基于深度生成模型从 TURB-Rot 数据库进行湍流数据重建与语义修复
流体动力学
2021-06-15 v2 统计力学
计算机视觉与模式识别
机器学习
混沌动力学
摘要
我们研究了将计算机视觉领域开发的用于特征学习与语义图像修复的工具应用于流体湍流构型的数据重建。目的有二。首先，我们在定量基础上探索嵌入深度生成对抗模型（Deep-GAN）的卷积神经网络生成湍流中缺失数据的能力，湍流是一个典型的极高维混沌系统。特别地，我们研究其在重建从含旋转的 3d 湍流数值构型大型数据库提取的二维受损快照中的用途，该情形具有多尺度随机特征，同时存在大尺度组织结构与小尺度高度间歇且非高斯的涨落。其次，遵循逆向工程思路，我们旨在依据定性及定量重要性对输入流属性（特征）排序，以获得更优的重建流场。我们给出两种均基于上下文编码器的方法。第一种通过最小化 L2 逐像素重建损失加微小对抗惩罚来推断缺失数据。第二种从先前训练的生成器中搜索受损流构型的最接近编码。最后，我们与一种不同的数据同化工具进行比较，该工具基于 Nudging——一种方程知情的无偏协议，在数值天气预报界广为人知。我们发布了 TURB-Rot 数据库（http://smart-turb.roma2.infn.it），含约 300K 张二维湍流图像，并给出下载细节。
引用
@article{arxiv.2006.09179,
title = {Reconstruction of turbulent data with deep generative models for semantic inpainting from TURB-Rot database},
author = {M. Buzzicotti and F. Bonaccorso and P. Clark Di Leoni and L. Biferale},
journal= {arXiv preprint arXiv:2006.09179},
year = {2021}
}