基于 Voronoi 镶嵌辅助深度学习的稀疏传感器全局场重建
流体动力学
2021-11-18 v2 机器学习
计算物理
摘要
从有限数量的传感器实现对复杂时变场的准确且鲁棒的全局态势感知一直是一项长期挑战。当传感器以看似随机或无组织的方式稀疏布置时，这一重建问题尤为困难，这在一系列科学和工程问题中经常遇到。此外，这些传感器可能处于运动中，并可能随时间上线或离线。解决这一科学问题的关键抓手是传感器积累的大量数据。作为该问题的一种解决方案，我们提出了一种数据驱动的空间场恢复技术，其建立在基于结构化网格的深度学习方法之上，可处理任意数量、任意位置的传感器。需注意，朴素地使用机器学习用于全局场重建在计算上极其昂贵，且无法适应任意数量的传感器。在本工作中，我们考虑使用 Voronoi 镶嵌从传感器位置获得结构化网格表示，从而实现计算上可行的卷积神经网络应用。本方法的核心特征之一是其与针对结构化传感器数据（为图像处理所建立）的基于深度学习的超分辨率重建技术相兼容。所提出的重建技术在非定常尾流、地球物理数据和三维湍流上进行了演示。当前框架能够处理任意数量的移动传感器，从而克服了现有重建方法的一个主要局限。所呈现的技术为神经网络用于实时全局场估计的实际应用开辟了新途径。
引用
@article{arxiv.2101.00554,
title = {Global field reconstruction from sparse sensors with Voronoi tessellation-assisted deep learning},
author = {Kai Fukami and Romit Maulik and Nesar Ramachandra and Koji Fukagata and Kunihiko Taira},
journal= {arXiv preprint arXiv:2101.00554},
year = {2021}
}