[论文解读] NUNet: Deep Learning for Non-Uniform Super-Resolution of Turbulent Flows

Octavi Obiols-Sales, Abhinav Vishnu+2 more|arXiv (Cornell University)|Mar 26, 2022

Advanced Image Processing Techniques被引用 6

一句话总结

NUNet 是一种用于湍流非均匀超分率的深度学习框架，可自适应地仅对具有复杂流动特征的区域（如近壁面和尾迹区）进行细化，同时在平滑区域保持低分辨率。与最先进的均匀超分率方法相比，它实现了 7–28.5 倍的推理速度提升和 4.4–7.65 倍的内存使用降低，同时保持了与传统 AMR 求解器相当的收敛精度。

ABSTRACT

Deep Learning (DL) algorithms are becoming increasingly popular for the reconstruction of high-resolution turbulent flows (aka super-resolution). However, current DL approaches perform spatially uniform super-resolution - a key performance limiter for scalability of DL-based surrogates for Computational Fluid Dynamics (CFD). To address the above challenge, we introduce NUNet, a deep learning-based adaptive mesh refinement (AMR) framework for non-uniform super-resolution of turbulent flows. NUNet divides the input low-resolution flow field into patches, scores each patch, and predicts their target resolution. As a result, it outputs a spatially non-uniform flow field, adaptively refining regions of the fluid domain to achieve the target accuracy. We train NUNet with Reynolds-Averaged Navier-Stokes (RANS) solutions from three different canonical flows, namely turbulent channel flow, flat plate, and flow around ellipses. NUNet shows remarkable discerning properties, refining areas with complex flow features, such as near-wall domains and the wake region in flow around solid bodies, while leaving areas with smooth variations (such as the freestream) in the low-precision range. Hence, NUNet demonstrates an excellent qualitative and quantitative alignment with the traditional OpenFOAM AMR solver. Moreover, it reaches the same convergence guarantees as the AMR solver while accelerating it by 3.2-5.5x, including unseen-during-training geometries and boundary conditions, demonstrating its generalization capacities. Due to NUNet's ability to super-resolve only regions of interest, it predicts the same target 1024x1024 spatial resolution 7-28.5x faster than state-of-the-art DL methods and reduces the memory usage by 4.4-7.65x, showcasing improved scalability.

研究动机与目标

• 为解决当前 CFD 领域深度学习超分率方法在计算流体动力学中因在整个域内执行均匀细化而带来的可扩展性限制。
• 开发一种深度学习框架，用于预测空间非均匀的高分辨率流动场，仅根据局部流动复杂度对感兴趣区域进行细化。
• 在显著降低计算成本和内存使用的同时，实现与传统自适应网格细化（AMR）求解器相当的收敛保证。
• 在未见过的几何形状和边界条件下具备泛化能力，证明其在训练数据之外的鲁棒性。
• 在推理阶段实现 1024×1024 分辨率的高分辨率模拟，并支持更大的批量大小，从而克服均匀超分率模型的硬件限制。

提出的方法

• NUNet 将输入的低分辨率流动场划分为固定大小的空间块，以实现局部化决策。
• 根据流动复杂度对每个块进行评分，以判断其是否需要超分率处理，或可保持低分辨率。
• 一个深度神经网络预测非均匀的高分辨率输出，仅对具有复杂流动特征的区域（如近壁区和尾迹区）进行细化。
• 该框架为端到端设计：非均匀输出被输入传统物理求解器（如 OpenFOAM）以确保收敛性和物理一致性。
• 模型在三种典型流动的雷诺平均纳维-斯托克斯（RANS）解上进行训练：湍流通道流、平板流和椭圆绕流。
• 该方法支持一次推理完成，无需迭代细化，与传统 AMR 不同，从而提升了效率和可扩展性。

实验结果

研究问题

• RQ1 深度学习模型能否预测仅对复杂区域进行选择性细化的湍流非均匀超分率，从而提升计算效率？
• RQ2 与最先进的均匀超分率模型相比，NUNet 在推理速度、内存使用和收敛精度方面的性能如何？
• RQ3 NUNet 在未见几何形状和边界条件下的泛化能力有多强，是否超出其在训练数据中的分布？
• RQ4 NUNet 的非均匀细化策略是否能在加速求解过程的同时，实现与传统 AMR 求解器相当的物理精度？
• RQ5 NUNet 是否能在保持感兴趣区域高分辨率精度的同时，降低内存消耗，并在高分辨率下支持更大的批量大小？

主要发现

• 与最先进的均匀超分率方法（如 SURFNet）相比，NUNet 在所有测试案例中均实现了 4.4–7.65 倍的内存使用降低。
• 与 SURFNet 相比，NUNet 实现了 7–28.5 倍的端到端推理速度提升，其中在复杂几何形状（如 NACA1412 机翼）上观察到最高加速比。
• NUNet 达到了与传统 OpenFOAM AMR 求解器相同的收敛保证，证明了其物理一致性和可靠性。
• 该模型成功识别并细化了具有复杂流动特征的区域（如近壁层和尾迹区），同时在平滑来流区域保持低分辨率。
• NUNet 在未见几何形状和边界条件（包括 NACA0012 和 NACA1412 机翼）上表现出泛化能力，无需微调。
• 在 1024×1024 分辨率下，NUNet 在推理阶段支持比均匀方法更大的批量大小，克服了 SOTA 模型中常见的 GPU 内存限制。