[论文解读] Embedding Hard Physical Constraints in Neural Network Coarse-Graining of 3D Turbulence

Arvind Mohan, Nicholas Lubbers+2 more|arXiv (Cornell University)|Jan 31, 2020

Model Reduction and Neural Networks参考文献 46被引用 48

一句话总结

本文将硬性不可压约束嵌入到用于三维湍流的卷积自编码器（PhyCAE）中，通过固定CNN派生导数模板和 ghost-cell 边界条件强制发散为零的速度场，在不牺牲性能的前提下提高局部质量守恒。

ABSTRACT

In the recent years, deep learning approaches have shown much promise in modeling complex systems in the physical sciences. A major challenge in deep learning of PDEs is enforcing physical constraints and boundary conditions. In this work, we propose a general framework to directly embed the notion of an incompressible fluid into Convolutional Neural Networks, and apply this to coarse-graining of turbulent flow. These physics-embedded neural networks leverage interpretable strategies from numerical methods and computational fluid dynamics to enforce physical laws and boundary conditions by taking advantage the mathematical properties of the underlying equations. We demonstrate results on three-dimensional fully-developed turbulence, showing that this technique drastically improves local conservation of mass, without sacrificing performance according to several other metrics characterizing the fluid flow.

研究动机与目标

• 动机：将硬物理约束嵌入神经网络，以在三维湍流建模中保证不可压缩性。
• 开发一个物理嵌入的卷积自编码器（PhyCAE），在粗化过程中强制满足发散为零。
• 利用类有限差分的CNN核和ghost-cell边界处理，在可训练框架中实现精确的物理算子。
• 评估硬约束对守恒、湍流诊断指标的准确性以及训练动力学的影响。

提出的方法

• 使用卷积自编码器（CAE）对三维 HIT 速度场进行粗化。
• 通过预测向量势 A，并用实现 curl 的固定、不可训练导数模板的CNN层计算 V = curl(A)，以嵌入不可发散约束。
• 通过 ghost cell 边界条件来维持更高阶模板的准确性。
• 将 CNN 核与有限体积模板联系起来，以实现对空间导数的反向传播。
• 使用单精度 DNS 数据进行评估，并将 Divergence of V (nabla·V) 和湍流诊断与标准 CAE 进行比较。
• 讨论通过 CNN 嵌入算子对更高阶方案和其他硬约束的潜在扩展。

实验结果

研究问题

• RQ1 硬物理约束是否可以嵌入到 CNN 架构中，以在三维湍流模型中强制不可压缩性？
• RQ2 相比于标准 CAE，物理嵌入的 CAE（PhyCAE）是否在不影响湍流统计量的前提下改善局部质量守恒？
• RQ3 固定导数模板和 ghost-cell 边界处理如何影响粗化湍流水数据的训练动力学和预测保真度？
• RQ4 硬约束对学习得到的粗化场在标准湍流诊断（能谱、速度梯度统计、Q-R 平面）上的影响如何？

主要发现

• PhyCAE 相比 CAE 实现了更低的最终发散（TAD），测试数据上的最终发散≈10^-5 vs ≈10^-2。
• 在训练中，PhyCAE 的发散随时间下降，甚至可以接近数值零，表明从早期 epoch 就遵循不可压缩性。
• 能谱以及大尺度/惯性范围的准确性在 PhyCAE 与 CAE 之间相当，因粗化导致的小尺度差异。
• 对于 PhyCAE，速度梯度 PDF 与 DNS 非常接近，尾部略优于 CAE，表明良好的小尺度行为。
• Q-R 平面诊断显示 PhyCAE 在大尺度流动拓扑方面表现极好，惯性尺度略不那么精确但可以接受。
• 总体而言， PhyCAE 提供硬物理保证且不增加可训练参数，并提升鲁棒性和可解释性。