专利名称：一种基于样本学习的多孔介质建模方法
技术领域：
本发明涉及一种多孔隙结构计算机辅助设计方法，特别涉及一种基于样本学习的多孔介质建模方法。
背景技术：
多孔介质是一种广泛存在于自然界中的结构形态，其结构由两个部分——固体物质和孔隙。根据其形成原因可以分为天然多孔介质和人工多孔介质。前者包括诸如岩石、土壤、动物骨骼、植物根茎叶等自然生成的结构；后者则包括铸造砂型，陶瓷、砖瓦、活性炭、玻璃纤维、人工骨支架等人造产品。多孔介质主要具有以下优良的性能较大的比表面积、较高的机械强度/质量比，同时内部结构复杂且相互贯通的孔隙有利于流体介质的运输和 储存。而这些优良的性能主要依赖于多孔介质内部孔隙拓扑结构的几何特性。除此之外，大多数生物组织和生物体内环境都可以模拟为不同尺度的多孔隙介质模型，以帮助理解和分析生命系统中的营养、热量交换、呼吸、血液循环，以及细胞的生长和繁殖过程中的机理。设计贴近于自然结构的多孔介质模型一直是一项具有挑战性的工作。由于多孔介质具有内部复杂的孔隙拓扑结构，难于提取明确的特征并进行评价，因此也难于建立相应的设计规则。多孔结构的孔隙率及孔隙连通性这两个指标对多孔介质的传输特性有着重要的影响，是目前的计算机辅助方法关注的两个主要指标。通常情况下，对多孔介质的孔隙率的控制可以通过控制孔隙大小和孔隙分布密度实现。最初的工程方法多采用立方体形态的单元，更容易建立理想孔隙率的多孔介质。但所建立的模型内部孔隙形态过于规则，失去了多孔介质内部结构的随机性和复杂性，在很多情况下不满足于应用要求。随后不规则的网络模型也逐渐被采用，其中最主要方法是基于逆向工程技术从真实的多孔介质图像中提取孔隙的结构特征，以重构复杂孔隙结构和连接形式结构。但是由于自然的多孔结构的形成 受到外部环境的影响，特定样本只能反映特定的局部结构，并不能反映预定的设计目标，并且样本尺寸的限制使这种方法的实用性受到限制。而更为重要的是各种计算机辅助设计方法都缺少有效的设计规则，所设计模型的评估只能依靠后续仿真分析和实物实验环节。本发明是基于样本学习的多孔隙结构计算机辅助设计方法。本方法易于实现，在满足设计目标的同时获得具有更加自然的孔隙形态和连通结构的多孔介质模型。
发明内容
本发明的目的在于针对现有建模方法的不足，提供一种基于样本学习的多孔介质建模方法。它将样本学习的思想引入多孔结构的构建中，确定有效的设计规则，实现在建模过程中对孔隙连通性的控制。为了达到上述目的，本方法的构思是将建模过程分为3个部分(1)建立样本库；
(2)针对样本库中的数据，学习结构性能和结构参数的关联模型作为评估工具；(3)利用评估工具选择结构参数生成模型。为了构建孔隙相互连通的多孔结构，本发明采用随机决策树森林(Randomdecision forests, RDF)作为评估工具,制定了一种基于样本学习的多孔结构设计方法。RDF是由Leo Breiman和Adele Cutler发展推论出的。该方法结合Breimans的"Bootstrap aggregating"想法和HO 的〃Random subspace method〃以建造决策树的集合。在机器学习中，RDF是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。本方法选择RDF作为评估工具是因为这种分类器在数据集上表现良好，能够处理多分类问题且不易出现过度拟合，相对其他算法有着很大的优势。作为用随机的方法建立的一组决策树集合，它具有很多良好的特性，包括(I)它能够处理很高维度(特征变量很多)的数据，并且不用特征选择和单位化；(2)在训练完后，它能够给出哪些特征变量比较重要，(3)对整体误差使用的是无偏估计；(4)训练速度快且在训练过程中，能够检测特征变量间的相互影响；(5)实现比较简单且容易做成并行化方法。设计方法思想如下首先需要根据实际建模要求设计孔隙单元模型；然后设计筛 选规则选取特征量，采集样本并建立结构样本库；随后针对样本库，采用RDF样本库学习结构性能和结构关联模型作为后续建模的结构评估工具；利用RDF评估工具填充空间网格，构建孔隙模型；最后构造实体模型，并利用构建的孔隙模型建立理想的多孔介质模型。本方法的具体设计思路如下
