干燥大气边界层的生成性对流参数化
我们介绍了一种基于概率扩散模型的新型生成框架,用于多样化生成时空湍流。我们的方法在贝叶斯框架内统一了无条件和条件抽样策略,并能适应各种条件情景,包括指定条件与生成的非稳定流动结果之间具有直接可微分链接的情况以及缺乏明确相关性的情况。我们的方法的一个显著特点是基于自回归梯度条件抽样的长时跨度流动序列生成方法,在没有繁琐的重新训练过程的情况下完成。通过一系列数值实验展示了我们框架的多样化湍流生成能力,包括:1)从 URANS 输入合成 LES 模拟的瞬态流动序列;2)从给定的初始条件、规定的湍流统计数据或完全从头开始生成非均匀的、各向异性的壁面湍流;3)从不同输入分辨率的低分辨率数据中实现高速湍流边界层流动的超分辨生成。综合而言,我们的数值实验突显了所提方法的优点和变革潜力,在湍流生成领域取得了重大进展。
Nov, 2023
本文提出了一种基于生成扩散模型的新方法,用于固定几何形状中的强制湍流生成,同时引入了一种基于 Wasserstein 距离的湍流样本质量度量方法,实验证明该方法能以高质量样本为代价规避湍流的不可预测性,并且在从头开始生成湍流场的时间方面击败了工业级数值求解器一个数量级。
May, 2023
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
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
本文提出一种数据驱动的湍流封闭框架,利用人工神经网络预测湍流源项,建立了多个输入和输出之间的映射关系,优化分析和概率密度函数验证了子网格预测,证明了该方法可推断子网格量,为实现无启发式湍流封闭算法打下了良好的基础。
Aug, 2018
基于最先进的扩散模型的机器学习方法,能够生成具有高雷诺数的三维湍流中的单粒子轨迹,从而避免直接数值模拟或实验获得可靠的拉格朗日数据;该模型能够定量地重现整个时间尺度范围内的所有相关统计基准,包括速度增量的尾分布、异常幂律和耗散尺度周围间歇性的增强;该模型在极端事件方面表现出良好的普适性,实现了前所未有的强度和稀有性,为产生用于预训练拉格朗日湍流各种下游应用的合成高质量数据奠定了基础。
Jul, 2023
使用图注意力网络和多层感知器,我们提出了一个简单而有效的机器学习模型,可以分别学习动力核心中的水平运动和物理参数化中的垂直运动,以提高全球天气预报的准确性和效率。
May, 2024
本研究介绍了一种能够从降维参数集合综合流体模拟的新型生成模型,采用卷积神经网络进行训练,通过学习数据的代表性特征,能够对训练数据集进行精确近似而同时提供可信的插值。该模型经过优化,实现了全时刻无发散,能够处理复杂参数化并通过潜在空间积分进一步模拟。其模型包括多种流体行为,可用于模拟加速、流体插值、时间重采样、潜在空间模拟及流体模拟数据压缩,重建速度场比外部 CPU 求解器重复模拟节省 700 倍时间,压缩率达到 1300 倍以上。
Jun, 2018
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
南中国沿海经常发生局地且持续时间较长的暖区强降雨,预测其仍然具有挑战性。本研究提出了一个基于多输出双向长短期记忆(Bi-LSTM)模型的新的替代尺度感知 MSKF CP 方案,实验结果表明 Bi-LSTM 模型能够高精度地预测南中国地区的天气情况,并有望在灰区替代 MSKF 方案。
Nov, 2023