技术特征：
1.一种在途原位计算下大规模精细三维流场的空间压缩方法，包括：对第一分辨率级别的三维流场原始数据进行降维处理，得到第二分辨率级别的三维流场数据，所述第一分辨率级别高于所述第二分辨率级别；使用所述第二分辨率级别的三维流场数据对空间超分辨率网络进行训练，具体包括，将所述第二分辨率级别的三维流场数据输入至待训练的空间超分辨率网络，得到所述第一分辨率级别的三维流场估测数据，所述三维流场估测数据为针对三维流场原始数据的预测数据，并通过损失函数调整所述空间超分辨率网络的参数。2.根据权利要求1所述的方法，其特征在于，所述空间超分辨率网络包括生成器g和鉴别器d，所述生成器g用于根据输入的单个时间步数据，生成对应的单时间步预测数据；所述鉴别器d用于对预测数据和原始数据进行匹配，以调整所述空间超分辨率网络的参数。3.根据权利要求2所述的方法，其特征在于，生成器g包括全局网络，所述全局网络的输入为所述第二分辨率级别的三维流场数据，所述全局网络采用跳跃链接的形式，首先经过三层残差块，其卷积核大小为3
×3×
3，填充为1、步长为1；之后经过一个反卷积deconv层，其卷积核大小为4
×4×
4，步长为2，填充为0；之后经过两层残差块、一层反卷积deconv层、两层残差块、一层双曲正切函数后输出；其中残差块由两部分组成，一部分由三个卷积层组成，除了最后一个卷积层后只要谱归一化外，前两个卷积层后均进行一次谱归一化sn和一次实例归一化in；另一部分只由一个卷积层和一个谱归一化层组成，在输出前残差块的两部分的结果需要进行对应位置的相加，再进行输出。4.根据权利要求2所述的方法，其特征在于，所述方法包括：截取三维流场原始数据中用户自定义的感兴趣区域，得到所述感兴趣区域的三维流场数据，所述感兴趣区域的三维流场数据的分辨率级别为所述第一分辨率级别；将所述感兴趣区域的三维流场数据输入至待训练的空间超分辨率网络，以完成对所述空间超分辨率网络进行训练。5.根据权利要求4所述的方法，其特征在于，生成器g还包括局部网络,所述局部网络的输入为所述第一分辨率级别的三维流场原始数据中的局部区域数据，所述局部区域数据为用户感兴趣区域的数据；所述局部网络采用卷积神经网络的结构，先通过残差块将所述局部区域数据变为256
×1×1×
1的特征图，并且不采用全连接层和上下采样，通过反卷积层将特征图恢复成原始大小，并以此计算损失。6.根据权利要求2所述的方法，其特征在于，在所述鉴别器d中，除最后一层卷积层，其他的每层卷积层的卷积核的大小均为4
×4×
4，步长均为2，填充均为1，最后一层卷积层的步长为0，并且每个卷积层后都有一个谱归一化层和一个带泄露的修正线性单元层。7.根据权利要求1所述的方法，其特征在于，所述空间超分辨率网络的损失函数包括对抗损失函数，所述对抗损失函数满足：抗损失函数，所述对抗损失函数满足：
其中，为生成器g损失的最小值，为求取期望运算，v代表原始数据，v
l
为输入的低分辨率数据，d(
·
)为关于鉴别器d的函数，g(
·
)为关于生成器g的函数，为鉴别器d损失的最小值，为求取期望运算，v代表原始数据，v
h
为输入的高分辨率数据，d(
·
)为关于鉴别器d的函数，v
l
为输入的低分辨率数据，g(
·
)为关于生成器g的函数。8.根据权利要求1所述的方法，其特征在于，所述空间超分辨率网络的损失函数包括容积损失函数，所述容积损失函数满足：其中，为容积损失，为求取期望运算，v
′
为生成器生成的数据，v
l
为输入的低分辨率数据，v代表原始数据，v
h
为输入的高分辨率数据，g(
·
)为关于生成器g的函数，||
·
||为l2范式。9.根据权利要求1所述的方法，其特征在于，所述空间超分辨率网络的损失函数包括特征损失函数，所述特征损失函数满足：其中，为特征损失，为求取期望运算，v
′
为生成器生成的数据，v
l
为输入的低分辨率数据，v代表原始数据，v
h
为输入的高分辨率数据，n是鉴别器d中的卷积层总数，k代表第k个卷积层，n
k
表示第k个卷积层中的元素数，f
k
代表鉴别器d中第k个卷积层所提取的特征，g(
·
)为关于生成器g的函数，||
·
||为l2范式。10.根据权利要求1所述的方法，其特征在于，所述空间超分辨率网络的损失函数包括局部损失函数，所述局部损失函数满足：其中，为局部损失，i代表第i个局部区域，n代表选择的局部区域总数，为求取期望运算，v
′
li
为生成器生成第i个局部区域的数据，为选择的全部局部区域的低分辨率数据，v
li
代表第i个局部区域的数据，为选择的全部局部区域的高分辨率数据，g(
·
)为关于生成器g的函数，||
·
||为l2范式。11.根据权利要求1所述的方法，其特征在于，所述空间超分辨率网络的损失函数满足：其中，为生成器g损失的最小值，λ1为第一部分损失对应得权重，为求取期望运算，v代表原始数据，v
l
为输入的低分辨率数据，d(
·
)为关于鉴别器d的函数，g(
·
)为关于生成器g的函数，λ2为容积损失对应的权重，为容积损失，λ3为特征损失对应的权重，为特征损失，λ4为局部损失对应的权重，为局部损失。12.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所属计算机划分为第一计算机集群和第二计算机集群，以搭建原位计算环境，所述
第一计算机集群用于对数据进行预处理，并训练所述空间超分辨率网络，所述第二计算机集群用于通过训练好的所述空间超分辨率网络，根据所述第二分辨率级别的三维流场数据生成所述第一分辨率级别的三维流场估测数据，并执行三维流场数据的可视化操作。13.一种三维流场数据的解压缩方法，其特征在于，包括：获取第三分辨率级别的三维流场数据；将所述第三分辨率级别的三维流场数据输入至如权利要求1至12中任一项所述的空间超分辨率网络，得到第四分辨率级别的三维流场估测数据，所述第四分辨率级别高于所述第三分辨率级别；根据所述第四分辨率级别的三维流场估测数据，执行三维流场数据的可视化操作。14.根据权利要求13所述的方法，其特征在于，所述方法还包括：将用户自定义感兴趣区域的数据输入至所述空间超分辨率网络，得到所述第四分辨率级别的三维流场估测数据。
技术总结
本发明公开了在途原位计算下大规模精细三维流场的空间压缩方法，包括：搭建在途原位计算环境，按比例划分计算机；一部分计算机用于标记感兴趣区域，压缩流场数据，构建空间超分辨率网络，建立压缩后流场与原流场间的映射关系；另一部分计算机利用空间超分辨率网络对三维流场数据进行解压缩。本发明基于在途原位计算环境缓解存储和分析过程中出现计算机输入/输出速度和存储限制，并针对不随时间变化的大规模精细空间稳态流场，在保证整体态势的同时保证用户感兴趣区域精细度的情况下对数据量进行压缩与解压缩。本发明对原始数据的整体特征的学习比较还原，其生成的流线漩涡位置与速度变化趋势基本一致，对原始数据的解压缩完成度高。完成度高。完成度高。
技术研发人员：禹旻 杨武兵 黄智濒 法天昊 曹凌婧
受保护的技术使用者：中国航天空气动力技术研究院
技术研发日：2022.11.04
技术公布日：2023/2/3