对抗训练对超分辨率湍流重建的影响
流体动力学
2024-06-11 v5
摘要
有监督超分辨率深度卷积神经网络(CNNs)因在湍流速度和标量场重建中的潜力而受到广泛关注。尽管流行，CNNs目前缺乏准确生成高频和小尺度特征的能力，且对其推广到样本外流动的测试并不普遍。生成对抗网络(GANs)由生成器与判别器两个独立神经网络(NNs)组成，是一种有前景的替代方案，支持半监督与无监督训练。这两种NN架构所产生的流场差异尚未被深入探究，且对判别器作用的全面理解尚待建立。本研究评估了GANs中无监督对抗训练在强迫均匀各向同性湍流中用于湍流重建的有效性。发现基于GAN的架构在样本内情形下优于有监督CNNs。两种架构在样本外情形下的重建精度均下降，但GAN的判别器网络通过额外使用大涡模拟输入场的无监督训练步骤以及动态选择最合适上采样因子，显著提升了生成器的样本外鲁棒性。这些增强了生成器重建小尺度梯度、湍流间歇性及速度梯度概率密度函数的能力。该基于GAN模型的推断能力在更高雷诺数的样本外流动中得到展示。基于这些发现，建议引入基于判别器的训练以提升超分辨率CNNs的重建能力。
引用
@article{arxiv.2308.16015,
title = {Influence of adversarial training on super-resolution turbulence reconstruction},
author = {Ludovico Nista and Christoph David Karl Schumann and Mathis Bode and Temistocle Grenga and Jonathan F. MacArt and Antonio Attili and Heinz Pitsch},
journal= {arXiv preprint arXiv:2308.16015},
year = {2024}
}