基于多尺度卷积神经网络的大气流动非一致性数值模拟精度提升
流体动力学
2026-04-13 v1
摘要
基于深度学习的超分辨率(SR)技术最近作为一种在保持计算成本的同时提升计算流体动力学仿真空间分辨率的有前景的方法而日益流行。本文中，我们检验了多种SR架构以提高mesoscale大气流动的粗网格仿真，训练数据来自弱可压缩Euler方程的仿真。我们比较了基准卷积神经网络(CNN)、注意力增强型CNN、用于捕捉不同空间尺度流动结构的多尺度CNN以及基于扩散模型的SR方法。对两种标准大气基准测试——升热气泡和密度流动——进行评估。结果表明，基准CNN能够准确重建较简单的流动特征，而更复杂的流动则需要多尺度架构。总体而言，基于多尺度CNN的SR在精度、鲁棒性和计算效率之间提供了最佳平衡，甚至超过了最先进的基于扩散的方法。我们还分析了模型对训练数据集大小的敏感性，揭示了所提出SR策略的局限性与权衡。
引用
@article{arxiv.2604.09505,
title = {Enhancing the accuracy of under-resolved numerical simulations of atmospheric flows with super resolution},
author = {Armin Sheidani and Michele Girfoglio and Annalisa Quaini and Gianluigi Rozza},
journal= {arXiv preprint arXiv:2604.09505},
year = {2026}
}