×
郑，M。;方，F。;疼痛，慢性疲劳。;纳文，I.M。

使用深度卷积生成对抗性网络对非线性时空流体流进行数据驱动建模。 （英语） Zbl 1442.76040号

计算。方法应用。机械。工程师。 365，文章ID 113000，17 p.（2020）.
摘要：流体流动建模的深度学习技术近年来得到了极大的关注。先进的深度学习技术在快速预测流体流动方面取得了巨大进步，而无需事先了解潜在的物理关系。然而，现有的研究大多集中于序列学习或空间学习，很少同时研究流体流动的时空动力学[M.Reichstein先生等，“数据驱动地球系统科学的深度学习和过程理解”，《自然》566195-204（2019；doi:10.1038/s41586-019-0912-1)]. 在这项工作中，基于一般深卷积生成对抗网络（DCGAN）开发了一个人工智能（AI）流体模型，用于预测时空流量分布。在深度卷积网络中，高维流可以转换为低维“潜在”表示。对抗性网络可以捕获复杂的流动动力学特征。上述DCGAN流体模型使我们能够提供合理的流场预测精度，同时保持较高的计算效率。文中以北海道海啸的两个测试案例为例，说明了DCGAN的性能。结果表明，DCGAN的结果与原始高保真模型（流动性）的结果具有可比性。随着流动的发展，时空流动特征得到了表征，特别是波相和流动峰值可以被准确捕获。此外，结果表明，与原始高保真模型仿真相比，在线CPU成本降低了五个数量级。结果表明，DCGAN可以为非线性流体流动提供快速可靠的时空预测。

引用于6文件

MSC公司：

76D05型 不可压缩粘性流体的Navier-Stokes方程
76-10 流体力学问题的数学建模或模拟
76M10个 有限元方法在流体力学问题中的应用
65M60毫米 涉及偏微分方程初值和初边值问题的有限元、Rayleigh-Ritz和Galerkin方法

关键词：

深卷积GAN;非线性流体流动;数据驱动建模;深度学习

软件：

CycleGAN公司;亚当;像素x像素;TempoGAN公司;Gms小时
PDF格式BibTeX公司 XML格式引用
\textit{M.Cheng}等人，计算。方法应用。机械。工程365，文章ID 113000，17 p.（2020；Zbl 1442.76040）
全文： 内政部 arXiv公司

