基于广义零样态学习的壁面湍流小尺度运动高灵活性重构
流体动力学
2024-11-20 v1
摘要
本研究提出了一种新的超分辨率（或 SR）框架，用于从低分辨率输入生成高分辨率湍流边界层（TBL）流动。该框架将超分辨率生成对抗性神经网络（SRGAN）与下采样模块（DMs）相结合，将连续方程的残差整合到损失函数中。DMs 在超分辨率过程之前选择性地过滤掉低分辨率场中能量耗散过度的成分。该框架反复应用 SRGAN 和 DM 程序，以充分捕获多尺度流动结构的能量级联，统称为 SRGAN 基于能量级联框架（EC-SRGAN）。尽管仅使用湍流通道流动数据（通过“零样态迁移”）进行训练，EC-SRGAN 仍在预测 TBL 小尺度速度场方面表现出惊人的概括能力，能够准确再现与 DNS 结果相符的波数谱。此外，训练一个特定的超分辨率比率的超分辨率核心。通过利用这个预训练的超分辨率核心，EC-SRGAN 能从各种水平的低分辨率输入高效地重构 TBL 场，展示出强大的灵活性。通过学习湍流尺度不变性，EC-SRGAN 在不同 TBL 数据集之间表现出鲁棒性。这些结果凸显了 EC-SRGAN 在具有高度灵活性的生成和预测壁面湍流方面的潜力，为解决多样化的 TBL 相关挑战提供了有前景的应用。
引用
@article{arxiv.2407.15604,
title = {High-flexibility reconstruction of small-scale motions in wall turbulence using a generalized zero-shot learning},
author = {Haokai Wu and Kai Zhang and Dai Zhou and Wen-Li Chen and Zhaolong Han and Yong Cao},
journal= {arXiv preprint arXiv:2407.15604},
year = {2024}
}