【深度学习驱动流体力学】采集OpenFOAM仿真的流体力学数据送入到LSTM模型训练

具体参考上一篇文章:
【深度学习驱动流体力学】采集OpenFOAM仿真数据作为AI模型训练数据集与卷积神经网络搭建到预测(一站式完整代码实现)

原理介绍

数据处理与预处理
该代码首先导入必要的库，包括用于读取和处理VTK文件的pyvista，用于数值计算的numpy，用于路径操作的os，用于数据集划分的sklearn，用于构建和训练神经网络的tensorflow，以及用于可视化的matplotlib。然后，定义数据目录并生成要读取的VTK文件路径列表。通过read_vtk函数读取VTK文件并提取速度场数据，并将所有数据存储在一个numpy数组中。数据读取后，将其划分为训练集和测试集，并对数据进行规范化处理，以确保数据均值为0，标准差为1，防止训练过程中的数值问题。

LSTM模型构建与训练
构建LSTM模型时，使用了tf.keras.Sequential构建顺序模型，包含两个LSTM层和一个Dropout层。第一层LSTM包含128个单元，并返回完整序列；第二层LSTM包含64个单元，不返回序列。Dropout层用于随机丢弃20%的神经元，以防止过拟合。Dense层将输出展平为原始形状的大小，并通过Reshape层将其重新变回输入的形状。模型使用Adam优化器和均方误差（MSE）作为损失函数，均绝对误差（MAE）作为度量指标进行编译。训练过程中，使用早停法监控验证损失，防止过拟合。