通过知识驱动机器学习方法增强复杂地形风场分辨率
流体动力学
2024-04-03 v2 计算机视觉与模式识别
摘要
大气流动受多种时空尺度支配，因此在复杂地形中以高分辨率对这类湍流进行实时数值建模在计算上不可行。在本研究中，我们展示了一种受增强超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks）启发的神经网络方法，用于将低分辨率风场升采样以在挪威 Bessaker 一个实际风场中生成高分辨率风场。结果表明，该基于神经网络的模型能成功从较粗尺度重建完全分辨的 3D 速度场，同时顾及局部地形，并且轻松优于三线性插值。我们还证明，通过使用基于领域知识的适当代价函数，可以缓解对抗训练的使用。
引用
@article{arxiv.2309.10172,
title = {Enhancing wind field resolution in complex terrain through a knowledge-driven machine learning approach},
author = {Jacob Wulff Wold and Florian Stadtmann and Adil Rasheed and Mandar Tabib and Omer San and Jan-Tore Horn},
journal= {arXiv preprint arXiv:2309.10172},
year = {2024}
}