NNW-TopViz流場可視分析系統

陳呈，趙丹，王岳青，鄧亮，楊超，蘇鋮宇，王昉,*

1. 中國空氣動力研究與發展中心 空氣動力學國家重點實驗室，綿陽 621000

2. 中國空氣動力研究與發展中心 計算空氣動力研究所，綿陽 621000

3. 西南科技大學 計算機科學與技術學院，綿陽 621000

計算流體力學(CFD)應用日益廣泛[1-3]。借助高性能計算機系統，可以計算、存儲規模具大復雜度高的CFD流場數據，但如何對數據進行準確的表達，一直是業界的難題之一[4]。流場可視化應用計算圖形學相關方法和圖形處理與顯示技術，將數值模擬仿真獲得的大量離散數據轉換為圖形圖像或動畫的形式，形象地將CFD仿真結果顯示出來，從而能夠直觀、準確地展示數據內部的特性與本質，幫助科研人員分析其中的規律[5]。然而，隨著CFD數值模擬技術的不斷發展，求解問題的規模與復雜度不斷提高，數據產出類型復雜、規模巨大[6]，因此需要提供與CFD數據產出相適應的可視分析工具。而高效可視分析工具要求數據可視化的周期短，數據分析的精準程度高，同時要求交互體驗好，交互手段多樣化。已有的可視化和可視分析工具難以同時滿足以上需求，主要體現在以下幾個方面：① 由于功耗的限制，微處理器性能的提高主要來自于片上處理器核數量的增加，計算機性能的發揮將依賴于多核并行軟件的發展，然而并行可視化計算軟件發展緩慢，與多核處理器的發展不匹配；② 流場數據中往往含有多種典型復雜物理特征，這些特征在洞察數據背后的科學規律方面發揮著至關重要的作用，已有的可視分析工具采用傳統算法從海量數據中提取可視特征，提取時間長且精度低；③ 可視化軟件交互性強，領域專家往往需要對流場進行交互式探索才能發掘關鍵信息，已有的流場可視化顯示和交互方式單一，無法提供更加便捷的交互方式和體驗；④ 尚沒有自主可控、功能完備的可視化軟件。

針對以上問題，中國空氣動力研究與發展中心在國家數值風洞(NNW)工程支持下,研制了1套CFD流場可視分析系統NNW-TopViz(簡稱TopViz)，主要具備以下幾個特點：

1)根據流場數據結構和可視化算法特點，實現了線程級并行優化，在Windows桌面環境下，Intel i5 處理器4核運行加速比達到2.4。

2)實現了基于卷積神經網絡的流場旋渦特征提取方法；測試表明，與現有算法相比，大幅提升了特征提取準確率和效率。

3)支持沉浸式三維虛擬顯示和多通道交互，基于頭戴式顯示設備和體感控制器構建了沉浸式虛擬顯示與交互平臺，實現了手勢和眼球凝視2種交互方法。

4)采用層次式軟件架構設計并開發了具有對流場進行數據預處理、特征提取、流線繪制、體繪制、幾何圖形繪制、紋理繪制等可視化與交互功能的軟件系統。

論文結構介紹：第1節對國內外相關工作進行綜述，第2節分析了軟件的技術細節，第3節給出了軟件實現方法，第4節為性能測試，第5節為總結。

1 國內外相關工作

應對海量復雜流場數據帶來的可視化挑戰，歐美、日本等數值模擬技術領先的國家率先開展了高效可視化技術的研究。美國以三大實驗室為代表的研究機構和公司開展了大規模可視化技術研究和軟件研制工作，相繼推出VisIt[7]、ParaView[8]、EnSight?、Tecplot?等多款軟件。日本專門成立了高度計算表現方法研究小組，研究能夠容易理解并能表現精密計算的可視化方法和能夠有效處理大規模數據的可視化系統[9]。在中國，北京應用物理與計算數學研究所面向實際應用中的大規模復雜數值模擬，成功推出并行可視分析軟件平臺[10]。具體到本文開展的各項研究內容，國內外的現狀如下所述。

