基于 Gappy POD、扩展 POD 与生成对抗网络对旋转湍流的多尺度数据重建
流体动力学
2023-11-07 v2 计算机视觉与模式识别
机器学习
混沌动力学
地球物理
摘要
利用数据驱动工具研究了旋转湍流快照的数据重建。鉴于直接与逆能量级联的并发效应会导致大尺度和小尺度上的非高斯统计，该问题对众多地球物理应用与基础研究至关重要。数据同化还可作为对湍流中物理特征进行排序的工具，通过依据所用信息的质量与数量评估重建性能来实现。此外，对多种重建技术进行基准测试对于评估定量优势、实现复杂度和可解释性之间的权衡必不可少。在本研究中，我们基于本征正交分解（Proper Orthogonal Decomposition, POD）和生成对抗网络（Generative Adversarial Network, GAN）使用线性和非线性工具，重建具有空间缺损（修复）的旋转湍流快照。我们聚焦于准确再现统计特性与瞬时速度场。考察了不同的缺口尺寸与缺口几何形状，以评估缺失信息的相干性与多尺度性质的重要性。令人惊讶的是，就逐点重建而言，非线性 GAN 并未优于某种线性 POD 技术。另一方面，当比较统计多尺度性质时，GAN 方法的优势得以显现。类似地，缺口区域中的极端事件在使用 GAN 时预测得更好。逐点误差与统计性质之间的平衡由对抗比（adversarial ratio）控制，其决定了 GAN 训练中生成器与判别器的相对重要性。还讨论了针对测量噪声的鲁棒性。
引用
@article{arxiv.2210.11921,
title = {Multi-scale data reconstruction of turbulent rotating flows with Gappy POD, Extended POD and Generative Adversarial Networks},
author = {Tianyi Li and Michele Buzzicotti and Luca Biferale and Fabio Bonaccorso and Shiyi Chen and Minping Wan},
journal= {arXiv preprint arXiv:2210.11921},
year = {2023}
}