Skip to content

SmudgedWings/cae_lstm

Repository files navigation

CAE-LSTM方法求解Sod激波管问题

本文是CAE-LSTM方法求解Sod激波管问题的MindSpore复现

网络结构

我们复现的CAE-LSTM网络就是采用了CAE+LSTM的组合

image-20240614223804960

image-20240614223659309

整个框架流程:

  1. CAE进行降维,提取特征,编码到隐空间得到自由变量
  2. LSTM 对自由变量进行系数时间演化,得到流动其他时刻的自由变量
  3. 通过 CAE 网络的解码器将演化的自由变量进行解码,重建原始流场数据

数据集

数据集sod.npy(论文作者提供)

训练与测试

训练

# step1: 训练CAE网络
python cae_train.py 

# step2: 训练CAE-LSTM网络
python lstm_train.py

测试

python cae_eval.py 

实验

实验设置

验证CAE重建性能

setting:自由变量:2,4,8,学习率:0.001,batchsize:10,epoch:4400,训练数据为前70个时间步的数据

验证CAE-LSTM预测性能

使用CAE重建性能实验中训练出的三个模型继续训练LSTM模型。

setting:LSTM设置两层,神经元数量:200,移动窗口:70

评价指标

平均重建误差

image-20240614224023454

其中θ和θ’是真实流场和重构流场

实验结果

第一组实验结果

image-20240614232437619

image-20240614232455393

CAE重构 自由变量2 自由变量4 自由变量8
测试平均重建误差 0.097073 0.00264 0.00278

第二组实验结果

image-20240614224356362

image-20240615000143419

CAE-LSTM重构 自由变量2 自由变量4 自由变量8
测试平均重建误差 0.10577 0.004916 0.004984

总结

我们基于华为mindspore框架实现了CAE-LSTM方法求解Sod激波管问题中的代码框架并复现了Sod实验的全部结果

自由变量4和8的情况下完美复现了论文的实验结果和情况

但自由变量2的情况和论文出入较大,可能缺少一些必要配置

总体而言,复现代码没有问题

About

No description, website, or topics provided.

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages