复杂地形中增强风场分辨率的机器学习
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
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
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
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
本文介绍了应用生成对抗网络来提高天气预报模型低分辨率输出数据的分辨率和结构,以匹配高分辨率雷达测量数据。结果表明,该模型可以匹配现有的最佳降尺度方法,而且在像素、空间和统计数据上表现优异。
Apr, 2022
我们通过训练一个名为 WindSeer 的神经网络,使用合成数据和少量噪声和空间聚合的风测量数据,成功地实时预测了低空风向。该模型能够在不同分辨率和域大小上生成准确的预测结果,并能够预测历史风速数据和飞行器上测量的风速。
Jan, 2024
通过改变卷积神经网络 - 长短期记忆(CNN-LSTM)和自回归模型的输入数据形状,这项研究探索了一种新的特征工程方法以提高对噪声的处理能力,并取得了显著的改善,使其能够以 83%的准确率预测长达 24 个时间步的未见数据,同时在短期、中期和长期预测方面始终表现出较高的准确性,优于单个模型的性能,为进一步研究形状导向的特征工程在不同预测时间范围内的噪声降低策略铺平了道路。
Jan, 2024
本文介绍了一种基于 Fourier 神经算子的下采样方法,其能够实现在低分辨率的模拟数据上零样本升采样到任意分辨率,并且在这方面表现优于先前的模型。作者将其在气候和 Navier-Stokes 方程解数据上进行了评估,结果显示其在单分辨率下采样和零样本上采样方面均优于现有的模型。
May, 2023
利用基于深度神经网络的域自适应方法,通过选择有效的气象特征,使用源域的预先训练模型进行预测任务,并更新最后几层的权重,从而提高风能预测的准确性。
May, 2024