1 首先设定训练判别网络的损失函数公式如下：式中，表示为样本数据集的真实概率分布，表示判别网络对数据集的输出，表示为生成网络的训练数据集的概率分布，表示为判别网络判别通过生成网络所生成的可视化图像的输出，而则表示判别网络判别生成网络生成的图像为真实图像的数据；s5.2 设定训练生成网络的损失函数如下：s5.3 判别网络和生成网络输入的训练数据的如下:根据整合得到的完整的训练样本数据集，然后随机抽取200个训练样本数据集,组成2000个训练样本数据作为判别网络的输入，其中抽取的训练样本数据集的数量可以是大于10的任何数，之后通过选取若干组多物理场可视化参数和泥水盾构的运行参数整合后的参数向量作为生成网络的输入，其中通过一种梯度下降法对判别网络和生成网络的参数进行优化直至得到最优。
11.s6中数字孪生系统实时采集泥水盾构的运行状态参数体包含泥水循环系统的流场温度、压力等参数以及随时间变化的历史数据。
12.采用上述技术方案，本发明的有益效果是:与多物理场仿真软件进行仿真相比，本发明的方法基于生成式对抗网络的模型，能在短时间内生成具有与仿真得到的图像相一致的可视化图像的真实数据，有效缩短了通过多物理仿真软件仿真的时间，节省了大量时间和成本，也有助于提高对泥水循环系统内部多物理场情况的实时监控，从而有效降低了因难以获取泥水循环系统内部实时情况而带来的多方面影响，在最大程度上以短时间获取泥水循环系统多物理场的实时数据。
附图说明
13.图1为本发明的整体流程图；图2为本发明的多物理场状态显示界面示意图；图3为本发明的多物理场监测数据显示界面示意图。
具体实施方式
14.下面将结合本发明中的附图，对实施案例中的技术方案做进一步详细的说明。基于本发明中的实施方案，本行业的普通技术人员在没有付出创造性劳动的前提下，对本发明做出相关的改进，都属于本发明要保护的范围。
15.如图1所示，本发明的一种泥水循环系统多物理场数字孪生体可视化生成方法，包括以下步骤：s1采用实验设计方法，根据运行状态参数和采样点个数进行采样，形成样本数据集；
s2 对样本数据集中的每一个样本点进行多物理场仿真计算；s3 根据可视化参数对仿真结果进行后处理，得到多物理场可视化图，将运行状态参数、可视化参数和多物理场可视化图像整合得到完整的图像训练样本数据集；s4 构建生成网络及判别网络，所述生成网络是通过输入多物理场生成的参数，然后生成多物理场可视化图像，所述判别网络是判别生成的多物理场可视化图像并计算概率；s5 根据步骤s3中得到的完整的图像训练样本数据集，先对判别网络进行训练，之后再使用已有数据对生成网络与判别网络同时训练；s6 数字孪生系统实时采集泥水盾构的运行状态参数（包含泥水循环系统的流场温度、压力等参数以及随时间变化的历史数据），并显示在可视化界面上，如图3所示。如图2中所示在可视化界面上设置多物理场可视化参数；s7 读取当前时刻泥水循环系统中的运行状态参数和多物理场可视化参数，并合成多物理场生成参数向量；s8 将多物理场生成参数向量输入到生成网络中，生成网络生成一张多物理场的可视化图像；s9 用判别网络对生成的多物理场可视化图像进行判别计算，并给出生成的多物理场可视化图像为真实多物理场可视化图像的概率p；s10 若p大于某一阈值p0，则将生成的多物理场可视化图像输出到可视化界面上的多物理场显示区域，流程结束；否则对生成网络和判别网络进行迭代优化，返回s8。
16.步骤s1中的实验设计方法采用拉丁超立方抽样方法，根据运行状态参数和采样点个数进行采样，形成样本数据集；其中，采样形成的样本数据集基本可以表示为,其中表示泥水循环系统中流场的流速，表示流场中泥浆的粘度，表示泥浆的密度，表示泥水盾构的转速,该样本数据集中仅列出了四个变量，还包括其余更多变量。
17.s2具体包括以下步骤：s2.1 通过icem cfd 软件对模型进行合理的网格划分，然后通过网格质量检测确保其网格质量达到最优，最后将划分得到的.msh文件给导出；s2.2 将.msh文件导入到edem软件中，并结合样本点参数进行设置，形成多物理场中的颗粒状态模型；s2.3 再将.msh文件导入到fluent软件中，结合实际工况设置多物理场仿真的计算模型以及边界条件等各项参数，等待进行耦合计算；s2.4 将edem软件和fluent 软件通过设置进行耦合连接并仿真，实现数据信息的相互传递，直到仿真结束。
