文摘
分析仿真的特效动画通过流体方程和数据驱动方法。本文还考虑计算机流体动画仿真的需要模拟的计算精度和效率,需要高实时、高交互性、和高物理仿真算法的精度为研究重点和目标,并提出了一个解决方案基于深层神经网络算法和加速度方案框架模拟自然现象的关键问题,包括烟雾和液体。深与人工智能技术的发展,神经网络模型等研究领域的广泛应用计算机图像分类、语音识别、合成和流体细节与他们的学习能力强大的数据。其稳定和高效的计算模型提供了一种新的解决问题的方法计算机流体动画仿真。时间序列重建而言,本文采用一种tracking-based重建方法,包括目标跟踪、2 d轨迹拟合和修复、重建3 d轨道。连续图像序列,基于金字塔光流的线性动态模型算法用于跟踪功能对象的中心,和特征点的空间坐标和运动参数重建获得的运动轨迹。实验结果表明,在空间重建方面,匹配方法相比,本文更准确的与传统的立体匹配算法;时间序列重建而言,目标跟踪的误差降低。最后,3 d点功能对象的运动轨迹和运动模式在某一时刻所示,本文方法获得更理想的结果,证明了该方法的有效性。
1。介绍
自从诞生的计算机图形学中,人们通过电脑想描绘现实世界。电影特效、视频游戏、工业生产、虚拟现实等都离不开虚拟场景仿真的必要性。例如,在电影制造业,由于成本和其他原因,许多照片在现实世界中无法实现通过真实的场景,比如洪水,海啸,泥石流,火山爆发,当动画师需要使用电脑特效技术模拟,实现他们。此外,电脑动画技术也可以产生一些不存在的场景在现实世界中,这样人们的无穷无尽的想象力可以实现和表达1]。随着技术的发展,人们越来越高的要求,他们看到的现实模拟场景。除了用专业的3 d建模和光线渲染技术,电脑动画的现实主义也依赖于准确的物理运动模拟对象的描述。计算物理学也需要使用电脑进行物理模拟,通过数值方法求解物理方程,追求高精度数值模拟的物理(2]。然后,通过传统的流体模拟方法,相应的场景设计和模拟训练,训练数据收集,建立整个训练集。考虑物理数值模拟的复杂性和有限的计算资源和时间,以满足严格的要求实时仿真和交互性的虚拟现实等应用场景尽可能基于物理计算机动画技术已经出现,其目标是提高仿真速度和获得视觉现实的动画效果设计和推导简单物理模型的物理精度(3]。目标是提高仿真速度和获得视觉现实的动画效果设计和推导简单物理模型在物理精度为代价的。
数字技术的出现带来了更广阔的发展前景的设计和创建动画,让动画设计和创造有更丰富的表达方式,和动画制作软件的出现,包括两个——和三维和CG动画制作软件,在很大程度上减少了动画制作的技术门槛4]。数字技术的发展带来了更多的选择用于创建动画。数字技术贯穿整个动画的创建过程,包括创造者的概念描述和生产,以及正式创建动画,最后形成一个完整的动画作品。有着许多优点,数字技术必将成为动画艺术创作的最有力的工具。另一方面,动画产业逐渐出现在数字媒体时代的背景下,这可以说是朝阳产业目前在全球范围内(5]。促进其空间发展的同时,也为相关从业者带来一个光明的未来和应用企业。这表明,数字技术不断促进动画产业的发展,动画产业也更好的为我们的生产生活;数字技术的发展必将使动画产业一个新的高峰。三维运动捕捉技术在各个领域的使用,给人们的生活带来了巨大的方便。该技术的应用不仅停留在肤浅的视觉,还希望获得更多有价值的信息的图像视频,如目标对象的运动数据,形状,和构成,并给出了相应的结论,解决生活中的实际问题。动作捕捉技术,研究人体运动捕捉有关。除了动作捕捉模式,点特性的功能捕捉对象模型也可以执行,从而使动作捕捉技术更广泛的应用。
