AAAIDec, 2021

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

PDF
TL;DR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。
turbulent flowdeep learningphysical constraintsdimensionality reductionsequence prediction network
发现论文，激发创造
  • 压缩卷积 LSTM：一种高效的深度学习框架，用于模拟高保真度的三维湍流

    提出了一种新的训练方法，用于减少维数和建模三维湍流的时空动力学，利用卷积自编码器和卷积 LSTM 神经网络组合，通过严格的基于物理的统计测试评估了湍流场的质量，并表明这种训练方法在计算资源开销的小部分情况下，生成了具有物理一致性的湍流场。

    Feb, 2019

  • 基于机器学习的湍流流场时空超分辨率重建

    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。

    Apr, 2020

  • 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

  • 潜空间物理学：迈向学习流体流动的时间演变

    本文提出一种基于深度学习的方法，通过使用 LSTM 算法预测流体力学问题中的压力场变化，并在实验中证明了该算法在速度上的优势

    Feb, 2018

  • 随机潜在变换器：随机强迫区域性涡旋的高效建模

    引入了 “随机潜在转换器”，这是一种用于随机偏微分方程（SPDE）高效减维建模的概率深度学习方法。通过将具有随机驱动的流体力学建模应用于研究已深入的纬向气流系统，展示了该神经网络相较于数值积分实现了 5 个数量级的加速，从而实现了成本效益较高的大集合生成，进而探索关于自发转变事件概率的统计问题。

    Oct, 2023

  • 基于深度学习扩散生成模型的湍流尺度缩放

    利用基于扩散的生成模型学习湍流涡度轮廓的分布，生成与训练数据集不同的多样化湍流解，并分析新湍流轮廓的统计缩放特性、能量功率谱、速度概率分布函数和局部能量耗散矩。通过与已建立的湍流特性的一致性，该模型证明了其捕捉实际湍流关键特征的能力。

    Nov, 2023

  • 用深度卷积循环自编码器学习流体系统低维特征动态

    本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

    Aug, 2018

  • 潜空间细分：流体流动的稳定可控时间预测

    本文提出了一种端到端训练神经网络体系结构，以具有高时态稳定性的方式强韧地预测流体流动的复杂动力学。该方法是基于卷积神经网络（CNN）的空间压缩与堆叠长期短期记忆（LSTM）层结构的时间预测网络，并采用新颖的潜在空间划分方法（LSS）。通过选择性地覆盖部分预测的潜在点空间，我们提出的方法能够强韧地预测复杂物理问题的长期序列，并突出空间压缩网络对潜在空间创建的循环训练的好处。

    Mar, 2020

  • 时间子采样减弱了地球物理湍流的递归神经网络仿真中的小空间尺度

    该论文研究了机器学习方法在模拟高维地球物理湍流过程中的预测性能，并发现训练数据的时间分辨率对于预测性能的影响。

    Apr, 2023

  • 可微湍流

    利用可微分湍流解算器与受物理启发的深度学习架构的组合，学习出极为有效且多功能的二维湍流流动的亚网尺度模型；通过研究所选择的架构的归纳偏差分析，发现包含小尺度非局部特征对于效果良好的亚网尺度建模至关重要，而大尺度特征可以提高后验解场的点位准确性；通过分解输入与输出为各向同性、去除偏差以及反对称分量，将滤波速度梯度张量直接映射到亚网尺度应力。同时，验证模型可应用于多种不同流动配置，包括更高和更低雷诺数以及不同的施加条件。实验证明可微分物理的范例比离线的先验学习更加成功，并且深度学习的混合解算器循环方法在计算效率、准确性和泛化性方面提供了理想的平衡。该研究为基于物理的湍流智能感知方法提供了推荐建议。

    Jul, 2023