18.如图2所示，s3中对仿真结果后处理方法和训练样本数据集的表示如下：对仿真结果进行后处理具体包括多物理场可视化图像的色条颜色、数量、视图方向、截面位置、像素等进行设置，训练样本数据集以表示，其中，表示可视化图像中色条的颜色，表示可视化图像的视图方向, 表示可视化图像的像素，表示可视化图像中色条的数量，表示可视化图像中的截面位
置，表示可视化图像的透明度，则分别表示运行状态参数中的压力、转速、粘度参数，表示多物理场可视化图像，将以上训练样本集输入到判别网络中。
19.s4中构建生成网络和判别网络的方法如下：采用深度卷积神经网络构建生成网络，但不局限于该深度卷积神经网络，也可以是其他神经网络。其中设置该神经网络层数共四层，第一层至第三层为反卷积层，第四层为全连接层，同样，采用深度卷积神经网络构建判别网络，设置其网络层数共五层，第一层至第三层为卷积层，第四层为全连接层，第五层为输出层，输入为多物理场可视化图像，并对其进行判别计算，输出为多物理场可视化图像为真实图像的计算概率。
20.s5中对判别网络和生成网络进行训练，具体步骤如下：s5.1 首先设定训练判别网络的损失函数公式如下：式中，表示为样本数据集的真实概率分布，表示判别网络对数据集的输出，表示为生成网络的训练数据集的概率分布，表示为判别网络判别通过生成网络所生成的可视化图像的输出，而则表示判别网络判别生成网络生成的图像为真实图像的数据；s5.2 设定训练生成网络的损失函数如下：s5.3 判别网络和生成网络输入的训练数据的如下:根据整合得到的完整的训练样本数据集，然后随机抽取200个训练样本数据集,组成2000个训练样本数据作为判别网络的输入，其中抽取的训练样本数据集的数量可以是大于10的任何数，之后通过选取若干组多物理场可视化参数和泥水盾构的运行参数整合后的参数向量作为生成网络的输入，其中通过一种梯度下降法对判别网络和生成网络的参数进行优化直至得到最优。
21.本实施例并非对本发明的形状、材料、结构等作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的保护范围。
技术特征：1.一种泥水循环系统多物理场数字孪生体可视化生成方法，其特征在于：包括以下步骤：s1采用实验设计方法，根据运行状态参数和采样点个数进行采样，形成样本数据集；s2 对样本数据集中的每一个样本点进行多物理场仿真计算；s3 根据可视化参数对仿真结果进行后处理，得到多物理场可视化图，将运行状态参数、可视化参数和多物理场可视化图像整合得到完整的图像训练样本数据集；s4 构建生成网络及判别网络，所述生成网络是通过输入多物理场生成的参数，然后生成多物理场可视化图像，所述判别网络是判别生成的多物理场可视化图像并计算概率；s5 根据步骤s3中得到的完整的图像训练样本数据集，先对判别网络进行训练，之后再使用已有数据对生成网络与判别网络同时训练；s6 数字孪生系统实时采集泥水盾构的运行状态参数，并显示在可视化界面上，在可视化界面上设置多物理场可视化参数；s7 读取当前时刻泥水循环系统中的运行状态参数和多物理场可视化参数，并合成多物理场生成参数向量；s8 将多物理场生成参数向量输入到生成网络中，生成网络生成一张多物理场的可视化图像；s9 用判别网络对生成的多物理场可视化图像进行判别计算，并给出生成的多物理场可视化图像为真实多物理场可视化图像的概率p；s10 若p大于某一阈值p0，则将生成的多物理场可视化图像输出到可视化界面上的多物理场显示区域，流程结束；否则对生成网络和判别网络进行迭代优化，返回s8。2.根据权利要求1所述的一种泥水循环系统多物理场数字孪生体可视化生成方法，其特征在于：步骤s1中的实验设计方法采用拉丁超立方抽样方法，根据运行状态参数和采样点个数进行采样，形成样本数据集；其中，采样形成的样本数据集基本可以表示为,其中表示泥水循环系统中流场的流速，表示流场中泥浆的粘度，表示泥浆的密度，表示泥水盾构的转速,该样本数据集中仅列出了四个变量，还包括其余更多变量。