[论文解读] Reconstructing three-dimensional bluff body wake from sectional flow fields with convolutional neural networks

Mitsuaki Matsuo, Kai Fukami+3 more|arXiv (Cornell University)|Mar 16, 2021

Model Reduction and Neural Networks参考文献 51被引用 6

一句话总结

本研究提出一种混合2D-3D卷积神经网络（CNN），仅需最少数量的二维截面流场即可重建三维钝体尾迹，实现仅使用五个截面即达到高保真度的体积重建。该方法可将数据压缩至原始大小的0.0218%，同时保持低重建误差，并通过基于自适应采样的超分辨率技术进一步提升可压缩性，展现出对噪声的鲁棒性，具有在流体动力学及更广泛的物理科学领域实际应用的潜力。

ABSTRACT

The recent development of high-performance computing enables us to generate spatio-temporal high-resolution data of nonlinear dynamical systems and to analyze them for a deeper understanding of their complex nature. This trend can be found in a wide range of science and engineering, which suggests that detailed investigations on efficient data handling in physical science must be required in the future. This study considers the use of convolutional neural networks (CNNs) to achieve efficient data storage and estimation of scientific big data derived from nonlinear dynamical systems. The CNN is used to reconstruct three-dimensional data from a few numbers of two-dimensional sections in a computationally friendly manner. The present model is a combination of two- and three-dimensional CNNs, which allows users to save only some of the two-dimensional sections to reconstruct the volumetric data. As examples, we consider a flow around a square cylinder at the diameter-based Reynolds number $Re_D = 300$. We demonstrate that volumetric fluid flow data can be reconstructed with the present method from as few as five sections. Furthermore, we propose a combination of the present CNN-based reconstruction with an adaptive sampling-based super-resolution analysis to augment the data compressibility. Our report can serve as a bridge toward practical data handling for not only fluid mechanics but also a broad range of physical sciences.

研究动机与目标

• 为解决高保真度模拟产生的大规模3D流体流动数据的存储与处理挑战。
• 开发一种基于机器学习的方法，从有限的2D截面测量数据中重建3D体积流场。
• 在非线性、多尺度流体系统中，提升数据可压缩性而不牺牲重建保真度。
• 评估模型对噪声输入的鲁棒性，以评估其在实验环境中的潜在应用价值。
• 将超分辨率技术与3D重建相结合，进一步降低数据存储需求。

提出的方法

• 采用混合2D-3D CNN架构，其中2D CNN处理单个截面流场，3D CNN则从这些处理后的截面重建完整的3D体积。
• 模型采用监督学习方式训练，使用雷诺数ReD=300时方形柱体的直接数值模拟（DNS）生成的高分辨率3D流场数据。
• 应用自适应采样对截面数据进行下采样，依据特征重要性降低存储需求，同时保留关键流动结构。
• 利用基于CNN的超分辨率方法对低分辨率截面数据进行处理，提升输入质量后再进行3D重建。
• 采用混合池化策略，结合传统平均池化与自适应采样，优化压缩效率与重建精度。
• 通过L2误差、结构相似性指数（SSIM）以及压缩比（γ）相对于原始3D网格尺寸对方法进行评估。

实验结果

研究问题

• RQ1 深度学习模型能否仅通过五个2D截面测量数据，实现极低数据损失的高保真度3D流体流动场重建？
• RQ2 超分辨率与3D重建的结合如何在不降低精度的前提下进一步提升数据可压缩性？
• RQ3 自适应采样与传统池化在重建质量与存储效率方面的影响有何差异？
• RQ4 模型对噪声输入数据的鲁棒性如何，是否适用于实验场景？
• RQ5 该方法能否扩展至湍流流场或非结构化网格数据？其关键局限性是什么？

主要发现

• 所提出的2D-3D CNN模型仅使用五个2D截面流场即可实现高质量的3D尾迹重建，L2误差较低，结构相似性较高。
• 仅用50个快照进行训练的模型即可捕捉大尺度流动结构，表明其具备强大的泛化能力。
• 使用下采样因子α=8的超分辨率截面数据，重建精度与使用原始分辨率数据相当，实现约1/2000的数据压缩。
• 结合传统池化与自适应采样的混合池化方法，将存储量减少至原始3D数据大小的0.0218%，同时保持接近最优的重建误差。
• 模型对噪声输入表现出鲁棒性，表明其在真实实验数据应用中具有可行性。
• 基于自适应采样的超分辨率在重建质量上优于传统平均池化，同时显著降低数据存储，尤其在v和w分量上表现更优。