FLRNet：从有限传感器测量进行流场 regressive 重建的深度学习方法
流体动力学
2024-11-22 v1 机器学习
摘要
计算和实验流体力学中的许多应用需要有效的方法才能从有限的传感器数据中重建流场。然而，这一任务仍然是一个重大的挑战，因为提供给定流场状态下点状传感器测量的测量算子往往是病态且不可逆的。这一问题阻碍了为场重建目的确定前向映射（测量算子的逆函数）的可行性。虽然有数据驱动方法可用，但它们在不同流体条件（例如不同雷诺数）下的可泛化性受到质疑。此外，它们经常面临谱偏差问题，导致重建的场平滑且模糊，从而降低重建精度。我们引入 FLRNet，这是一个从稀疏传感器测量进行流场重建的深度学习方法。FLRNet 采用具有傅里叶特征层的变分自编码器，并在训练期间加入额外的感知损失项，以学习流场的丰富、低维潜在表示。所学的潜在表示随后通过全连接（稠密）网络与传感器测量相关联。我们在 various 流体流条件和传感器配置下验证了 FLRNet 的重建能力和可泛化性，包括不同的传感器数量和传感器布局。数值实验表明，在所有测试情景下，FLRNet 始终优于其他基线方法，提供最准确的重建流场，并且对噪声最具鲁棒性。
引用
@article{arxiv.2411.13815,
title = {FLRNet: A Deep Learning Method for Regressive Reconstruction of Flow Field From Limited Sensor Measurements},
author = {Phong C. H. Nguyen and Joseph B. Choi and Quang-Trung Luu},
journal= {arXiv preprint arXiv:2411.13815},
year = {2024}
}