双向耦合颗粒-湍流中湍流速度场的超分辨率重建
流体动力学
2025-07-08 v1 计算物理
摘要
本文介绍了一种基于深度学习的超分辨率（SR）框架，该框架专门为精确重建双向耦合颗粒-湍流中的高分辨率速度场而开发。利用条件生成对抗网络（cGANs），生成器网络架构包含了对物理参数的显式条件设置，例如有效颗粒质量密度和亚网格动能，而判别器网络则以低分辨率数据以及输入数据的高频内容为条件。高保真直接数值模拟（DNS）数据集，涵盖了一系列颗粒斯托克斯数、颗粒质量载荷和载气湍流状态（包括强迫湍流和衰减湍流），作为训练和测试数据集。广泛的验证研究，包括能谱、概率密度函数（PDFs）、涡量分布和基于小波分解的详细分析，证明了模型在不同颗粒参数下的准确性和泛化能力。结果表明，网络利用了颗粒数据，主要是在重建由颗粒调制的高频细节方面。此外，对模型在捕捉先前未见过的流动状态方面的性能进行的系统评估，进一步验证了其预测能力。
引用
@article{arxiv.2507.03567,
title = {Super-resolution of turbulent velocity fields in two-way coupled particle-laden flows},
author = {Ali Shamooni and Ruyue Cheng and Thorsten Zirwes and Hesam Tofighian and Oliver T. Stein and Andreas Kronenburg},
journal= {arXiv preprint arXiv:2507.03567},
year = {2025}
}