基于自监督学习的流场去噪方法
流体动力学
2024-08-06 v1
摘要
本研究提出了一种基于深度学习(DL)去噪自编码器(DAE)模型的高效流场去噪方法。该DAE operates on a self-learning principle and does not require clean data as training labels。进一步研究了DAE的去噪机制，发现其具有紧凑潜在空间的瓶颈结构能够提高去噪效果。同时，我们还开发了一个用于去噪湍流场的深度多尺度DAE。我们还使用传统噪声滤波器对流场进行去噪，并与DL方法的结果进行比较分析。通过对层流正方形圆柱阻力块周围的层流以及 various Reynolds 数下的湍流通道流动数据进行评估，验证了所提出DL模型的有效性。对于每种情况，都在数据中加入了合成噪声。单独的实验使用包含真实噪声的正方形圆柱阻力块周围的粒子图像光栅测量(PIV)数据测试DAE的去噪性能。使用瞬时轮廓和流场统计结果来验证去噪后数据与真实值之间的一致性。研究结果确认，所提出的方法能够有效去除包括湍流场景在内的噪声流数据。此外，所提出的方法表现出优异的泛化能力，能够高效地去除各种类型和强度的噪声。
引用
@article{arxiv.2408.01659,
title = {Self-Supervised Learning for Effective Denoising of Flow Fields},
author = {Linqi Yu and Mustafa Z. Yousif and Dan Zhou and Meng Zhang and Jungsub Lee and Hee-Chang Lim},
journal= {arXiv preprint arXiv:2408.01659},
year = {2024}
}
备注
32 pages, 20 figures