基于物理信息生成对抗网络的湍流增强
计算物理
2020-03-09 v2 机器学习
流体动力学
摘要
生成对抗网络（GANs）已被广泛用于生成照片级真实感图像。一种称为超分辨率 GAN（SRGAN）的 GAN 变体已成功用于图像超分辨率，可将低分辨率图像上采样至大 倍且感知上更真实的图像。然而，当此类生成模型用于描述物理过程的数据时，模型还必须满足包括控制方程与边界条件在内的额外已知约束。一般而言，生成数据可能并不遵从这些约束。本工作中，我们发展了基于物理的湍流生成增强方法。我们通过对损失函数进行修改以最小化生成数据控制方程的残差，从而引入物理信息学习途径。我们分析了两种训练好的物理信息模型：基于卷积神经网络（CNN）的监督模型与基于 SRGAN 的生成模型——湍流增强 GAN（TEGAN），并表明二者在湍流增强上均优于简单的双三次插值。我们还表明，使用物理信息学习可显著提升模型生成满足物理控制方程数据的能力。最后，我们将 TEGAN 的增强数据进行比较，表明其能够恢复流场的统计度量，包括能量度量以及尺度间能量动力学与流动形态。
引用
@article{arxiv.2003.01907,
title = {Turbulence Enrichment using Physics-informed Generative Adversarial Networks},
author = {Akshay Subramaniam and Man Long Wong and Raunak D Borker and Sravya Nimmagadda and Sanjiva K Lele},
journal= {arXiv preprint arXiv:2003.01907},
year = {2020}
}
备注
for associated code, see https://github.com/akshaysubr/TEGAN