1.1 并行可視技術

隨著模擬精度的不斷增長，計算網格規模不斷擴大，CFD后處理采用并行技術是海量流場數據實時處理的必然需求。實現流場數據的高效可視化并行計算，需要從可視化算法的特性出發，結合體系結構的發展，開發可視化算法的并行度和可擴展性[11]。Chen和Fujishiro通過對流場特征的分析，提出了一種最優化的動態數據劃分策略[12]，減少并行流線計算過程中數據塊間的通信與同步開銷。Maximo等設計實現了基于GPU加速的VF-Ray體繪制算法[13]，該算法具有內存使用率高的特點，能將內存的占用情況降低為原來算法的1/3～1/10，為海量數據可視化處理提供了潛在發展空間。Camp等主要研究了在混合并行體系結構下流線的計算效率與可擴展性，分析了傳統基于進程并行方法的不足，提出在多核處理器體系結構下采用分布與共享式內存的混合編程方法[14]。隨著多核桌面系統的不斷普及，為充分挖掘可視化計算在多核系統的計算性能，需要開發不同層次細粒度并行性，通過多核并行優化來加速CFD數據可視化，提高計算效率。

1.2 智能特征提取

特征可視化可以提取用戶感興趣的特征，能用較少的信息表示流場中的重要數據，因此得到了廣泛的關注和應用。然而由于很多流場特征沒有準確的定義，現有的特征提取算法準確率較低、適應性較差。隨著深度學習等機器學習理論和實驗技術的突破，人工智能已發展成為特別適合進行特征復雜、規模龐大的信息理解的有效工具。Girshick等提出了目標檢測區域卷積神經網絡[15]，使用yolo網絡結構將目標檢測與渦旋識別和提取相結合的方法。Str?fer等利用循環神經網絡識別翼體連接處三維流動中的馬蹄渦，將深度神經網絡使用在三維流場中[16]，該方法相較于傳統的流體力學數值計算更加準確快捷。Franz等將卷積神經網絡的特征學習與已有圖像處理工具特征跟蹤器相結合, 提出了一個基于深度學習的渦檢測和跟蹤框架[17]。總的來說，上述方法都是利用已有的特征提取方法獲得訓練集，訓練集本身并不完全準確；評價準確率時，也是和得到訓練集的特征提取方法相比，準確率評價不夠嚴謹。

1.3 沉浸式三維虛擬顯示和多通道交互

與傳統顯示方式下的流場可視化相比，沉浸式分析以虛擬現實為交互平臺，在空間沉浸感、用戶參與度、多維感知等方面具有分析優勢。隨著沉浸式虛擬現實、人機交互技術的發展，在虛擬現實環境下對流場數據進行可視化并實現多通道交互的方法被廣泛運用。Holden和Keane采用散點圖矩陣、平行坐標、拓撲映射等降維方式展現高維飛行器設計空間和拓撲結構[18]。Brandon等在帶渦襟翼的F-106B飛行報告中引入表面和空間流場可視化技術展示了三維渦流和不同攻擊角情況的流場結果[19]。Klein等在虛擬現實環境中采用直接接觸式交互技術，通過非重疊的交互姿勢支持多種交互操作提高了流場分析效率[20]。Tong等將直接交互技術引入到流線可視化變形與探索中[21]。Gu和Wang針對時變數據集構建狀態層次結構，實現一種無遮擋、可控和自適應的分析手段[22]，能夠有效觀察和跟蹤時變數據的演化過程的可視映射方式。然而，已有工作在虛擬顯示過程中沒有結合多視圖、多角度信息，使用戶觀察的結果出現偏差。此外，已有的交互手段仍然是單一交互，沒有充分利用多通道信息，因此用戶的交互體驗仍不夠好。

2 NNW-TopViz技術特點

針對CFD對流場數據高效可視化的迫切需求和挑戰，NNW工程在可視化技術方面通過關鍵技術攻關解決軟件研發中的高效可視化技術問題，并基于關鍵技術研究成果開發了1套低耦合高內聚的軟件模塊庫，最后形成可視化軟件系統。TopViz具備并行可視化、可視特征智能提取和沉浸式三維虛擬可視化與交互分析能力。

2.1 并行可視化技術

并行技術能夠有效利用當前主流的并行計算機系統解決大規模數據的高效可視化問題。本節基于對流場網格數據的組成分析，根據CFD模擬產生的流場數據組織方式，采用對流場數據中的不同網格區域(Block)進行并行計算的方式，實現了線程并行。

