基于深度学习扩散生成模型的湍流尺度缩放
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
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
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
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
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
该研究介绍了一种生成扩散模型和物理引导技术,可以生成逼真的流动状态序列,从而实现对湍流流动的时间演变的分析,为生成建模在湍流动力学复杂性研究中提供了宝贵的见解。
Jun, 2024
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
本研究通过簇分析系统地分析了湍流电流和涡流结构的统计特性,同时研究了雷诺数对簇统计的影响以及如何解释间歇性,并发现自组织临界性特征在可耗散尺度范围内。
Jul, 2010
本文提出了一种基于扩散算法生成图像的模型,将前向热方程的解释为噪声后的扩散潜变量模型的变分近似。其具有整体颜色和形状解耦的性质,同时通过自然图像上的谱分析,揭示了其暗含的自上而下的归纳偏置。
Jun, 2022