在当前计算机图形学领域,有许多研究热点和困难流体欧拉网格动画仿真方法。本节提供了进一步分析研究欧拉网格流体仿真加速算法的方法。从上一节,有效加速大规模、高质量、高精度流体动画模拟一直是在这个领域的研究困难。最直接的方式加速流体动画模拟的欧拉网格方法是使用更高效的数值方法来提高流体模拟的计算效率。在传统的流体仿真框架,主要的计算瓶颈是投影一步泊松方程的解决方案的过程。虽然共预处理常见电感梯度(PCG)投影方法步骤的解决方案是快速和容易实现,它受限于收敛效率在处理大规模、高分辨率网格离散场景。应用了许多优秀的研究工作,如Milt-Grid作为共同抑制梯度法的预处理方法,使用户能够得到更明显的收敛加速时,模拟大规模场景。此外,一些研究人员进一步提高其计算速度通过使用图形处理单元(gpu)的并行算法。
2。现状的研究
基于数据的训练方法也预先计算的数据方法的经典方法之一。例如,张等人使用SPH方法计算生成流体粒子数据,建立整体状态图,和分配的计算获得最佳匹配模式来实现游戏的图形加速在手机端(6]。江等,另一方面,把流体模拟过程SPH方法的回归问题,由历史数据训练回归森林在预处理步骤(7]。完成之后,邻近粒子的状态输入,然后,当前粒子的近似速度值在下一帧迅速获得根据回归森林,和更好的加速效果。然而,这些方法都局限于拉格朗日粒子方法,牺牲的模拟精度,算法的外推能力弱,这对不同的场景(不是万能8]。上面的仿真方法结合流体数据预先计算可以有效地利用历史计算数据,并提供一个新的加速工具实时流体计算,这是一个热点在当前流体动画仿真技术研究,但仍有许多要点,需要紧急突破9]。例如,在模型降阶方法,精度损失在很大程度上是由于降维,它仍然需要大量的计算资源和时间来解决大型线性方程组由泊松方程的离散化投影一步;关键帧插值方法仅限于相似关键帧之间的插值;数据训练方法仍局限于拉格朗日粒子方法,仿真和计算精度和物理精度不能保证(10]。一般来说,现有的基于数据的流体模拟方法有两个主要缺点:一是他们很大程度上牺牲流体模拟的准确性,和其他的算法限制流体场景的普遍性(11]。第二,现有的方法不能提供深入分析流体模拟的主要计算瓶颈和缺乏有效的和快速的解决方案方法(12]。
更具体地说,如何设计特殊形态差异识别模型使用现有的深度学习技术呢?如何扩展仿真结果基于低精度形态校正精度高仿真场景吗?这些都是重要的问题,在未来的研究需要解决。空间三维重建而言,首先,根据对象的不同的特征属性,选择有针对性的目标检测算法找到特征点的中心坐标(13]。传统的目标检测算法无法找到有效的功能中心,和重建效果很差14]。与标记为对象,基于最优排序的脚腕梯度法;对未标记对象,基于轮廓提取椭圆最小二乘拟合方法用于查找功能重心。仿射变换算法的匹配,提出了基于极线约束摘要(15]。首先,像差校正和立体校正应用于原始图像,消除畸变,并保持相应的图像块在左右图像在同一水平。然后,映射的图像块的特征点在左图像由仿射变换函数,生成和迭代搜索匹配的特征点对的形象,在极线约束点的发现过程。最后,根据摄像机的投影矩阵校准,每个对应点的空间位置计算进而重建三维模型(16]。
两到四维空间的尺寸变化进行整个创建过程。从创造者的角度来看,我们分析的使用空间维度扩展和压缩创建探索之间的必然联系,并提供一个基础的技术基础和3 d动画的艺术形式;从观众的角度来看,我们分析三维动画的认知和经验维度,探索视觉原则和审美心理的内在影响三维动画艺术的创作;从经济和文化维度,我们分析商业和文化现象之间的联系发展的3 d动画。从经济和文化维度,我们分析商业和文化现象之间的联系发展的3 d动画。研究的三维动画,从维度的概念,不同的角度和层次的讨论是必要的澄清3 d动画技术之间的关系,艺术创作技巧,和基本理论建设,具有重要意义动画创作的实践和理论研究。
3所示。流体方程和特效动画的数据驱动的仿真分析