2.1.1 流場數據可視化計算并行性分析

現有CFD軟件基本上都是基于區域分解，即將整個計算域的網格劃分為不同的網格子塊， 在每個網格子塊上執行相應的計算，并適當處理各個網格子塊間的數據依賴[23]。處理過程是首先將復雜流場或復雜外形分解成多個形狀簡單的區塊(Block)，然后繼續分解為多個更小的網格單元(Cell)。如圖1所示，某飛行器主要部件包括融合體機身、機翼、垂尾、邊條翼、進氣口匝道等部件，物面網格計算區域包含6個Blocks；而且在計算過程中，空間流場也會根據其物理特性進行不同程度的劃分。

圖1 網格區域劃分樣例Fig.1 An example of grid area division

在流場可視化后處理過程中，可以充分利用流場數據多塊網格的組織方式，對各個分區之間使用數據并行策略進行并發計算，尤其是對于等值面計算、等值線計算、特征提取、鏡像等標量可視化算法，在計算過程中各個區域之間沒有數據依賴，能夠充分挖掘計算任務中的并行性。

2.1.2 并行可視化設計與實現

在可視化計算中，計算流程如圖2(a)所示，首先，數據輸入模塊將流場數據從磁盤讀入內存；然后，在可視化計算過程中如等值面計算等算法，對原始數據應用過濾器，形成新的計算結果；最后，將過濾器的計算結果繪制為圖像進行顯示。在串行執行狀態下，過濾器計算時需要依次遍歷當前所有的Block，此時所有Block共享同一個過濾器。根據2.1.1節并行性分析，可以將計算流程進行并行優化，得到如圖2(b)所示新的執行流程，此時為每個Block創建一個過慮器，程序在遍歷網格塊編號前使用OpenMP的Fork機制創建一個以自己為主線程的線程組，每個線程動態分配計算任務，當網格塊循環遍歷完畢后，通過Join機制，完成線程間同步操作后主線程繼續執行而其他線程掛起。計算完成后，主線程對多塊數據執行圖像繪制等其他操作。

圖2 并行運行機制Fig.2 Parallel execution design

2.2 智能特征提取技術

針對現有機器學習方法在旋渦提取中存在的訓練集本身并不完全準確和準確率評價不夠嚴謹的問題，提出基于全卷積分割網絡的旋渦提取方法[24-27]，用于檢測流場數據中的旋渦結構。

CFD數值模擬能夠產生海量數據，但其中包含旋渦結構的數據較少，為得到足夠多的訓練數據，本方法首先運行大量CFD模擬程序，并使用傳統的全局方法(IVD)對所有流場數據進行檢測，得到包含旋渦結構的流場數據。在此基礎上，請領域專家進一步判斷和甄別，剔除一些假旋渦和噪聲，最終得到干凈的訓練數據。

由于CFD計算與網格規模緊密相關，網格的大小一般不一樣，如果直接將整個流場數據作為輸入，則方法無法適配不同規模的網格。為解決該問題，本方法使用了分塊策略，對任意大小的流場，均將其拆分為多個固定大小的小塊，并以小塊作為模型輸入，對小塊中所有網格點進行計算，計算完成后將小塊拼接為原始流場大小，得到整個流場的旋渦結構。

如圖3所示，基于全卷積分割網絡的流場旋渦提取方法主要包含前處理、分割網絡和后處理3個部分。前處理部分主要是向網絡提供輸入，包括網格轉換和隨機采樣2部分。網格轉換通過將包含速度大小(u、v、w分別表示速度在空間中3個方向的分量)的物理網格拉伸到笛卡兒坐標系，實現了從物理網格到計算網格的轉換；隨機采樣得到流場內的隨機小塊用于訓練。后處理將所有局部標記塊進行合并，從而獲得整個流場中的旋渦結構預測結果。如圖4所示，旋渦分割網絡包括卷積層、特征拼接層、降采樣層、反向卷積層。

圖3 基于全卷積分割網絡的流場旋渦提取方法架構Fig.3 Vortex extraction architecture of flow field based on full convolution segmentation network

