用于合成一维湍流场的多尺度多准则生成对抗网络
机器学习
2024-05-16 v2 信号处理
流体动力学
摘要
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特性的一维随机场。该模型的架构与训练过程均基于 Kolmogorov 与 Obukhov 的完全发展湍流统计理论，从而确保对 1) 能量分布、2) 能量级串以及 3) 跨尺度间歇性的描述与实验观测一致。该模型是一个具有多重多尺度优化准则的生成对抗网络(GAN)。首先，我们使用三个基于物理的准则：生成场增量的方差、偏度与平坦度，分别刻画跨尺度的湍流能量分布、能量级串与间歇性。其次，基于复现统计分布的 GAN 准则被用于生成场的不同长度片段。此外，为模拟湍流研究中常用的多尺度分解，模型架构采用全卷积结构，其卷积核大小沿模型的多个层变化。我们使用来自 Modane 风洞中网格湍流的湍流速度信号训练模型。
引用
@article{arxiv.2307.16580,
title = {A multiscale and multicriteria Generative Adversarial Network to synthesize 1-dimensional turbulent fields},
author = {Carlos Granero-Belinchon and Manuel Cabeza Gallucci},
journal= {arXiv preprint arXiv:2307.16580},
year = {2024}
}