Computing Residual Diffusivity by Adaptive Basis Learning via Super-Resolution Deep Neural Networks
Computing Residual Diffusivity by Adaptive Basis Learning via Super-Resolution Deep Neural Networks
复制标题
通过超分辨率深度神经网络的自适应基础学习计算残余扩散率
DOI：
10.1007/978-3-030-38364-0_25
复制
发表时间：
2020
期刊：
影响因子：
--
通讯作者：
Yu, Yifeng
中科院分区：
文献类型：
--
作者：
Lyu, Jiancheng;Xin, Jack;Yu, Yifeng
在不可压混沌流动中，由于对流占优区会形成尖锐的内层，通过求解对流扩散方程来计算剩余扩散系数的计算代价很高。本征正交分解（POD）是一种经典的基于特定分子扩散系数下完全解析解的快照构造少量自适应正交基向量的方法。POD基的质量恶化，如果它被应用到。为了改进POD，我们采用超分辨率生成对抗深度神经网络（SRGAN）来训练基于两个值的快照数据的非线性映射。该映射模型的锐化效果的内部层，因为变得更小.我们通过数值实验表明，应用这样的映射快照后，残余扩散率的预测精度大大提高了标准POD。
It is expensive to compute residual diffusivity in chaotic in-compressible flows by solving advection-diffusion equation due to the formation of sharp internal layers in the advection dominated regime. Proper orthogonal decomposition (POD) is a classical method to construct a small number of adaptive orthogonal basis vectors for low cost computation based on snapshots of fully resolved solutions at a particular molecular diffusivity. The quality of POD basis deteriorates if it is applied to. To improve POD, we adapt a super-resolution generative adversarial deep neural network (SRGAN) to train a nonlinear mapping based on snapshot data at two values of. The mapping models the sharpening effect on internal layers asbecomes smaller. We show through numerical experiments that after applying such a mapping to snapshots, the prediction accuracy of residual diffusivity improves considerably that of the standard POD.
登录
查看更多内容
使用结构保持方案计算混沌和随机流的有效扩散率
DOI：
10.1137/18m1165219
发表时间：
2017
期刊：
SIAM J. Numer. Anal.
影响因子：
--
作者：
Zhongjian Wang;J. Xin;Zhiwen Zhang
通讯作者：
Zhiwen Zhang
非粘性汉密尔顿-雅可比模型的细胞流中湍流火焰速度的尖锐渐近增长定律
DOI：
--
发表时间：
2013
期刊：
影响因子：
--
作者：
J. Xin;Yifeng Yu
通讯作者：
Yifeng Yu
大佩克莱特数细胞流中的扩散-平流
影响因子：
2.5
作者：
S. Heinze
通讯作者：
S. Heinze
瑞利-贝纳德流中的混沌平流。
DOI：
10.1103/physreva.43.774
发表时间：
1991
期刊：
Physical review. A, Atomic, molecular, and optical physics
影响因子：
--
作者：
Camassa;Wiggins
通讯作者：
Wiggins