該網絡通過全卷積網絡及層間跳連拋棄了完全連接的層，并采用完全卷積的網絡來減少參數的數量并提升了網絡精度，通過輸入訓練得到一個分割卷積神經網絡(CNN)模型。

2.3 沉浸式三維虛擬顯示和多通道交互技術

隨著流場數據的屬性特征和空間結構復雜度不斷增加，數據屬性之間的關聯關系和時空變化造成探究和分析其內在特征困難。為提供多視圖、多角度流場探測方式，并提高交互體驗，開展了沉浸式三維虛擬顯示技術和多通道交互技術研究。

2.3.1 沉浸式三維虛擬顯示

沉浸式三維虛擬顯示技術方面，以多變量模擬時變數據作為分析對象，實現了流場數據在沉浸式三維環境下的虛擬顯示方法，設計流場特征分析的可視化方案。總體方案設計如圖5所示，其中可視化管線用以解決沉浸式三維虛擬環境下的數據讀取、分塊與映射問題，實現了流場原始數據的分塊映射顯示；渲染引擎實現了對流場數據標量和矢量的渲染；交互界面設計提供了沉浸式環境下用戶操作與系統響應的接口。

圖5 沉浸式三維虛擬顯示總體框架設計Fig.5 Overall framework of immersive 3D virtual display

采用開源工具包VTK和OpenVR構建三維虛擬顯示系統的可視化管線，流場數據通過VTK管線流的處理，生成可繪制幾何體。針對流場原始數據類型讀取問題，通過繼承重寫多塊數據類以及TopViz數據讀取類，實現對流場原始數據的讀取。針對流場原始數據按塊存儲、數據讀取顯示問題，采用多個對象存儲，創建不同種類的過濾器分塊過濾原始數據，最后通過映射器實現對流場原始數據的分塊映射顯示。針對流場數據類型問題，采用不同的拾取子類接收對應類型的流場數據，實現對流場數據標量和矢量的渲染。針對沉浸式流場數據渲染問題，采用VTK在沉浸式環境下的渲染方式，將用于VTK桌面渲染引擎替換為對應沉浸式環境下的渲染引擎，實現在沉浸式環境下流場數據的渲染。

2.3.2 沉浸式多通道交互

在多通道交互方面，基于頭戴式顯示設備和手勢傳感器構建了沉浸式虛擬顯示與交互平臺，實現了手勢交互和眼球凝視2種交互方法，并構建了沉浸式環境下的交互界面，用戶在界面上可以有效運用多通道交互技術實現對可視化圖形的參數配置。

手勢交互是通過人體信息的自然輸入實現的人機交互方式，具有自然、直觀、靈活的特點，借助針對手勢的體感設備，用戶可以在沉浸式環境中直接通過雙手操作虛擬空間中的三維圖像，降低了交互的復雜度和學習門檻。如圖6所示，手勢交互的實現主要包括手勢建模、手勢定義、手勢識別、交互事件4個部分。根據可視化圖形場景和用戶需求預定義手勢姿態及含義，根據預定義手勢姿態所對應的手勢狀態特征制定識別算法；根據用戶交互需求定義交互事件，把交互事件與交互手勢進行合理的綁定；通過Leap Motion傳感器獲取實時手勢狀態信息，通過手勢識別算法完成手勢識別，識別特定的交互手勢觸發相應的交互事件。

圖6 手勢交互流程Fig.6 Process of gesture interaction

凝視作為一種表示用戶注意力的自然交互技術，其主要優點是不依賴用戶手勢等肢體動作，提供的參考方向準確性高穩定性好，交互手段便捷，能夠解放用戶的雙手去完成其他交互任務,同時，凝視交互配合手勢交互可以完成系統交互輸入。

由于主相機是虛擬現實頭盔在沉浸式環境中的虛擬載體，因此以主相機的視角方向移動作為界面選擇移動的依據。在實現時，把主相機所在位置作為起點，將主相機位置朝向視點位置的向量作為凝視交互方向，發出射線與交互界面進行交互。

2.3.3 交互界面

流場數據可視化結果類型復雜、涉及物理量種類多樣并且數據規模巨大，需要通過交互界面進行各種復雜參數的修改配置從而便于用戶進行數據觀察分析。沉浸式環境下的交互界面在設計上除了要完成參數配置功能，還需要適應沉浸式環境的特點，符合沉浸式環境下的交互體驗，與多通道交互技術要相互適應。