3.1。流体方程和数据驱动的建设
在经典物理学,n - s方程通常用于描述的运动粘性不可压缩流体动量守恒关系,这是建立Laude-Louis纳维et al。其制定特定的向量形式:
他们两个,即对流步骤和投影的一步,是所有研究人员最感兴趣的子步骤。早些时候欧拉网格流体计算框架使用有限差分方法求解对流一步,但是这种方法不能获得稳定的数值模拟结果,并由于对流方程的非线性,三流的步骤必须被用于离散差分计算格式,也使计算速度和效率更少(17]。通过软件自动合成3 d模型。图像建模技术和三维扫描技术大大提高了建模效率。然而,图像建模技术也有一个很大的缺陷,即不可能调整模型的细节,很难让我们思考。出于这个原因,乔斯斯塔姆首次提出一个无条件稳定的方法求解对流的步骤。这项工作Semi-LaGrange方法适用于解决流体动量方程的对流项,将流体视为一个粒子在特定的对流计算速度和计算速度和压力使用回溯的方法。这种方法计算对流项的欧拉网格框架结合拉格朗日粒子的角度也逐渐成为标准方法求解对流的流体欧拉网格动画的方法。
连续变量的数值离散化是必不可少的计算机数值方法的应用流体动画模拟。是很重要的知道如何离散化问题,什么格式的,因为不同的离散化方法对应着不同的离散化格式,有不同的存储信息的方法和计算问题,同时,有一样的连续性问题不同精度的数值解结果时应用不同的离散化方法。本文介绍了两种最常用的离散化方法均匀网格法和交错网格法计算机解决方案常数和偏微分方程等。首先,均匀网格方法是最常见和最简单的连续变量和离散化格式字段。对于一维变量,这意味着它分为线性线段。例如,对于一个连续变量 ,在哪里 ,我们可以把它分成十段网格点的值 。变量的均匀网格划分和字段在二维情况下的左subfigure图所示1,我们可以使离散整个二维空间等距正方形网格根据笛卡儿坐标系统( , - - - - - -轴)。同样的,三维的均匀网格划分中可以看到左边subfigure图1,这也意味着整个三维空间分为一个等角的正方形网格。然后,在此基础上统一的网格离散化方法,我们可以改变空间变量如速度场成离散形式在离散坐标和相应的值存储在网格的中心。
另一方面,算法敏感的存储空间,这种网格格式可以有效降低存储空间代替矢量与标量存储(存储18]。最重要的是,这种网格离散格式可以有效改善离散计算的准确性,避免“不可忽视的零空间问题”:不同的函数或变量的值是零,但实际值非常数值。最典型的案例是锯齿波函数的导数计算;我们使用 作为一个例子的锯齿波函数,使用统一的网格导数计算公式(4),然后 ,但事实上,这个函数不是一个衍生品为零的常数函数,所以计算结果和实际的功能相互矛盾的现象。交错网格方法是一种完美的解决这个问题。
然而,这种方法的缺点是低于均匀网格方法,因为网格中的速度需要计算组件,即。,每个方向的变量。速度需要插值(通常是线性或三线的)。
在古典欧拉网格方法的框架,最耗时的计算投影一步一步是解决方案的过程。从上面的描述,投影的解决方案的关键一步是泊松方程的解,即。的解泊松方程的离散形式。在这里,我们首先进一步分析泊松方程形成的流体投影的一步。方程(5)是为一个三维泊松方程的离散形式流体(在MAC网格),一般来说,可以减少整个流场方程矩阵向量形式如下。
矩阵是对称正定的稀疏矩阵,在三维情况下,每一行有7个非零元素,所以它可以被称为级拉普拉斯算子矩阵,同样的,在二维情况下,每一行包含五个非零元素,所以它被称为基于拉普拉斯算子矩阵。以下方程的矩阵向量扩张泊松方程在二维情况下的预测步骤。