参考文献：

[1] Kalteh，A.M.，使用人工神经网络和支持向量回归模型结合小波变换进行月度河流流量预测，计算。地质科学。，54, 1-8 (2013)
[2] Kasiviswanathan，K。；He，J。；Sudheer，K。；Tay，J.-H.，小波神经网络集成在洪水管理流量预测中的潜在应用，J.Hydrol。，536161-173（2016）
[3] Kisi，O。；Shiri，J.等人。；Nikoofar，B.，《使用人工智能方法预测每日湖泊水位》，计算。地质科学。，41, 169-180 (2012)
[4] Lohani，A.K。；Goel，N。；Bhatia，K.，《使用模糊推理系统改进实时洪水预报》，J.Hydrol。，509, 25-41 (2014)
[5] Yang，T。；Asanjan，A.A。；威尔斯，E。；高，X。；Sorooshian，S。；Liu，X.，利用人工智能和气候现象信息开发水库月流入量预测，水资源。研究，53，4，2786-2812（2017）
[6] 王，Z。；肖，D。；方，F。；戈文丹，R。；疼痛，C.C。；Guo，Y.，使用深度学习识别降阶流体动力学系统的模型，国际。J.数字。方法流体，86，4，255-268（2018）
[7] Brunton，S.L。；诺亚克，B。；Koumoutsakos，P.，《流体力学的机器学习》（2019），ArXiv abs/1905.11075
[8] 日内瓦，N。；Zabaras，N.，《利用贝叶斯深度神经网络量化雷诺平均湍流模型中的模型形式不确定性》，J.Compute。物理学。(2019) ·Zbl 1451.76059号
[9] 胡，R。；方，F。；疼痛，C.C。；Navon，I.M.，《使用深度学习方法进行快速时空洪水预测和不确定性量化》，J.Hydrol。(2019)
[10] Miyanawala，T.P。；Jaiman，R.K.，《Navier-Stokes方程的高效深度学习技术：应用于非定常尾流动力学》（2017），arXiv预印本arXiv:1710.09099
[11] Farimani，A.B。；戈麦斯，J。；Pande，V.S.，《深入学习传输现象的物理》（2017），arXiv预印本arXiv:1709.02432
[12] 谢毅。；Franz，E。；朱，M。；Thuerey，N.，Tempogan：用于超分辨率流体流动的时间相干体积gan，ACM Trans。图表。，37，4，95（2018）
[13] Goodfellow，I.，NIPS 2016教程：生成对抗性网络（2016），arXiv预印本arXiv:1701.00160
[14] 拉洛伊，E。；Hérault，R。；雅克·D·。；Linde，N.，《使用空间生成对抗性神经网络进行基于高效训练图像的地质统计模拟和反演》（2017），arXiv预印本arXiv:1708.04975
[15] 斯特罗夫，C.M。；吴杰。；Xiao，H。；Paterson，E.，数据驱动，基于物理的流体流场特征提取（2018），arXiv预印本arXiv:1802.00775
[16] C.Ledig，L.Theis，F.Huszár，J.Caballero，A.Cunningham，A.Acosta，A.Aitken，A.Tejani，J.Totz，Z.Wang等人。使用生成性对抗网络的真实感单幅图像超分辨率，收录于：《IEEE计算机视觉和模式识别会议论文集》，2017年，第4681-4690页。
[17] 克雷斯韦尔，A。；怀特，T。；杜穆林，V。；阿鲁库马兰，K。；Sengupta，B。；Bharath，A.A.，《生成性对抗网络：概述》，IEEE信号处理。Mag.，35，1，53-65（2018）
[18] 里德，S。；Akata，Z。；严，X。；Logeswaran，L。；Schiele，B。；Lee，H.，《生成性对抗性文本到图像合成》（2016），arXiv预印本arXiv:1605.05396
[19] 李，C。；Wand，M.，用马尔科夫生成性对抗网络进行预计算实时纹理合成，（欧洲计算机视觉会议（2016），施普林格），702-716
[20] P.Isola，J.-Y.Zhu，T.Zhou，A.A.Efros，使用条件对抗网络进行图像到图像转换，收录于：IEEE计算机视觉和模式识别会议论文集，2017年，第1125-1134页。
[21] Radford，A。；梅茨，L。；Chintala，S.，《深度卷积生成对抗网络的无监督表征学习》（2015），arXiv预印本arXiv:1511.06434
[22] Reichstein，M。；Camps-Valls，G。；史蒂文斯，B。；Jung，M。；登茨勒，J。；Carvalhais，N.，《数据驱动地球系统科学的深度学习和过程理解》，《自然》，5667743195（2019）
[23] 方，F。；疼痛，C.C。；纳文，I。；Elsheikh，A。；杜，J。；Xiao，D.，降阶双曲方程的非线性Petrov-Galerkin方法和间断有限元方法，J.Compute。物理。，234, 540-559 (2013) ·Zbl 1284.65132号