根據用戶的交互需求通過應用程序開發框架(Qt)構建初始交互界面，將初始交互界面轉換保存為圖像數據。在沉浸式環境中初始化生成一塊有限大小平面，將該圖像數據作為平面的紋理貼圖，實現交互界面在沉浸式環境下的顯示。根據沉浸式環境的特點，為了避免其他物體的遮擋，交互界面的顯示優先級設置為最高；顯示方位要保持始終朝向用戶。采用視線交互作為選擇交互工具，計算視線方向射線與交互平面的交點坐標，通過轉換公式轉換為Qt界面坐標從而完成選擇交互。采用手勢交互作為點擊交互工具，做出預定義的點擊手勢完成點擊交互。

3 NNW-TopViz系統設計與開發

為滿足CFD領域專家對流場數據的探索式交互需求，需要集成眾多可視化技術，形成一個功能完備的軟件系統。因此，TopViz采用了層次式軟件架構，以保持系統的可擴展性。本節介紹了TopViz的軟件整體架構和系統詳細設計，闡述了系統模型和系統功能。

3.1 系統整體架構

TopViz系統的層次化總體功能結構如圖7所示，自底而上分為4層。

圖7 TopViz軟件架構Fig.7 Architecture of TopViz software

1) 基礎庫層，主要是第三方基礎庫，包括可視化基礎庫VTK、cgns和tecplot數據格式基礎庫以及Qt庫等。

2) 業務模塊層，軟件系統的功能模塊，包括數據I/O、等值面等可視功能。

3) 連接層，作為業務模塊層和表現層的中間連接，包括軟件對話框、子窗口以及交互Widget管理，包含對業務模塊層的任務模塊調度等功能。

4) 表現層，分為TopViz-PC版和TopViz-VR版2個版本實現，包括顯示模式控制視圖顯示方式和交互控制，以及軟件工具菜單等工具，部件窗口用于展示原始流程文件組織方式以及可視計算結果顯示控制等。

3.2 系統詳細設計與開發

3.2.1 系統模型

采用以數據為中心的數據流模型,其流程如圖8所示。數據輸入指系統能導入多種格式的數據文件并實現它們之間的相互轉化。數據過濾包括等值面提取、智能特征提取等可視化功能。可視化映射是構造數據的幾何表示,即如何用顏色、光亮、形狀以及其他屬性來突出表示出人們對數據中感興趣的性質和特征。圖像繪制是將數據的幾何圖元和屬性轉換為可被顯示的特定的圖像信息，包括在VR(Virtual Reality)環境中的顯示。圖形顯示是將圖像動態輸出，包括屏幕顯示、VR環境顯示、視頻/圖像輸出等。

圖8 TopViz系統模型Fig.8 System model of TopViz

3.2.2 系統功能

數據I/O和管理：實現對tecplot、cgns、PLOT3D等主流格式的流場數據的數據讀取功能，并提供對這些數據的高效組織和管理方法。

流場顯示：將可視化繪制的圖片在繪制窗口中顯示，顯示方式包括面、點、網格3種方式，支持對顯示的三維圖形進行旋轉、縮放等操作。

幾何可視化：根據客戶端提供的參數完成等值線、等值面、流線、剪切、云圖等幾何可視化計算。

特征可視化：根據客戶端提供的參數完成渦特征的智能可視計算。

體可視化：根據客戶端提供的參數完成體可視化計算。

紋理可視化：根據客戶端提供的參數完成紋理可視化計算。

人機界面：向用戶提供進行人機交互的界面，主要由菜單和工具欄、部件和信息窗口、繪圖窗口等幾個模塊構成。用戶通過界面可以選擇所要使用的可視化功能，查詢數據信息，觀察所繪制圖片并進行相關的交互操作。

顯示控制：獲取用戶對繪制的參數調整并傳遞給同步模塊，包括控制數據的顯示和隱藏、對數據進行著色和透明度調整、在當前繪圖窗口中拾取所需數據等。

4 NNW-Topviz測試與分析

本節介紹了TopViz系統PC版和VR版軟件交互界面和系統性能，并對線程并行效率與擴展性、智能特征提取進行測試分析。

4.1 系統簡介

TopViz-PC版主界面如圖9所示，主要分為5個部分：工具菜單欄、狀態欄、部件選擇子窗口、信息顯示子窗口、繪制子窗口。工具菜單欄包含數據I/O、可視化功能、顯示方式、Widget顯示隱藏等工具；部件子窗口顯示當前流場數據的Zone分區數據以及通過可視化功能生成的數據，信息窗口顯示在部件中選中的數據的網格量、數據大小等基礎信息；繪制子窗口為網格顯示以及交互控制區域。