因此,我们可以看到,泊松方程解决流体投影一步是解决上述线性方程系统。传统的数值方法求解线性系统中,主要有两种类型的解决方案,一个是直接的解决方法,如高斯消去法和LU分解法。判断一个场景环境的质量主要取决于现场能提供强烈的替换和给动画带来的人。这幅漫画的场景是非常大的,因为它是一个地下矿山,纵横交错,密集交叉,所以现场的生产模式是最重要和最耗时的。这些方法适用于解决线性方程的小尺寸和维度,但不能用于大维度的线性系统。例如,在三维情况下,线性方程组的维数是由解决流体系统网格精度为1024,即矩阵的顺序将达到 ,和这样一个巨大的线性系统不能有效地由传统的直接法。
实现流体的数值模拟,计算方程需要分解,通常分为三个步骤,即求解平流项(平流),解决外力项(体力),和解决投影项(投影)的压力。
不同的顺序执行以下三个步骤可以对数值模拟的结果产生影响。其中,解决计算平流项需要确保执行与零速度场散射,所以在模拟,求解平流项通常作用于scatter-free速度场后解决投影。
使用流体模拟的欧拉方法的优势是流体相对于网格移动,所以没有网格畸变问题,液体的不可压缩性可以保证在合理的计算时间。缺点是控制方程中的平流项需要处理;否则,很容易引起数值耗散。此外,它是非常具有挑战性的构造规则网格和不规则的或复杂的几何图形。当使用欧拉法计算边界问题,流体界面可能穿过细胞,所以额外的算法需要跟踪和重构移动界面,如图2。
非牛顿流体广泛存在于现实世界中,有各种各样的类型和不同的物理性质。其中,粘性非牛顿流体可分为剪切稀化流体,剪切增稠液体,和宾汉塑性流体根据内在结构关系,如图2。剪切稀化流体的运动粘度对剪切速率成反比,剪切增稠液体的运动粘度与剪切速率成正比,和宾汉塑性流体流动只有在剪切速率大于最低临界值和运动粘度对剪切速率成反比。
以来产生的流体动画的离散计算网格与不同的分辨率差异很大,即使在相同的模拟参数,不同的模拟精度(分辨率)可以产生截然不同的仿真结果;因此,许多传统的流体动画仿真算法优化仿真结果精度高,其中典型的一个是流体的指导方法。近年来,许多优秀的算法流体动画出现的学术社区的概念使用预先计算的流体数据快速生成新的流体的结果,这可以显著加速仿真过程通过预先计算的数据。流体仿真框架是基于传统的欧拉网格法流体仿真框架,也分解流体模拟成四个方面(对流一步,外力一步,扩散步骤,和投影步骤)循序渐进的解决方案。
它也必须满足液体的不可压缩性。
之间有一个相对稳定的数学关系的已知数据投影一步泊松方程和请求的数据,所以我们可以尝试构建一个深度学习模型代替这个方程,利用已知的数据作为输入数据的整体深度学习模型(输入数据)和请求数据的输出数据深度学习模型(输出数据)19]。在传统的流体仿真框架,主要计算瓶颈是解决投影的泊松方程的过程步骤。虽然常用的预处理共轭梯度投影方法步骤计算具有快速收敛性和容易实现的特点,它将限制其收敛效率在处理大规模、高分辨率网格离散的场景。我们首先构建相应的特征向量提取训练样本数据特征的基础上投影的一步。然后,我们设计相应的培训方案和模拟他们传统的流体模拟方法,收集培训数据,并建立整个训练集。
后构造深度学习的输入和输出特性向量模型,训练样本可以由这种结构生成训练集。在这一章,传统的欧拉网格方法用于训练数据生成:首先,流体数值模拟场景设计,和预处理共轭梯度法(PCG)作为解决方案的泊松方程投影方法步骤,和不完整的柯列斯基分解(IC)用作预处理算子。
3.2。特效动画模拟设计
三维扫描技术是扫描演员、动物或物体在三维空间中通过一个三维扫描系统和传输扫描对象的每一个坐标点和颜色信息的计算机3 d扫描的彩色数字模型对象。与几何建模方法相比,三维扫描技术更简单,更方便,但3 d扫描技术要求相当高成本的硬件设备和限制了动画师的艺术创造力。技术是采取multiangle照片的模型对象是由多个数码相机,从各个角度获取对象的数码照片,并通过软件自动合成3 d模型。两个图像建模技术和三维扫描技术使建模效率大大提高,但是图像建模技术也有一个主要的缺点,也就是说,不可能调整模型的细节,很难得到精确的模型,我们想要的。
