使用生成对抗网络预测与控制二维衰减湍流
流体动力学
2023-12-13 v1
摘要
随着机器学习（ML）的近期快速发展，已有诸多尝试将 ML 方法应用于各种流体力学问题。然而，ML 用于预测湍流动力学的可行性尚未得到详细探索。在本研究中，我们开发了 PredictionNet，这是一个基于生成对抗网络的数据驱动 ML 框架，用于预测二维（2D）衰减湍流。所开发的预测模型在长达半个欧拉积分时间尺度的有限提前时间内准确预测了湍流场。除了在逐点度量上的高准确性外，所采用的 GAN 还准确捕获了各种湍流统计量，如概率密度函数、空间相关函数和拟谱。尺度分解被用于解释依赖于空间尺度的可预测性，并研究了判别器网络中潜变量的作用。GAN 在预测小尺度湍流方面的良好性能归因于潜变量的尺度选择能力。结果还表明，对于较大的提前时间，预测模型的递归应用比单次预测产生更好的预测结果。此外，通过将 PredictionNet 作为代理模型，我们开发了一个名为 ControlNet 的控制模型，用于识别驱动流场时间演化朝向优化指定目标函数方向演进的扰动场。因此，本文展示了一个说明性示例，表明可以在有限时间范围内预测二维湍流的演化，并使用基于 GAN 的深度神经网络对其进行控制。
引用
@article{arxiv.2312.07037,
title = {Prediction and control of two-dimensional decaying turbulence using generative adversarial networks},
author = {Jiyeon Kim and Junhyuk Kim and Changhoon Lee},
journal= {arXiv preprint arXiv:2312.07037},
year = {2023}
}