风流序列的混合神经插值
计算物理
2025-10-29 v1 流体动力学
摘要
快速准确的城市风场预测是模型化紧急情境下粒子输运的关键。传统的计算流体动力学（CFD）方法对于实时应用而言速度过慢，迫切需要替代模型。我们发展了一种混合神经插值方法，用于构建能够在气象变化时间尺度上更新城市风图的替代模型。该方法将 Tucker张量分解与神经网络结合，用于在不同入口风角之间插值 Reynolds-Averaged Navier-Stokes（RANS）解。该方法将高维速度、压力和湍流黏度场数据分解为核心张量和因子矩阵，然后使用傅里叶插值进行角度模式插值，使用k近邻卷积进行空间插值。神经网络校正用于缓解插值伪影，同时保持物理一致性。我们在简单的文件球配置上进行了验证，相对于一个强大的纯神经网络基准，本方法在准确率上相当或更好（ ），但训练时间显著减少。纯NN仍是一个可行的参考模型；混合方法提供了一个加速的近似替代方案，抑制了伪 oscillations，保持了湍流动力学，显示出适用于实时城市风模拟的计算效率。
引用
@article{arxiv.2510.24079,
title = {Hybrid Neural Interpolation of a Sequence of Wind Flows},
author = {Ameir Shaa and Claude Guet and Xiasu Yang and Armand Albergel and Bruno Ribstein and Maxime Nibart},
journal= {arXiv preprint arXiv:2510.24079},
year = {2025}
}