Mar, 2020

利用物理知识生成对抗网络进行湍流丰度增强

PDF
TL;DR本文探讨了基于物理方法的生成对流层的 GAN 泛化方法，通过修改损失函数并最小化生成数据的控制方程残差，实现了对生成数据的受控制生成，并通过对比能量统计、流场形态等指标之间的差异来展示其中的优势。
generative adversarial networkssuper-resolution ganphysics-informed learningturbulence enrichmentgoverning equations
发现论文，激发创造
  • 基于深度无监督学习的湍流生成技术在多种雷诺数条件下的应用

    本文利用生成对抗网络和循环神经网络结合的方式，通过无监督学习生成了一种可以模拟各种湍流雷诺数下流动的模拟数据，并与真实数据达成了一定程度上的拟合。

    Aug, 2019

  • 基于物理学的生成对抗模型用于图像修复及其它领域

    该研究提出了一种基于生成模型和对抗学习的图像恢复算法，并通过物理模型约束学习提高了生成对抗网络的图像生成质量，具有在多种低级视觉问题中应用的广泛适用性。

    Aug, 2018

  • 基于全数据驱动的超分辨率生成对抗网络的地震数据采样率频率增加模型

    通过利用超分辨率生成对抗网络（SRGANs）提高地震工程领域一种传感器网络数据的分辨率，本研究为结构健康监测（SHM）系统中的传感器提供了成本效益和高效的改进方案。

    Jan, 2024

  • 基于物理知识的生成式对抗网络在随机微分方程中的应用

    研究中介绍了一种新型 PI-GANs 来解决基于有限数量的分散测量数据的前向、反向和混合随机问题，并将物理规律通过自动微分编码到 GANs 的架构中，采用 Wasserstein GANs 进行稳定训练。此外，研究还使用了深度神经网络来进行生成和鉴别，表明了该方法在解决高维随机微分方程问题上的准确性和有效性。

    Nov, 2018

  • 基于物理模型的像素注意力生成对抗网络的 3D 超分辨率风场重建

    通过高分辨率风场的超分辨率处理，本研究展示了一种基于物理信息的超分辨率生成对抗网络（SR-GAN）的初步开发，可以将低分辨率的三维风场提升 9 倍，获得高保真度的风场数据，并大幅降低了高分辨率风场模拟的计算成本。

    Dec, 2023

  • 算法幻觉下的近地表风：生成对抗网络用于下尺度对流区域的统计降尺度

    本研究运用生成对抗网络（GANs）和计算机视觉技术，通过图像超分辨率和深度学习方法，针对低分辨率全球再分析数据，生成逼真的高分辨率地表风场，并探究了 GANs 不同配置与低分辨率协变量对风场结构偏差产生的影响。

    Feb, 2023

  • 多尺度多准则生成对抗网络合成一维湍流场

    本文介绍了一种新的神经网络随机模型，用于生成具有湍流速度统计的一维随机场。该模型的结构和训练程序基于克尔莫戈洛夫和奥布科夫的完全发展湍流统计理论，因此可以保证与实验观测一致的能量分布、能量级联和尺度间歇性的描述。该模型是一个具有多尺度优化准则的生成对抗网络，首先使用三个基于物理的准则：生成场增量的方差、偏度和平坦度，分别检索湍流能量分布、能量级联和尺度间歇性。其次，基于重现统计分布的生成对抗网络准则，用于不同长度的生成场的段落上。此外，为了模仿湍流研究中经常使用的多尺度分解，模型结构完全卷积，模型的多个层的内核大小变化。为了训练我们的模型，我们使用摩登风洞的网格湍流的湍流速度信号。

    Jul, 2023

  • tempoGAN: 一种用于流体超分辨率的时间连续的三维 GAN

    本研究提出了一种时域连续的生成模型，可为流体流动问题提供高分辨率的解决方案，并且采用了条件生成式对抗网络作为主要训练模型，利用新的时域鉴别器，优化了生成的结果，同时又结合了物理学知识，实现了数据的增广与去噪，提升了神经网络的训练效果。

    Jan, 2018

  • 物理引导的训练 GAN 提高气动翼型设计合成的准确性

    通过物理引导训练生成对抗网络（GAN）模型，在不使用训练数据集的情况下，生成全新的形状，并且改善了现有 GAN 模型的准确性和物理有效性。

    Aug, 2023

  • 深度学习传输现象的物理学

    使用条件生成对抗网络（cGAN）的数据驱动模式，无需对基础控制方程有先验知识，直接生成稳态导热和不可压缩流的解，具有高测试精度（MAE＜1％）和最先进的计算性能，并可用于从实验观测中直接学习因果模型。

    Sep, 2017