Sep, 2023

焦点中的湍流：使用 BLASTNet 2.0 数据对 3D 体积超分辨率的标杆性缩放行为进行基准测试

PDF
TL;DRBLASTNet 2.0 是一份包含 744 个全域样本的 2.2TB 数据集，来自于 34 个高保真直接数值模拟，地址了目前三维高保真可压湍流流动模拟数据稀缺的问题。通过对这个数据进行基准测试，我们评估了 49 种各不相同的五种深度学习方法在三维超分辨率方面的性能，该方法对于科学成像、模拟、湍流模型以及计算机视觉应用有所改进。我们对这些模型进行了神经缩放分析，以检验不同机器学习方法的性能，包括两种科学机器学习技术。我们证明了（i）预测性能可以随着模型规模和成本的增加而提高，（ii）体系结构对于较小的模型尤其重要，以及（iii）基于物理的损失函数的好处在模型规模增大时仍然存在。这项基准研究的成果预计将提供有助于设计三维超分辨率模型的见解，特别是对于湍流模型，同时此数据预计将促进广泛范围的流动物理应用中的机器学习方法。这些数据已公开可下载，并在此 https URL 提供了下载链接和浏览工具。
compressible turbulent flowsblastnet 2.0high-fidelity simulationsdeep learning approaches3d super-resolution
发现论文，激发创造
  • 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

  • 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

  • SuperBench：用于科学机器学习的超分辨率基准数据集

    SuperBench 是第一个带有高分辨率数据集的基准数据集，包括流体流动、宇宙学和天气数据，旨在验证空间分辨率性能并评估数据退化任务鲁棒性的方法。深度学习为基础的 SR 方法在某些任务上表现出色，但在捕捉微妙的细节和保留科学数据的基本物理属性和约束方面存在局限性，这凸显了将领域知识纳入 ML 模型的重要性和细微差别。

    Jun, 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

  • 基于动态深度学习的浅水方程超分辨率

    使用 ICON-O 海洋模型与 U-net 型神经网络对非线性浅水方程进行模拟，可以在每 12 小时纠正一次粗网格，从而实现与分辨率为 10km 的模拟具有相同离散化误差的 20km 分辨率模拟，这种方法对于模拟平衡流和湍流的转变具有较好的捕捉能力。

    Apr, 2024

  • 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

  • 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

  • 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

  • 实际应用视频去模糊：基准数据集和高效循环神经网络

    本文提出了一种基于残差稠密块和全局时空注意力模块的实时视频去模糊方法 (ESTRNN)，并提供了一个新颖的真实世界基准数据集 (BSD)，实验证明该方法在低计算成本下可以达到更好的去模糊效果比合成数据集具有更高的普适性。

    Jun, 2021