3.根据权利要求2所述的一种泥水循环系统多物理场数字孪生体可视化生成方法，其特征在于：s2具体包括以下步骤：s2.1 通过icem cfd 软件对模型进行合理的网格划分，然后通过网格质量检测确保其网格质量达到最优，最后将划分得到的.msh文件给导出；s2.2 将.msh文件导入到edem软件中，并结合样本点参数进行设置，形成多物理场中的颗粒状态模型；s2.3 再将.msh文件导入到fluent软件中，结合实际工况设置多物理场仿真的计算模型以及边界条件等各项参数，等待进行耦合计算；s2.4 将edem软件和fluent 软件通过设置进行耦合连接并仿真，实现数据信息的相互传递，直到仿真结束。4.根据权利要求2或3所述的一种泥水循环系统多物理场数字孪生体可视化生成方法，其特征在于：s3中对仿真结果后处理方法和训练样本数据集的表示如下：
对仿真结果进行后处理具体包括多物理场可视化图像的色条颜色、数量、视图方向、截面位置、像素等进行设置，训练样本数据集以表示，其中，表示可视化图像中色条的颜色，表示可视化图像的视图方向, 表示可视化图像的像素，表示可视化图像中色条的数量，表示可视化图像中的截面位置，表示可视化图像的透明度，则分别表示运行状态参数中的压力、转速、粘度参数，表示多物理场可视化图像，将以上训练样本集输入到判别网络中。5.根据权利要求4所述的一种泥水循环系统多物理场数字孪生体可视化生成方法，其特征在于：s4中构建生成网络和判别网络的方法如下：采用深度卷积神经网络构建生成网络，但不局限于该深度卷积神经网络，也可采用其他神经网络；其中设置该神经网络层数共四层，第一层至第三层为反卷积层，第四层为全连接层，同样，采用深度卷积神经网络构建判别网络，设置其网络层数共五层，第一层至第三层为卷积层，第四层为全连接层，第五层为输出层，输入为多物理场可视化图像，并对其进行判别计算，输出为多物理场可视化图像为真实图像的计算概率。6.根据权利要5所述的一种泥水循环系统多物理场数字孪生体可视化生成方法，其特征在于：s5中对判别网络和生成网络进行训练，具体步骤如下：s5.1 首先设定训练判别网络的损失函数公式如下：式中，表示为样本数据集的真实概率分布，表示判别网络对数据集的输出，表示为生成网络的训练数据集的概率分布，表示为判别网络判别通过生成网络所生成的可视化图像的输出，而则表示判别网络判别生成网络生成的图像为真实图像的数据；s5.2 设定训练生成网络的损失函数如下：s5.3 判别网络和生成网络输入的训练数据的如下:根据整合得到的完整的训练样本数据集，然后随机抽取200个训练样本数据集,组成2000个训练样本数据作为判别网络的输入，其中抽取的样本数据集的数量可以是大于10的任何数，之后通过选取若干组多物理场可视化参数和泥水盾构的运行参数整合后的参数向量作为生成网络的输入，其中通过一种梯度下降法对判别网络和生成网络的参数进行优化直至得到最优。7.根据权利要6所述的一种泥水循环系统多物理场数字孪生体可视化生成方法，其特征在于：s6中数字孪生系统实时采集泥水盾构的运行状态参数体包含泥水循环系统的流场温度、压力等参数以及随时间变化的历史数据。
技术总结本发明公开了一种泥水循环系统多物理场数字孪生体可视化生成方法，包括以下步骤：采样形成样本数据集；进行多物理场仿真计算；整合得到完整的图像训练样本数据集；构建生成网络及判别网络；对生成网络与判别网络进行训练；在可视化界面上设置多物理场可视化参数；合成多物理场生成参数向量；生成网络生成一张多物理场的可视化图像；得到生成的多物理场可视化图像为真实多物理场可视化图像的概率P。本发明能在短时间内生成具有与仿真得到的图像相一致的可视化图像的真实数据，节省了大量时间和成本，也有助于提高对泥水循环系统内部多物理场情况的实时监控，在最大程度上以短时间获取泥水循环系统多物理场的实时数据。间获取泥水循环系统多物理场的实时数据。间获取泥水循环系统多物理场的实时数据。
技术研发人员：肖艳秋 孙春亚 崔光珍 张旭帮 王鹏鹏 贺振东 蔡一洲
受保护的技术使用者：郑州轻工业大学
技术研发日：2022.07.18
技术公布日：2022/11/1
