Apr, 2020

基于机器学习的湍流流场时空超分辨率重建

PDF
TL;DR本文介绍了一种利用监督式机器学习技术、灵感来源于超分辨率和插帧的新型湍流数据重建方法，通过卷积神经网络的多尺度模型，及时地将高分辨率的湍流流场从粗略的空间和时间数据中恢复出来，该方法在二维圆柱后流、二维衰减均匀同性湍流和三维涡旋管道流场的应用中得到了验证，表明其能够满足多种流场重建的需求。
turbulent data reconstructionsupervised machine learningconvolutional neural networkmulti-scale modelspatio-temporal super resolution
发现论文，激发创造
  • 利用机器学习进行湍流流场的超分辨重建

    本文采用机器学习技术对流场数据进行超分辨率分析，提出了卷积神经网络（CNN）和基于下采样跳跃连接多尺度（DSC/MS）模型，通过对二维圆柱尾流等测试表明这些模型能从低分辨率流场数据中重建出高分辨率的流场，可大大提高计算流体力学中流体流动的空间分辨率和揭示复杂湍流物理。

    Nov, 2018

  • 通过深度序列学习模型模拟三维各向同性湍流的时空实现

    本文使用数据驱动的方法，应用前沿的深度学习技术模拟三维湍流，考虑流体的物理约束，并使用向量量化自编码器等方法降低数据维度，应用 Transformer 网络预测流体运动趋势，所得结果优于其他网络，但不能完美还原小幅动态。

    Dec, 2021

  • 复杂地形中增强风场分辨率的机器学习

    利用神经网络方法实现在挪威 Bessaker 的实际风电场中将低分辨率风场提升为高分辨率风场，并展示该模型能够成功重构完全解析的三维速度场，并且优于三线性插值，同时通过适当的代价函数可以减少对对抗训练的使用。

    Sep, 2023

  • 面向物理学信息的深度学习在湍流流场预测中的应用

    使用基于物理原理的 TensorFlow-net 深度学习模型，可以准确预测高效非线性动力学物理场，并且满足保守质量、模拟湍流动能和频谱等物理特征。

    Nov, 2019

  • 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

  • 子采样湍流去除网络

    本文提出一种基于深度学习方法的视频去抖动和去模糊的方法，使用数据增强算法对湍流进行建模，使用 Wasserstein GAN 和 $l1$ 损失函数进行训练和还原，并结合子采样算法提高视频质量。

    Jul, 2018

  • 利用物理知识驱动的卷积神经网络进行流体流动的超分辨率和去噪，不需要高分辨率标签

    利用卷积神经网络实现流场高分辨率重构，不需要高分辨率标签，能够提高空间分辨率并降低流场数据的噪声水平。

    Nov, 2020

  • 利用物理感知时空动态和测试时间细化重建湍流流场

    本研究提出了一种新的物理引导神经网络方法，用于从低分辨率大涡模拟数据重建高分辨率的直接数值模拟数据，并在两种不同类型的湍流数据上得到了优越的结果。

    Apr, 2023

  • 科学模拟的时空超分辨率的运算符学习框架

    用机器学习技术进行超分辨率，从低分辨率模拟中重建高分辨率数值解的方法

    Nov, 2023

  • 机器学习增强雷诺平均与大涡模拟湍流模型的视角

    该论文综述了机器学习在湍流模型中的应用，尤其讨论了在 RANS 和 LES 建模中应用监督学习以表示未封闭项、模型差异和亚滤波尺度的不同方法。作者强调训练过程对 ML 增强与基本物理模型的一致性的影响，并详细介绍了促进模型一致性训练和避免需要直接数值模拟数据完整场信息的技术。

    Sep, 2020