用生成对抗网络推断旋转湍流中的速度分量
流体动力学
2023-11-07 v2 计算机视觉与模式识别
机器学习
混沌动力学
数据分析、统计与概率
摘要
研究了旋转湍流二维快照的推断问题。我们对线性扩展本征正交分解（EPOD）方法、非线性卷积神经网络（CNN）与生成对抗网络（GAN）的逐点重构与统计重构能力进行了系统的定量基准测试。我们攻克了由测量一个速度分量推断另一速度分量这一重要任务，并研究了两种情形：（I）两个分量均位于垂直于旋转轴的平面内；（II）其中一个平行于旋转轴。我们表明，EPOD方法仅在前一种两分量强相关情形下表现良好，而CNN与GAN在逐点与统计重构上始终优于EPOD。对于情形（II），当输入与输出数据弱相关时，所有方法均无法忠实重构逐点信息；在此情形下，仅GAN能够在统计意义上重构场。该分析同时使用基于预测与真值间空间距离的标准验证工具，以及利用小波分解的更精细多尺度分析。统计验证基于概率密度函数间标准Jensen-Shannon散度、谱性质与多尺度平坦度。
引用
@article{arxiv.2301.07541,
title = {Generative Adversarial Networks to infer velocity components in rotating turbulent flows},
author = {Tianyi Li and Michele Buzzicotti and Luca Biferale and Fabio Bonaccorso},
journal= {arXiv preprint arXiv:2301.07541},
year = {2023}
}