面向流场状态估计的神经网络鲁棒训练方法
流体动力学
2022-06-01 v2 数据分析、统计与概率
摘要
从有限传感器测量中进行状态估计广泛存在于力学、天文学和地球物理等众多领域的共同挑战中。流体力学也不例外——流场状态估计对于流动控制与实验数据处理尤为重要。然而，流体的强非线性和时空高自由度给合理估计带来困难。为应对这些问题，近来神经网络（NNs）已替代传统线性方法应用于流场估计。本研究从鲁棒训练的实际视角关注NNs对各类流场估计问题的能力。演示考虑了三类非定常层流与湍流：1. 方柱尾流，2. 湍流槽道流，3. 层流至湍流转捩边界层。我们利用卷积神经网络（CNN）从截面传感器测量估计速度场。为评估CNN模型的实用性，研究了输入所需的物理量以及对传感器缺失的鲁棒性。我们还检验了若干可观的模型训练方法对提升传感器缺失鲁棒性的有效性。本研究获得的有效训练方法知识可迁移至流场建模的实际机器学习中。
引用
@article{arxiv.2112.02751,
title = {Robust training approach of neural networks for fluid flow state estimations},
author = {Taichi Nakamura and Koji Fukagata},
journal= {arXiv preprint arXiv:2112.02751},
year = {2022}
}
备注
24 pages, 13 figures