[论文解读] Deep Learning Convective Flow Using Conditional Generative Adversarial Networks

Changlin Jiang, Amir Barati Farimani|arXiv (Cornell University)|May 13, 2020

Model Reduction and Neural Networks参考文献 12被引用 6

一句话总结

该论文提出FluidGAN，一种条件生成对抗网络，仅通过数据学习并预测依赖时间的对流流场（包括速度、压力和温度场），而无需事先了解纳维-斯托克斯方程或能量方程。该模型通过对抗训练和U-Net架构实现高精度与高速度，成功捕捉了复杂的物理耦合关系，如速度-压力和速度-温度相互作用。

ABSTRACT

We developed a general deep learning framework, FluidGAN, capable of learning and predicting time-dependent convective flow coupled with energy transport. FluidGAN is thoroughly data-driven with high speed and accuracy and satisfies the physics of fluid without any prior knowledge of underlying fluid and energy transport physics. FluidGAN also learns the coupling between velocity, pressure, and temperature fields. Our framework helps understand deterministic multiphysics phenomena where the underlying physical model is complex or unknown.

研究动机与目标

• 开发一种数据驱动的深度学习框架，能够预测具有多个物理场的复杂时变对流流场。
• 实现在无需显式了解纳维-斯托克斯方程或能量输运方程的前提下，实现高速、高精度的流体动力学预测。
• 直接从数据中学习并表征速度、压力和温度场之间的耦合关系。
• 在控制方程未知或过于复杂而无法直接求解的多物理场系统中，发现潜在的物理规律与模式。

提出的方法

• 采用基于U-Net的生成器和条件生成对抗网络（cGAN），将边界条件和初始条件映射为流场预测结果。
• 使用PatchGAN判别器，通过评估局部图像块来区分真实标注输出与生成预测结果。
• 通过对抗方式训练生成器和判别器：生成器在生成输出上最小化判别器得分，同时在真实目标上最大化其得分。
• 将边界条件和初始条件表示为空间网格（边界网格用于边界条件，内部网格用于初始条件），并通过时间通道表示时间数据。
• 在U-Net生成器中应用跳跃连接，以保留空间细节并减少上采样过程中的信息损失。
• 采用结合对抗损失与L1（MAE）损失的损失函数，以同时保证感知真实感与像素级精度。

实验结果

研究问题

• RQ1 深度学习模型是否能够在未提供纳维-斯托克斯方程或能量输运方程的情况下，准确预测时变对流流场？
• RQ2 数据驱动模型在多物理场流体动力学中，能够在多大程度上学习速度、压力和温度场之间的复杂耦合关系？
• RQ3 当在有限数据上进行训练时，模型的泛化能力如何？性能是否会随着更多训练样本的增加而提升？
• RQ4 判别器是否不仅能用于训练，还能用于检测非物理或不一致的预测结果？
• RQ5 即使没有显式的物理约束，模型是否仍能发现并强制执行物理一致性（如连续性）？

主要发现

• 当在500万个样本上进行训练时，FluidGAN模型在时变数据集上的准确率超过99%，连续性残差的MAE为1.151×10⁻³，接近真实值1.010×10⁻³。
• 模型成功学习了速度-压力耦合关系，表现为尽管初始压力输入为零，仍能准确预测压力，表明其隐式学习了动量-压力关系。
• 由于温度场耦合较弱且方差较高，温度预测精度略低于速度和压力场，但随着训练数据增加，性能显著提升。
• 判别器在检测非物理预测方面表现出强鲁棒性，尤其在时间通道被人为错位时（如t₀ > 0），能有效识别出不一致的时间序列。
• 模型能够以高保真度捕捉中间流体传播状态和静态构型，如在所有场（u, v, p, T）中，预测结果与真实值的视觉对比所示。
• PatchGAN判别器的使用实现了高分辨率局部结构一致性，提升了生成结果的感知质量与物理合理性。