基于能量级联的壁面多尺度湍流超分辨率重建

【作者】 吴昊恺； 曹勇； 周岱； 张凯； 陈文礼；

【机构】 上海交通大学船舶海洋与建筑工程学院； 上海交通大学重庆研究院； 哈尔滨工业大学土木工程学院；

【摘要】 由城市抗风减灾的目标出发,城市边界层的高保真再现是工程界亟待解决的关键问题。过往基于深度学习技术的湍流重建方法,虽有助于提升城市风场预测效率,但仍存在模型前期训练成本大、网络复杂程度高、预测尺度不够精细等缺陷。为更灵活、准确地预测边界层的空间变化,本研究提出一种超分辨率(Super-resolution, SR)框架,拟基于低分辨率的输入,生成高分辨率的湍流边界层(Turbulent boundary layer, TBL)。该框架融合下采样模块(Down-sampling module, DM)与超分辨率生成对抗神经网络(Super-resolution generative adversarial neural network, SRGAN)模型,逐层次地捕获多尺度湍流结构的能量级联。研究利用壁面湍流直接数值模拟的公共数据库,训练超分辨率框架中的SRGAN模型。为兼顾框架的预测精度与训练成本,研究围绕SRGAN模型的训练样本量、网络深度以及DM的下采样比率,开展详细的敏感性分析,确定较优的网络复杂度与框架参数设置。研究发现,经优化后的超分辨率框架,可在较低的训练代价下,成功重建TBL的多尺度速度场,并准确再现TBL的湍流波数谱特征。研究结果强调了超分辨率框架在预测多尺度壁面湍流方面具有高度的适用性及准确性,为边界层风场的重构提供有力的技术支撑。更多还原