基于深度学习的湍流混合层多尺度预测方法
计算物理
2018-11-13 v2 流体动力学
摘要
求解 Navier-Stokes 方程是一项具有挑战性的探索，尤其是其封闭问题。为获得特定解，存在多种数值模拟方法，包括直接数值模拟（DNS）与大涡模拟（LES）。这些方法通过本征正交分解或 Koopman 方法等高效降阶建模来分析流动物理，在流体动力学中展现出卓越的保真度。生成对抗网络（GAN）是将大脑神经元以线性运算组合的形式再现，利用生成器与判别器之间的竞争。本文提出一种仅依靠大尺度观测来预测小尺度运动的深度学习网络，使用 GAN。为此，将三维混合层的 DNS 结果进行滤波以模糊掉小尺度结构，然后利用生成对抗网络（GAN）预测其精细结构。这使得多分辨率分析能够仅依据模糊观测来预测高分辨率解。在网格尺度内，本文提出一种对湍流中小尺度特征进行建模的深度学习方法。所提方法的创新之处在于利用未处理的模拟数据、通过三维卷积处理实现预测中的三维结构，以及以更低计算成本预测精确解。
引用
@article{arxiv.1809.07021,
title = {Deep learning approach in multi-scale prediction of turbulent mixing-layer},
author = {Jinu Lee and Sangseung Lee and Donghyun You},
journal= {arXiv preprint arXiv:1809.07021},
year = {2018}
}
备注
21 pages