Reconstructing Turbulent Flows Using Physics-Aware Spatio-Temporal Dynamics and Test-Time Refinement

要約

乱流のシミュレーションは、航空宇宙工学、環境科学、エネルギー産業、生物医学などの多くの社会的に重要なアプリケーションにとって重要です。
ラージ エディ シミュレーション (LES) は、計算コストが削減されるため、乱流をシミュレーションするための直接数値シミュレーション (DNS) の代替として広く使用されています。
ただし、LES は乱流輸送のすべてのスケールを正確に捕捉することはできません。
低解像度 LES から DNS を再構築することは、多くの科学および工学分野にとって重要ですが、乱流の時空間的複雑さのため、既存の超解像度手法には多くの課題が生じます。
この研究では、低解像度の LES データからシーケンシャル DNS を再構築するための新しい物理ガイド型ニューラル ネットワークを提案します。
提案された方法は、時空間モデル アーキテクチャの設計における流れ力学の基礎となる偏微分方程式を利用します。
物理的制約を強制し、長期間にわたって蓄積される再構成エラーをさらに削減するために、劣化ベースのリファインメント手法も開発されています。
2 つの異なるタイプの乱流データに関する結果は、高解像度 DNS データを再構築し、フロー輸送の物理的特性を保存する点で、提案された方法の優位性を確認します。

要約(オリジナル)

Simulating turbulence is critical for many societally important applications in aerospace engineering, environmental science, the energy industry, and biomedicine. Large eddy simulation (LES) has been widely used as an alternative to direct numerical simulation (DNS) for simulating turbulent flows due to its reduced computational cost. However, LES is unable to capture all of the scales of turbulent transport accurately. Reconstructing DNS from low-resolution LES is critical for many scientific and engineering disciplines, but it poses many challenges to existing super-resolution methods due to the spatio-temporal complexity of turbulent flows. In this work, we propose a new physics-guided neural network for reconstructing the sequential DNS from low-resolution LES data. The proposed method leverages the partial differential equation that underlies the flow dynamics in the design of spatio-temporal model architecture. A degradation-based refinement method is also developed to enforce physical constraints and further reduce the accumulated reconstruction errors over long periods. The results on two different types of turbulent flow data confirm the superiority of the proposed method in reconstructing the high-resolution DNS data and preserving the physical characteristics of flow transport.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google