[论文解读] Using Physics-Informed Super-Resolution Generative Adversarial Networks for Subgrid Modeling in Turbulent Reactive Flows

Mathis Bode, Michael Gauding+6 more|arXiv (Cornell University)|Nov 26, 2019

Fluid Dynamics and Turbulent Flows参考文献 24被引用 10

一句话总结

该论文提出了一种物理信息超分辨率生成对抗网络（PIESRGAN），用于大涡模拟（LES）中湍流反应流的亚网格建模。通过结合对抗训练与物理信息损失，并采用两步训练策略，PIESRGAN 从粗粒度 LES 数据中重建出高保真度的湍流场，在先验和后验测试中均准确预测了亚网格应力和标量混合，包括与实验数据高度一致的反应性 Spray A 案例。

ABSTRACT

Turbulence is still one of the main challenges for accurately predicting reactive flows. Therefore, the development of new turbulence closures which can be applied to combustion problems is essential. Data-driven modeling has become very popular in many fields over the last years as large, often extensively labeled, datasets became available and training of large neural networks became possible on GPUs speeding up the learning process tremendously. However, the successful application of deep neural networks in fluid dynamics, for example for subgrid modeling in the context of large-eddy simulations (LESs), is still challenging. Reasons for this are the large amount of degrees of freedom in realistic flows, the high requirements with respect to accuracy and error robustness, as well as open questions, such as the generalization capability of trained neural networks in such high-dimensional, physics-constrained scenarios. This work presents a novel subgrid modeling approach based on a generative adversarial network (GAN), which is trained with unsupervised deep learning (DL) using adversarial and physics-informed losses. A two-step training method is used to improve the generalization capability, especially extrapolation, of the network. The novel approach gives good results in a priori as well as a posteriori tests with decaying turbulence including turbulent mixing. The applicability of the network in complex combustion scenarios is furthermore discussed by employing it to a reactive LES of the Spray A case defined by the Engine Combustion Network (ECN).

研究动机与目标

• 为解决大涡模拟（LES）中湍流反应流的亚网格建模难题，传统模型常因高维复杂物理特性而失效。
• 通过引入无监督深度学习与物理约束，提升数据驱动模型在高维流体动力学中的泛化与外推能力。
• 开发一种稳健的物理信息深度学习框架，仅基于滤波后的 LES 数据重建完全解析的湍流场，无需标注训练数据。
• 评估该模型在真实燃烧场景中的适用性，特别是针对复杂、高雷诺数流动，如发动机燃烧网络的 Spray A 案例。
• 证明基于 GAN 的模型可在保持数值稳定性的同时，实现对亚网格应力和标量通量的精确预测。

提出的方法

• 将超分辨率 GAN 架构（ESRGAN）扩展至三维数据，用于从粗粒度 LES 数据中重建高分辨率湍流场。
• 模型采用对抗损失，训练生成器以生成在视觉上与真实解析数据无法区分的高分辨率场。
• 引入物理信息损失，以强制满足物理一致性，嵌入守恒定律及湍流统计量（如动能和耗散率）等约束。
• 采用两步训练流程：首先在完全解析的 DNS 数据上进行预训练，然后在欠解析的 LES 数据上进行微调，以增强泛化与外推能力。
• 利用重建的高分辨率场计算亚网格项（如亚网格雷诺应力和标量通量），用于 LES 中的闭合处理。
• 在 Spray A 案例中应用该模型，采用多代表性交互火焰片（MRIF）模型，将点火延迟时间和燃料质量分数分布与实验数据进行对比。

实验结果

研究问题

• RQ1 物理信息 GAN 是否能有效从粗粒度 LES 数据中重建高分辨率湍流场，而无需标注训练数据？
• RQ2 两步训练策略在高维、物理约束的流体动力学问题中，如何提升 GAN 的泛化与外推能力？
• RQ3 PIESRGAN 模型在复杂燃烧场景（如 Spray A 案例）中，对亚网格应力和标量通量的预测精度如何？
• RQ4 与标准 GAN 相比，物理信息损失是否能提升生成场的物理一致性与数值稳定性？
• RQ5 在混合与点火延迟预测方面，PIESRGAN 的性能与传统亚网格模型（如动态 Smagorinsky 模型）相比如何？

主要发现

• PIESRGAN 模型成功从滤波后的 LES 数据中重建出高分辨率湍流场，且具有强物理一致性，经由衰减湍流的先验测试验证。
• 在 Spray A 案例的后验 LES 中，PIESRGAN 预测的点火延迟时间为 0.379 ms，与实验值约 0.4 ms 合理一致。
• PIESRGAN-LES 中喷嘴下游的燃料质量分数分布介于实验数据与动态 Smagorinsky LES 之间，表明混合精度得到改善。
• 模型表现出鲁棒性，未出现裁剪现象，表明其不会产生极端或不稳定的预测，避免导致模拟崩溃。
• 尽管计算成本高于动态 Smagorinsky 模型，但随着深度学习硬件加速，PIESRGAN 展现出未来部署的强劲潜力。
• 两步训练策略显著提升了泛化能力，使模型在仅主要基于衰减各向同性湍流训练的情况下，仍能准确模拟复杂、高雷诺数反应流。