条件 GAN 在几何变化下湍流模拟的泛化能力
流体动力学
2023-02-21 v1 计算机视觉与模式识别
摘要
湍流由具有广泛空间和时间尺度的结构组成，这些结构难以通过数值方法解析。经典数值方法如大涡模拟（LES）能够捕捉湍流结构的精细细节，但计算成本很高。将生成对抗网络（GAN）应用于湍流的合成建模是一种数学上严谨的、克服此问题的方法。在本工作中，我们研究基于 GAN 的湍流合成生成器在流动构型发生几何变化（例如翼型等结构气动几何优化）时的泛化能力。作为训练数据，我们使用由高分辨率 LES 获得的具有周期性尾迹冲击的低压涡轮（LPT）静叶周围流场。为模拟 LPT 静叶周围流场，我们采用以静叶前旋转尾迹位置为条件的条件深度卷积 GAN 框架 pix2pixHD。在泛化实验中，我们将位于特定区域的尾迹位置图像从训练数据中排除，并使用未见过的数据进行测试。我们通过逐步扩展所提取尾迹位置的区域，展示了条件 GAN 泛化的能力与局限。最后，我们通过与相应 LES 结果对比，评估了合成流场的统计特性。
引用
@article{arxiv.2302.09945,
title = {Generalization capabilities of conditional GAN for turbulent flow under changes of geometry},
author = {Claudia Drygala and Francesca di Mare and Hanno Gottschalk},
journal= {arXiv preprint arXiv:2302.09945},
year = {2023}
}