画重复放炮之前,我们必须解决根据脚本叙述整个故事,然后设计和安排屏幕,最后,通过手绘板画画面在Photoshop中,马克的运动人物,画面表达不同知识的不同组合点,然后使重复放炮表中的重复放炮成一个完整的演示(20.]。这个动画属于科学教育电影,分为两个部分,第一部分是矿井火灾自救、逃生培训教育,第二部分是对屋顶的发生灾难的处理方法。每一节介绍了事故的前兆,灾难发生的过程,和自救的技巧和逃避灾难发生后,共有约130重复放炮,Photoshop和赛,等。脚本详细解剖和对应于尽可能地叙述。
场景建模、场景设计图纸作为参考,基于场景的建模。现场主要反映了卡通的环境氛围,环境,和情节和人物共同构成动画电影的三个重要因素,从一个场景的美好环境主要取决于这一幕能提供强烈的沉浸和给动画带来的人。这个动画电影的场景非常大,因为它是一个地下矿山、和crossdense投递,所以现场的生产模式是最重要的和费时的。有完全不同的信息存储方法和计算问题。与此同时,同样的连续性问题将不可避免地发生。不同的离散化方法的应用将导致数值解结果与不同的精度。与此同时,我们需要考虑的优化问题和尽量减少面临的场景。一些小型零件或装饰的模型可以被映射到减少面临的模型,如图3。
该算法是一个长期的目标跟踪算法描述和识别目标的形状分析。首先,视频的第一帧的目标是手动选择;第二,目标边界框是由区域分割;然后,追踪和更新检测器的学习模块;最后,定义形状变换,构造多尺度水平集函数,目标的变形约束函数的集合。一方面,这种方法需要prelearning目标样本和手动标记目标来衡量在第一帧图像;另一方面,它不能有效地处理目标的变形和闭塞,不能保持数据的准确性和稳定性的实验环境中目标和背景之间的差异并不明显。
一个粒子系统是数字动画不可或缺的一部分;使用粒子系统可以使我们用一半的努力得到两倍的结果;很多电影与波,烟花、碎片等效果,是通过使用一个粒子系统。在粒子系统中,每个粒子都有自己的出生时间,生存时间,和死亡时间,一个非常自由的生命周期,它的运动路径,和纹理应用到每个粒子的能力或替换它的模型。这是非常有用的对于大场景。
本文的实验对象是一个点特征对象,需要提取表面各点的轮廓信息。在提取过程中,图像的边缘像素点随机采样来确定目标,但是错误经常发生由于噪声的存在。因此,在目标探测、外地欧几里得中值滤波算法消除图像中的高斯噪声,然后,形态学滤波函数的图像边缘增强,和以下两个方法用于目标检测和特征提取。
计算机创造的角色不是简单的物理工具的干预,但作为创造者的思想的延续和重新解释。创意意图是通过软件实现的硬件平台上运行,使创作者的创作过程更间接和操作。基于物理流体动画模拟是一个非常广泛应用研究领域,加速算法的研究,在计算机图形学中仿真已经成为一种流行的方向。它有很大的发展前景在影视特效制作、游戏场景制作,和各种应用程序的虚拟现实和混合现实,这是最近比较流行。与此同时,由于大数据和机器学习技术的快速发展,特别是深层神经网络建模能力的增加在深度学习,它还提供了一种新方法的高效和高质量的模拟计算机流体动画模拟,如图4。
随着科技的进步,人们获得了前所未有的自由创造3 d虚拟世界(21]。输入技术的降低成本意味着,在现实世界中一切可以复制和重复的在虚拟世界中。人民对美好生活的本能激发创作者使用3 d技术作为艺术创作的工具和手段。3 d动画使用技术来创建图像,符合观众的日常经验:使用三维建模技术提供接近实际生活场景的道具和三维空间结构;使用三维着色技术创造一个现实的图像的纹理真实的人;三维运动的使用技术来模拟人体结构生成表达式和运动的关系;和使用三维渲染技术创建一个丰富的光影效果。
