Physics-informed deep-learning applications to experimental fluid mechanics

要約

低解像度でノイズの多い測定からの流れ場データを高解像度で再構成することは、一般に測定データがまばらで不完全でノイズが多い実験流体力学においてこのような問題が蔓延しているため、興味深いものです。
深層学習アプローチは、このような超解像度タスクに適していることが示されています。
ただし、多数の高解像度のサンプルが必要ですが、多くのケースでは利用できない可能性があります。
さらに、得られた予測は物理原理に準拠していない可能性があります。
質量と運動量の保存。
物理情報に基づいたディープラーニングは、学習のためにデータと物理法則を統合するためのフレームワークを提供します。
この研究では、高解像度の参照データを持たずに、限られたノイズの多い測定セットから時間と空間の両方で流れ場データの超解像度を得るために物理情報に基づくニューラル ネットワーク (PINN) を適用します。
私たちの目的は、問題の継続的な解決策を取得し、解決領域のどの時点でも物理的に一貫した予測を提供することです。
我々は、バーガーズ方程式、円柱の後ろの二次元渦放出、および最小限の乱流流路という 3 つの標準的なケースを通じて、時間および空間の流れ場データの超解像に対する PINN の適用可能性を実証します。
合成ガウス ノイズを追加することによって、モデルの堅牢性も調査されます。
さらに、熱線風速測定で構成される実際の実験データセットにおいて、PINN が分解能を向上させ、ノイズを低減できることを示します。
私たちの結果は、流体力学における実験のデータ拡張という文脈における PINN の適切な機能を示しています。

要約(オリジナル)

High-resolution reconstruction of flow-field data from low-resolution and noisy measurements is of interest due to the prevalence of such problems in experimental fluid mechanics, where the measurement data are in general sparse, incomplete and noisy. Deep-learning approaches have been shown suitable for such super-resolution tasks. However, a high number of high-resolution examples is needed, which may not be available for many cases. Moreover, the obtained predictions may lack in complying with the physical principles, e.g. mass and momentum conservation. Physics-informed deep learning provides frameworks for integrating data and physical laws for learning. In this study, we apply physics-informed neural networks (PINNs) for super-resolution of flow-field data both in time and space from a limited set of noisy measurements without having any high-resolution reference data. Our objective is to obtain a continuous solution of the problem, providing a physically-consistent prediction at any point in the solution domain. We demonstrate the applicability of PINNs for the super-resolution of flow-field data in time and space through three canonical cases: Burgers’ equation, two-dimensional vortex shedding behind a circular cylinder and the minimal turbulent channel flow. The robustness of the models is also investigated by adding synthetic Gaussian noise. Furthermore, we show the capabilities of PINNs to improve the resolution and reduce the noise in a real experimental dataset consisting of hot-wire-anemometry measurements. Our results show the adequate capabilities of PINNs in the context of data augmentation for experiments in fluid mechanics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google