使用自编码器与生成对抗网络对受迫各向同性湍流进行参数化
流体动力学
2022-03-04 v1 机器学习
摘要
自编码器与生成神经网络模型近期在流体力学中受到欢迎，因其具有自发性且处理时间短，而非高保真CFD仿真。自编码器通过将输入高维数据经编码器压缩映射至低维潜空间，用作流体力学应用中的模型降阶工具。而诸如变分自编码器(VAEs)与生成对抗网络(GANs)等生成模型，正被证明可有效生成具有高“随机性”（如湍流）的混沌模型的解。本研究中，受迫各向同性湍流通过参数化为若干基本统计特征来生成。模型在这些特征依赖的预仿真数据上训练，随后通过改变这些参数来影响流动生成。沿解码器与生成器等生成器模型推送的潜向量包含独立项，可用于创建具有相似属性的不同输出。基于神经网络的架构消除了对许多CFD软件中突出的经典基于网格的Navier-Stoke方程估计的依赖。
引用
@article{arxiv.2107.06264,
title = {Parameterization of Forced Isotropic Turbulent Flow using Autoencoders and Generative Adversarial Networks},
author = {Kanishk and Tanishk Nandal and Prince Tyagi and Raj Kumar Singh},
journal= {arXiv preprint arXiv:2107.06264},
year = {2022}
}