基于多尺度图变换器的网格化爆炸流场超分辨率
机器学习
2025-11-25 v3 人工智能
摘要
基于最新数据驱动技术的流场超分辨率复原对于 subgrid/subfilter 建模、加速时空预测、数据压缩以及作为稀疏实验测量的上采样工具等 various 应用具有重要价值。本文首次开发了一种多尺度图变换器方法，用于网格化爆炸流场超分辨率 (SR-GT)。该 novel data-driven 建模范式利用与复杂几何和非均匀/非结构网格兼容的图基流场表示。进一步地，变换器 backbone 捕获不同流场低分辨率部分之间的长程依赖，识别重要特征，然后生成在更高分辨率下保留这些特征的超分辨率流场。SR-GT 的性能在针对 2D 爆炸传播（在混合氢-空气混合物中）所面临的具有高度复杂多尺度反应流行为的挑战性测试问题中进行了证明。SR-GT 框架利用独特的元素 + 邻域图表示处理粗糙输入，然后经由 tokenization 后输入变换器组件以产生细粒输出。结果表明，SR-GT 为反应流场特征提供高超分辨率精度，并在传统插值-based SR 方法中显示出优异性能。
引用
@article{arxiv.2511.12041,
title = {Mesh-based Super-resolution of Detonation Flows with Multiscale Graph Transformers},
author = {Shivam Barwey and Pinaki Pal},
journal= {arXiv preprint arXiv:2511.12041},
year = {2025}
}