圖9 TopViz-PC版軟件主界面Fig.9 Main interface of TopViz-PC version

TopViz-VR版交互界面如圖10所示，該版本功能與PC版一致，通過硬件環境HTC VIVE PRO頭盔、定位器系統和Leap Motion傳感器，以及軟件環境VTK8.0+SteamVR1.7.15+OpenVR+Leap Motion3.2.1，實現了沉浸式環境下的顯示與多通道交互。與PC版不同的是，在完成原始數據的讀取顯示后，VR版顯示管線樹界面會生成一個以當前數據為根節點的樹。以計算流線為例，在添加流線后，該流場部件顯示為子節點并進入流線顯示功能，完成流線參數和種子點生成區域的配置，所有參數及種子點生成區域配置完成后，進行流線顯示繪制，顯示結果如圖11所示。

圖10 TopViz-VR版軟件交互界面Fig.10 Interactive interface of TopViz-VR version

圖11 TopViz-VR版流線繪制結果Fig.11 Streamline results of TopViz-VR version

4.2 并行擴展性測試

基于VS2015+Qt5+VTK 8.0開發環境，在配置為Intel(R)Core(TM)i5-7400 @3.0 GHz處理器(16 GB)內存和NVIDA Geforce GTX1050顯卡(4 G 顯存)的計算機上測試實現TopViz業務模塊并行擴展性。為驗證本系統的實驗效果，采用多類數據集測試系統。具體測試數據集如表1 所示，數據涵蓋了多種數據格式、數據類型和數據大小的測試集。測試過程分為2步，第1步測試串行實現的軟件功能的運行實現，作為并行優化的基準測試，第2步測試優化后的功能在多線程環境下的運行時間，由于常用桌面系統(配置i5/i7處理器)硬件核心為4核，本實驗分別測試了2個線程和4個線程的運行性能。

表1 并行效率測試數據集Table 1 Test datasets of parallel efficiency

圖12給出了TopViz軟件功能在不同數據集上的并行加速比統計結果。從圖中可以發現：首先，軟件各個功能在多線程運行時能夠獲得明顯的性能加速，驗證了線程并行的有效性；其次，對比加速比隨OpenMP線程數增加的情況，對于D1和D2這2個數據集，軟件的加速器隨著線程數據增加而增大，而對于D3和D4這2個數據集，線程數從2增加到4，加速比基本不變；最后，運行4個線程時，能夠獲得的最大加速比為2.4(D1數據等值線計算)。

圖12 TopViz 并行性能加速效果Fig.12 Parallel performance speedup effect of TopViz

TopViz根據CFD流場文件多塊數據(Multi block)的組織方式，將多塊數據的計算分配給多線程并行執行，因此能夠獲得的加速效果依賴于流場數據的具體組織方式。對于D3和D4這2個數據集，空間流場數據由2個Block組成，共占用數據約95%的網格單元數和點數，因此從串行執行到2個線程并行執行時能獲得明顯的加速，而繼續擴大線程數，性能不再提升，可視計算耗時由負責單元數最大的線程確定，此時受限于線程間負載不均衡。同時，對于D1和D2基本獲得了線性的并行可擴展性，這是由于這2個數據集的網格分塊相對均勻；但是由于各個數據塊間網格不是完全相等，存在線程間負載不均衡的情況，并行效率難以達到理論效果。

下一步，TopViz將繼續發掘蘊含在網格塊中的細粒度并行性,采用基于Cell的并行策略，以進一步提升軟件的可視計算效率。總的來說，經過多線程并行優化，極大地提高了TopViz可視計算效率，能夠有效滿足用戶的實時交互需求。

