基于 Swin-Transformer 的湍流数据高效压缩模型
流体动力学
2023-09-19 v1
摘要
本研究提出了一种基于深度学习的新型方法，用于生成湍流的降维表示，从而在解压时保持高精度的同时实现高效存储与传输。利用 Swin-Transformer 网络结合基于物理约束的损失函数，以高压缩比对湍流进行压缩，并在恢复数据时保留底层物理特性。以强迫各向同性湍流为例展示了基于 Swin-Transformer（ST）模型的能力，其瞬时与统计结果均表明该模型能以卓越精度恢复流场数据。此外，通过在摩擦雷诺数 = 180 和 550 下的湍流槽道流，将 ST 模型与典型的基于卷积神经网络的自编码器（CNN-AE）进行对比。ST 模型生成的结果比 CNN-AE 恢复的结果与 DNS 数据吻合得显著更好，表明 ST 模型在压缩与恢复湍流方面具有更优能力。本研究还比较了 ST 模型在不同压缩比（CR）下的压缩性能，发现即使在极高 CR 下模型误差也足够低。另外，研究了迁移学习（TL）的影响，表明 TL 在保持高精度的同时将训练时间减少了 64%。结果首次说明，融入物理约束损失函数的基于 Swin-Transformer 的模型能够压缩并恢复具有正确物理特性的湍流。
引用
@article{arxiv.2309.09192,
title = {A Swin-Transformer-based Model for Efficient Compression of Turbulent Flow Data},
author = {Meng Zhang and Mustafa Z Yousif and Linqi Yu and HeeChang Lim},
journal= {arXiv preprint arXiv:2309.09192},
year = {2023}
}
备注
21 page, 16 figures