[24] 方，F。；张，T。；帕夫利迪斯，D。；疼痛，C。；布坎，A。；Navon，I.，非结构化网格空气污染模型的降阶建模及其在2D/3D城市街道峡谷中的应用，Atmos。环境。，96, 96-106 (2014)
[25] 肖，D。；方，F。；郑洁。；疼痛，C。；Navon，I.，基于机器学习的区域空气污染建模快速响应工具，Atmos。环境。，199, 463-473 (2019)
[26] F.J.冈萨雷斯。；Balajewicz，M.，使用深度卷积递归自动编码器学习低维特征动力学（2018），arXiv预印本arXiv:1808.01346
[27] Kaiser，E。；Noack，B.R。；科迪尔，L。；斯波恩，A。；Segond，M。；阿贝尔，M。；大卫·G。；J·斯蒂。；Krajnović，S。；Niven，R.K.，混合层的基于团簇的降阶建模，J.流体力学。，754, 365-414 (2014) ·Zbl 1329.76177号
[28] Nair，A.G。；Yeh，C.-A。；Kaiser，E。；Noack，B.R。；Brunton，S.L。；Taira，K.，湍流过失速分离流的基于集群的反馈控制，J.流体力学。，875, 345-375 (2019) ·Zbl 1421.76138号
[29] J·斯蒂。；Kaiser，E。；Krajnović，S。；Noack，B.R.，基于集群的高速列车尾流降阶建模，J.Wind Eng.Ind.Aerodyn。，145, 327-338 (2015)
[30] Xiao，D.，非侵入性降阶模型及其应用（2016），伦敦帝国理工学院，（博士论文）
[31] 疼痛，C。；Umpleby，A。；德·奥利维拉，C。；Goddard，A.，用于稳态和瞬态有限元计算的四面体网格优化和自适应，计算。方法应用。机械。工程，190，29-30，3771-3796（2001）·Zbl 1008.76041号
[32] 古德费罗，I。；Pouget-Abadie，J。；米尔扎，M。；徐，B。；Warde-Farley，D。；Ozair，S。；科尔维尔，A。；Bengio，Y.，《生成性对抗网络》，（神经信息处理系统进展（2014）），2672-2680
[33] Lee，K。；Carlberg，K.，使用深度卷积自编码器对非线性流形上动力系统的模型简化（2018），arXiv预印本arXiv:1812.08373
[34] Mosser，L。；O.Dubrule。；Blunt，M.J.，《使用生成性对抗性神经网络重建三维多孔介质》，Phys。E版，96，4，第043309条，pp.（2017）
[35] Lee，S。；You，D.，使用深度学习对圆柱上方非定常流动进行数据驱动预测，Bull。美国物理。Soc.（2018年）
[36] 梅茨，L。；普尔，B。；Pfau，D。；Sohl-Dickstein，J.，《未轧制的生成性对抗网络》（2016），arXiv预印本arXiv:1611.02163
[37] Kingma，D.P。；Ba，J.，Adam：随机优化方法（2014），arXiv预印本arXiv:1412.6980
[38] 胡，R。；方，F。；萨利纳斯，P。；Pain，C.，《城市洪水建模的非结构化网格适应性》，J.Hydrol。，560, 354-363 (2018)
[39] 胡，R。；方，F。；萨利纳斯，P。；疼痛，C。；多明戈，新南威尔士州。；Mark，O.，使用自适应各向异性非结构网格方法对来自多个来源的洪水进行数值模拟，Adv.Water Resour。，123, 173-188 (2019)
[40] O.普拉卡什。；Sudheer，K。；Srinivasan，K.，《使用带误差更新的序列神经网络改进提前期较高的河流流量预测》，J.Hydrol。水文技术。，62，1，60-74（2014）
[41] Chang，F.-J。；Tsai，M.-J.，《雷达降雨的非线性时空集总，用于通过数据驱动技术模拟多级水头入流预测》，J.Hydrol。，535, 256-269 (2016)
[42] Funke，S。；疼痛，C。；克莱默，S。；Piggott，M.，《非流体静力模型的结合压力/自由表面公式的润湿和干燥算法》，Adv.Water Resour。，34, 11, 1483-1495 (2011)
[43] Geuzaine，C。；Remacle，J.-F.，Gmsh：一个内置预处理和后处理设施的三维有限元网格生成器，国际。J.数字。方法工程，79，11，1309-1331（2009）·Zbl 1176.74181号
[44] E.Kaiser，R.Li，B.R.Noack，《控制景观拓扑》，载于：国际自动控制联合会第20届世界大会，IFAC，2017年，第1-5页。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。