对超分辨湍流模型的对抗训练影响
摘要：监督式超分辨率深度卷积神经网络 (CNNs) 在大涡模拟亚网尺度 (SFS) 建模中引起了极大关注，因为它们能够在细网格上重构具有统计意义的流场。尽管它们很受欢迎，但是CNNs缺乏准确重构高频特征和在测试流中的泛化性能。生成对抗网络 (GANs) 是一个潜在的替代方案，允许半监督和完全无监督的训练，尽管它们尚未被彻底研究作为湍流封闭方案，并且对判别器的作用没有形成全面的理解。本研究评估了GANs在强迫均匀各向同性湍流的先验SFS应力建模中的有效性。研究发现，基于GAN的体系结构在样本中的SFS重构方面优于受监督的CNN模型。两个模型的重构精度对于测试数据都有所降低，但是作为"特征提取器"应用的GAN判别器可以缩小模型的解空间并提升生成器的测试健壮性。该基于GAN的模型在更高雷诺数流中的外推能力也得到了展示。这突显了GAN判别器在优化对于测试流的健壮且准确的SFS模型方面的有效性。基于这些发现，建议在将超分辨率CNN封闭方案与数值求解器集成之前进行判别器训练。
作者：Ludovico Nista, Christoph David Karl Schumann, Mathis Bode, Temistocle Grenga, Jonathan F. MacArt, Antonio Attili, and Heinz Pitsch
论文ID：2308.16015
分类：Fluid Dynamics
分类简称：physics.flu-dyn
提交时间：2023-09-01