[论文解读] Deep learning approach in multi-scale prediction of turbulent mixing-layer

Jinu Lee, Sang-Seung Lee+1 more|arXiv (Cornell University)|Sep 19, 2018

Model Reduction and Neural Networks参考文献 28被引用 6

一句话总结

本文提出一种三维卷积生成对抗网络（GAN），仅使用模糊的、低分辨率的大尺度数据作为输入，以预测混合层流场中的细尺度湍流结构。通过在未经预处理的直接数值模拟（DNS）数据上进行训练，该模型在计算成本较低的情况下实现了对小尺度涡旋的高保真重建，展示了在复杂流体动力学中进行多分辨率预测的能力。

ABSTRACT

Achievement of solutions in Navier-Stokes equation is one of challenging quests, especially for its closure problem. For achievement of particular solutions, there are variety of numerical simulations including Direct Numerical Simulation (DNS) or Large Eddy Simulation (LES). These methods analyze flow physics through efficient reduced-order modeling such as proper orthogonal decomposition or Koopman method, showing prominent fidelity in fluid dynamics. Generative adversarial network (GAN) is a reprint of neurons in brain as combinations of linear operations, using competition between generator and discriminator. Current paper propose deep learning network for prediction of small-scale movements with large-scale inspections only, using GAN. Therefore DNS result of three-dimensional mixing-layer was filtered blurring out the small-scaled structures, then is predicted of its detailed structures, utilizing Generative Adversarial Network (GAN). This enables multi-resolution analysis being asked to predict fine-resolution solution with only inspection of blurry one. Within the grid scale, current paper present deep learning approach of modeling small scale features in turbulent flow. The presented method is expected to have its novelty in utilization of unprocessed simulation data, achievement of 3D structures in prediction by processing 3D convolutions, and predicting precise solution with less computational costs.

研究动机与目标

• 为解决纳维-斯托克斯方程中的闭合问题，实现仅从大尺度流动数据中精确预测小尺度湍流特征。
• 开发一种深度学习框架，绕过传统的模型降阶技术（如本征正交分解或Koopman分析）。
• 仅使用低分辨率、模糊的输入，实现实时、高分辨率的3D湍流混合层流动预测。
• 证明在未经插值或归一化处理（仅限缩放）的原始、非均匀、未处理的DNS数据上进行训练的可行性。

提出的方法

• 采用3D卷积GAN架构，通过生成器和判别器联合训练，从模糊的、低分辨率输入中重建细尺度湍流结构。
• 使用未经处理的三维空间演化混合层DNS数据进行模型训练，输入包含每个网格点处的速度、压力和空间坐标。
• 对DNS数据应用高斯模糊处理，以模拟大尺度观测结果，随后将其作为条件输入，用于GAN预测高分辨率流动场。
• 将空间坐标（x, y, z）作为附加输入特征，以处理模拟网格中非均匀的单元中心数据分布。
• 采用受Mathieu等人启发的视频预测模型，以实现在时间步长之间预测非定常流动演化时的时间一致性。
• 使用结合感知损失与对抗损失的损失函数，全局损失在11,000个训练周期内最小化。

实验结果

研究问题

• RQ1 深度学习模型能否仅从模糊的、大尺度流动数据中重建高分辨率湍流流动结构，而无需事先预处理或插值？
• RQ2 3D GAN模型在仅使用低分辨率条件输入的情况下，能在多大程度上保持湍流混合层中细小尺度涡旋动力学与精细特征？
• RQ3 与真实DNS数据相比，基于GAN的预测在结构保真度和PSNR、清晰度差异等误差度量指标上的表现如何？
• RQ4 使用原始、非均匀DNS数据对多尺度湍流流动预测中模型泛化能力与训练稳定性有何影响？

主要发现

• 模型在所有参数上的平均PSNR为32.17，清晰度差异（Sharp.diff.）误差为25.93，表明流动场的重建具有高保真度。
• 训练过程中全局损失在第11,000个周期时稳定在约535，表明GAN训练过程已收敛。
• 预测的涡度场（采用λ₂准则）相比模糊输入展现出更丰富的细小尺度结构，但仍不如真实DNS数据的分辨率。
• 该模型成功生成了满足伽利略不变性的涡旋结构，并保留了精细的三维细节，证明其具备捕捉复杂3D湍流动力学的能力。
• 柯尔莫哥洛夫微尺度η被发现符合Re⁻³/⁴的标度关系，与理论预期一致，验证了预测细小尺度特征的物理一致性。
• 该方法通过3D卷积实现了速度与压力场的精确3D重建，无需数据插值或预处理，显著降低了计算开销。