的工具,技术革命在历史上,促进了工具的进步人类体细胞的加强和扩展功能,如机械技术的进步是人类肢体功能的加强,和电信技术的进步是人类视听功能的加强。计算机,另一方面,更复杂的比先前的技术工具,可以被视为一种补充和扩展人类大脑的功能。电脑创造的角色不是简单的物理工具干预,但作为一个延续和重新诠释创作者的思考。
4所示。分析的结果
4.1。流体方程和数据驱动的性能结果
的工具,技术革命在历史上,促进了工具的进步人类体细胞的加强和扩展功能,如机械技术的进步是人类肢体功能的加强,和电信技术的进步是人类视听功能的加强。计算机,另一方面,更复杂的比先前的技术工具,可以被视为一种补充和扩展人类大脑的功能。分别为非牛顿流体大坝破裂和列碰撞,牛顿流体大坝失败,和牛顿流体水块进入水。这些场景覆盖广泛的流体现象从强大的溅到光滑的表面波,从流固耦合液-液相互作用。计算机创造的角色不是简单的物理工具干预,但作为一个延续和重新解释创造者的思维。创意意图是通过软件实现硬件平台上运行,使创作过程更间接和操纵的创造者。随着现代数字艺术的一个重要分支,3 d动画也是这样。艺术创作的上下文中执行的技术,这是表示在技术存在的艺术形式和艺术活动的技术过程。在3 d动画,场景的作用上升到主导地位,这是反映在简化叙事及其服务场景的视觉表达,削弱了深邃的思想集中在人类的终极关怀。
独特的非牛顿流体的流动行为通常是由于剪切引起的与固体接触,所以流体和固体之间的边界处理中起着至关重要的作用表现出非牛顿流体模拟的物理性质。建立了非牛顿流体模拟算法使用自由滑移边界条件来处理flow-solid边界,和非牛顿流体的物理性质粘度上升将在固体摩擦力不能代表。第一个实验证明了非牛顿流体的影响粉碎一个倾斜的形状的板组成的一只兔子25746流体粒子,和实验场景设置如图5。
流体现象非常丰富;低粘度液体会流生动,产生色斑和飞溅;高粘度液体表面会产生折叠过程中流动。覆盖尽可能宽范围的流体现象的普遍性以及验证FluidsNet,三个不同的3 d数据集应用于FluidsNet本文即非牛顿流体违反大坝触及列,牛顿流体违反一个大坝,牛顿流体水块进入水中。这些场景覆盖广泛的流体现象强烈溅光滑表面波和流固耦合fluid-liquid交互。初始状态的一个例子每个训练数据集的动画图所示6初始化,每个动画模拟与随机大小包括液体,和上面的水封池数据集3有一个随机的大小和位置。
在本节中,我们进一步讨论的影响主成分分析(PCA)方法在整个数据样本优化过程。以烟雾模拟为例,我们首先获得超过110亿集数据样本特性输入矩阵和向量的生成过程,减少了样本容量到86.2亿dezeroing和处理操作。主成分分析的降维后,我们最终获得了49.6亿年的训练样本集。当我们使用86.2亿组训练数据训练集训练设计深卷积神经网络模型,需要超过52小时收敛损失函数值为2.54,但当使用主成分分析降低维数,即,4。96billion sets of optimized training samples for deep learning, the training time used is the same convergence accuracy achieved in only 30.5 hours. In terms of prediction accuracy, the values of max-error and mean-error are almost the same for different datasets (relative error less than 2%).
