多种深度学习技术用于强迫各向同性湍流时空超分辨率重建的比较研究
流体动力学
2022-02-15 v1 机器学习
摘要
超分辨率是一种将图像或视频分辨率放大的创新技术,使我们能够从低分辨率数据重建高保真图像。本研究利用ESPCN、ESRGAN和TecoGAN等多种最先进的机器学习技术,对湍流流场进行空间和时间上的超分辨率分析,从低分辨率流场数据重建高分辨率流场,特别考虑到低资源消耗和快速结果生成/验证的需求。本研究使用的数据集提取自“isotropic 1024 coarse”数据集,该数据集是约翰斯·霍普金斯湍流数据库(JHTDB)的一部分。我们利用了预训练模型并根据需求进行微调,以最小化计算资源和超分辨率模型实现所需的时间。该方法所展现的优势远超常规单一结构模型的预期与效果。随后通过这些模型获得的结果使用MSE、PSNR、SAM、VIF和SCC指标进行比较,以评估放大结果,寻找计算能力与输出质量之间的平衡,并识别出用于湍流流场时空超分辨率的最准确且高效的模型。
引用
@article{arxiv.2107.03361,
title = {A comparative study of various Deep Learning techniques for spatio-temporal Super-Resolution reconstruction of Forced Isotropic Turbulent flows},
author = {T. S. Sachin Venkatesh and Rajat Srivastava and Pratyush Bhatt and Prince Tyagi and Raj Kumar Singh},
journal= {arXiv preprint arXiv:2107.03361},
year = {2022}
}
备注
10 pages, 10 figures, 2 tables, accepted for IMECE2021