4.3 智能特征提取測試

在多個二維和三維流動情況下,對TopViz業務模塊中的基于全卷積分割的旋渦識別方法進行了測試評價。所有的數據集都是對不同流場的時變模擬的結果，而時變模擬將產生許多反映旋渦隨時間變化的時變數據集。由于該方法及其比較算法只適用于單個時間步長數據集，所以選擇每個數據集中最具代表性的時間步長進行旋渦流提取和可視化。訓練和測試算例具體情況如表2所示。

利用6個二維流場對分割網絡進行訓練，分別為：網格尺寸為101×761和101×381圓柱流場的第5 000個時間步模擬數據，網格尺寸為101×381 圓柱流場的第50 000個時間步模擬數據，網格尺寸為101×761和101×381的平板流場的第5 000個時間步模擬數據，網格尺寸為101×381平板流場的第50 000個時間步模擬數據。在這6個流場上隨機抽取貼片，得到2.0×105個標簽塊。然后，丟棄那些不包含渦的標簽塊，使用剩余的標簽塊來訓練分割網絡。對于三維數據集，在網格尺寸為81×81×81的SV-81-1000的第1 000個時間步數據上隨機抽取3.0×105個標簽塊，用于訓練分割網絡。

在三角形、正方形和翼型等3種二維不同外形上的測試結果如表3和表4(表中α為攻角)所示。結果顯示提出的方法與閾值無關，與現有的方法相比，基于本文提出的旋渦分割網絡特征提取方法可以達到更高的精度和召回率，并且耗時少。表3顯示了所有方法的性能，將該方法與其他方法進行了比較，分割網絡比其他方法更準確和有效。表4顯示了在二維測試下，分割網絡平均只需1 s就可以識別出所有渦結構，且平均分類準確率為96.4%，召回率為84.9%。相比之下，IVD方法平均需要240.2 s。

表3 不同方法在二維三角形和方形數據中的測試結果

表4 不同方法在機翼流場不同攻角情況下測試結果

圖13顯示了SV-161上所有方法在壓力(p)著色時的結果。激波和旋渦是空氣動力學中的2種基本結構，它們之間的相互干擾是超聲速剪切層、超聲速射流和燃燒中常見的現象。從圖13可以發現，所有方法都可以識別激波后的渦環，大多數方法都可以識別渦破裂尾部的四股螺旋結構，同時，分割網絡的可視化結果更接近真實情況。

圖13 161×81×81正方形激波/旋渦干擾流場不同方法的可視化結果Fig.13 Visual results for different methods in 161×81×81 square shockwave vortex interaction flow field

圖14顯示了在雙三角翼上壓力(p)著色時所有方法的可視化結果。在雙三角翼情況下，有2種主要的旋渦，即邊條旋渦和機翼旋渦。雖然在旋渦破裂區，各種方法都會產生不同程度的誤檢和漏檢，但是與其他方法相比，基于分割網絡方法得到的結果更可靠。

圖14 301×101×201雙三角翼不同方法的可視化結果Fig.14 Visual results for different methods in 301×101×201 double delta wing

實測表明，基于全卷積分割網絡的流場旋渦提取方法與其他相關工作相比，計算速度更快，檢測精度更高，可以適配不同尺度的流場作為輸入。

5 總 結

本文基于CFD流場數據可視分析需求，開發了可視分析系統TopViz，為CFD后置處理提供特征結構、流動機理的精確提取方法和可視表達工具，以適應數值仿真系統數據產出的持續發展趨勢，滿足武器裝備和國民經濟領域的數字化發展和數據可視分析需求。該系統具有以下特點：計算效率高，支持線程并行；智能化程度高，實現了基于卷積神經網絡的旋渦特征提取方法；用戶體驗好，提供了PC和VR這2個軟件版本，具備Windows桌面環境和沉浸式三維虛擬可視化與多通道交互分析的能力，提供多視圖、多角度流場探測方式；可視化功能齊全，具備特征提取、體繪制、等值面提取、流線繪制等基礎功能，并基于層次式和模塊化開發方法，實現了可擴展軟件架構，可以有效地展現流場數據中的特征信息，幫助用戶理解分析復雜流場物理現象。

下一步，將針對更大規模的海量流場數據，開發高性能計算機分布式環境下的并行流場系統，實現處理器級并行；同時為滿足數值模擬與可視化處理緊密結合、協同工作的需求，開發原位可視功能，實現對計算結果數據在原位直接進行可視化處理。