4.2。特效动画仿真结果
同时,我们进一步测试的校正效果低分辨率流体场景仿真结果基于移动烟和运动障碍。来解决这个问题,其他数据驱动算法要求许多大型场景数据集模型学习,FluidsNet具有相当大的性能加速大型场景动画仿真基于确保预测的合理性。如图7,我们的算法也在不断移动的吸烟镜头表现良好。上下快速移动的球形障碍物的场景,我们的算法可以明显正确的整体形态和本地低分辨率的模拟结果的细节,包括障碍(边界)的处理能力。
我们指出在形态学的引入基于深度学习的校正算法模型提出了在这一章,我们的方法可以有效地嵌入在细节增强后处理方法,如小波动荡。如图7,我们首先对低分辨率执行形态学校正仿真结果的分辨率 然后对纠正执行细节合成低分辨率结果使用小波动荡(WT)方法获得的结果的次要情节在左列图7用合成的最终解决 。中间列图7显示的结果基于原始低分辨率小波扰动方法模拟。我们的方法可以捕捉高分辨率仿真的总体物理特性更有效地比高分辨率仿真结果站在最右边。
接下来,指定的视频目标跟踪方法,和一个线性动态模型提出了基于金字塔光流的跟踪算法根据实验对象的特点;与经典的路光学流相比,提高了跟踪精度和跟踪误差降低。然后,跟踪效果证明了拟合特征点的运动轨迹由最小二乘法。然后,运动轨迹由正向和反向跟踪修复方法基于运动方程,和完整的3 d运动轨迹由三线性插值获得。最后,计算特征点的运动参数,和目标的运动趋势分析和特征点的运动轨迹预测的状态转移方程,使3 d动作捕捉。几个因素影响FluidsNet预测的准确性。第一个是损失函数的设置,即。,which physical quantity should be selected as the learning direction of FluidsNet. According to Newton’s second law, the acceleration field usually considered to be the best physical quantity to measure physical motion. In this section, experiments were conducted with the acceleration field as the predicted output, and the error changes during the training iterations were recorded on dataset 2, as shown in Figure8。实验结果表明,SPH流体模拟方法通常需要一个大的压缩力流体粒子在流固边界确保粒子系统的不可压缩性,进而导致的加速度值远远大于10 g。因此,有一个严重的数值波动问题使用加速度场测量,和神经网络无法构建一个合理的流体动力学模型与它面对不合理的数据。
从SPH流体动画学习流体动力学仿真数据和实现large-scene仿真加速度。学习不规则拉格朗日数据结构,把每个流体粒子相同和独立,使用对称函数的空间结构和相互作用的粒子。不同级别的功能是由使用不同的学习网络结构实现高质量的流体动画丰富的细节。实验结果表明,FluidsNet具有良好的准确性和稳定性,可以合理地预测各种流体的速度场模拟场景与随机的初始状态。此外,FluidsNet可以预测大型场景的相同类型的速度场与训练模型小场景数据集,解决问题速度慢和高内存消耗的传统流体动画模拟方法对于大型场景模拟和解决问题,其他数据驱动算法需要许多大型场景模型学习的数据集。FluidsNet具有相当大的性能加速大型场景动画仿真。
5。结论
针对大型场景模拟的问题在传统动画的方法,计算密集型、缓慢、和高内存消耗,提出了一种数据驱动的大型场景仿真加速度方法学习流体力学SPH流体动画数据,实现大场景仿真加速度。该方法具有良好的精度和稳定性,可以合理地预测各种流体的速度场模拟场景与随机的初始状态。方法可以预测相同类型的large-scene流体的速度场模拟训练模型从一个小场景数据集,它解决了传统的低速和高端内存消耗问题large-scene流体动画模拟方法模拟和解决问题,其他数据驱动算法需要大量的large-scene数据集模型学习,和具有相当大的性能加速large-scene动画仿真基于确保预测的合理性。它有一个相当大的性能加速大型场景的仿真动画基于合理的预测。边界处理方法提出了非牛顿流体仿真预示校正方法来解决这一问题的合理边界条件在现有非牛顿流体预示校正方法,导致模拟流体的物理性质的损失。的方法可以应用在现有的框架下prediction-correction-based非牛顿流体仿真算法;通过调整参数,非牛顿流体的物理性质可以提出更全面,和非牛顿流体双向耦合动画的现实主义可以提供。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。
确认
作为作者的一部分执行的工作就业在南京艺术大学。