I、设计单元模型包括确定孔隙形状和设计单元模型结构。2、确定筛选条件，选择特征量采集样本数据,建立样本库。3、从样本库中学习结构性能和结构参数的关联模型，以此作为评估的工具。4、建立三维空间网格，针对网格中的每一个节点随机生成结构参数,利用结构评估工具判定是否可行。通过构建局部的优化结构完成整体结构的设计。5、将实体模型对孔隙模型作布尔差运算，获得理想的多孔结构模型。按照上述步骤，基于样本学习在构建多孔介质模型的过程中需要根据实际需要确定以下数据
I)确定孔隙形状。自然界中多孔介质内部微孔形状多类似于长球形。尤飞等人采用分形理论对人体骨骼内部微观孔的五种典型截面曲线进行分析，发现其截面曲线与椭圆吻合度最高，说明人体骨骼内部微观孔形态与椭球体最为接近。前面所介绍的建模方法中，大部分采用球体作为多孔介质微观孔的负型。鉴于旋转椭球体的比表面积比球体大，在孔隙率不变的情况下，微观孔形态为椭球体的多孔介质的比表面积较大。因此，本文采用旋转椭球体作为多孔结构造孔的微孔单元体。为确定空间中的旋转椭球体，需确定以下参数球心位置0，短轴半径a，长轴半径b,长轴的单位方向向量l = Cr,_F,iO。本方法根据多孔介质对于孔隙大小和孔隙率的要求确定球心0，长轴半径与短轴半径的比值A/a。同时通过控制旋转椭球体绕坐标轴的旋转角度的方法确定长轴的单位方向向量L进一步实现控制孔隙之间的连通性。本方法采用的旋转椭球为长椭球，其体积和表面积公式分别为公式(I)、(2)，通过函数求导可知，体积不变的情况下，6/a值越大，旋转椭球的表面积越大。
4 ,V= -TTa^b..........................................
3公式(I)
权利要求
1.一种基于样本学习的多孔介质建模方法，其特征在于操作步骤如下 a)设计单元模型将旋转椭球体作为孔隙形状，单元模型结构表达为6-邻接的正六面体结构； b)选择单元模型特征选取模型中的7个长轴的单位方向向量作为结构表达特征量； c)采集样本，建立样本库结合手工评估结果采集样本建立样本库； d)学习设计规则针对步骤c)中的样本库，利用随机决策树森林学习结构性能和结构的关联模型，作为结构评估工具； e)填充空间网格，生成孔隙模型利用步骤d)中的评估工具选择结构参数，在三维空间网格中填充椭球生成孔隙模型； f)生成多孔介质模型构造实体模型并与步骤e)中的孔隙模型作布尔差运算获得需要的多孔介质模型。
2.根据权利要求I所述的基于样本学习的多孔介质建模方法，其特征在于所述步骤c)采集样本具体过程如下首先将7个椭球体长轴的单位方向向量记为一个数组I二 U9 h, U h八A厶然后以中心旋转椭球Atl为研究对象，将Atl与周围的6个椭球体的相交截面面积组成的数组记为S二 [S1, S》S, S4，S9 S6);最后以数组S的均值S和方差O 2作为A0与周围椭球的连通性的评价指标。
3.根据权利要求I所述的基于样本学习的多孔介质建模方法，其特征在于所述步骤e)具体填充过程如下首先初始化单元模型，然后以搜索当前网格单元最近领域的方式遍历填充，遍历填充过程中针对网格中的每一个节点随机生成结构参数，利用权利要求I步骤 d)中的结构评估工具判定当前局部结构是否满足设计要求。
全文摘要
本发明涉及一种基于样本学习的多孔介质建模方法。本方法的操作步骤如下(1)设计单元模型将旋转椭球体作为孔隙形状，单元模型结构表达为6-邻接的正六面体结构；(2)选择单元模型特征选取模型中的7个长轴的单位方向向量作为结构表达特征量；(3)采集样本，建立样本库结合手工评估结果采集样本建立样本库；(4)学习设计规则针对步骤(3)中的样本库，利用随机决策树森林学习结构性能和结构的关联模型，作为结构评估工具；(5)填充空间网格，生成孔隙模型利用步骤(4)中的评估工具选择结构参数，在三维空间网格中填充椭球生成孔隙模型；(6)生成多孔介质模型构造实体模型并与步骤(5)中的孔隙模型作布尔差运算获得需要的多孔介质模型。通过建立人工骨支架模型的实验证明采用本方法实现了对多孔结构孔隙连通性的控制，建立的模型能够满足特定目标，并且内部孔隙具有良好的连通性，有利于模型的实际应用。
文档编号G06F17/50GK102799717SQ201210219238
公开日2012年11月28日 申请日期2012年6月29日 优先权日2012年6月29日
发明者姚远, 程敏 申请人:上海大学