.png){kind=icon}
返回
An efficient diffusion transformer-based method for reconstructing three-dimensional turbulent flows from two-dimensional observations
.png){kind=icon}
PRE
AI
DOI：10.1063/5.0256978.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在流体力学领域，从低维观测中推断高维数据能够实现对高维流场的重构，从而更全面地理解流场，这对分析流动机理和优化气动设计具有重要意义。然而，缺乏理论方法使得重构三维（3D）流场成为一项具有挑战性的任务。为克服这一困难，本文提出了一种基于扩散变换器（diffusion transformer）的方法，用于将二维（2D）流场重构为三维（3D）流场。该方法引入了平面位置嵌入（plane position embedding），以实现从任意2D平面的重构，显著增强了灵活性。此外，引入了基于窗口和平面的局部注意力机制（local attention mechanism）以替代传统的全局注意力机制（vanilla global attention mechanism），计算效率提高了约25%-40%。该方法被应用于带有和不带有物体的多个3D湍流流场的重构。结果表明，与U-Net和基于生成对抗网络（generative adversarial network）的方法相比，本文提出的基于扩散变换器的方法在所有数值实验中的流场重构均表现出高精度，平均结构相似性指数（structural similarity index measure）提高了20%，在某些测试案例中归一化均方根误差（normalized root mean square error）改进超过50%，并且由于资源消耗较低，该方法在重构复杂3D流体流场方面展现出巨大潜力。
期刊
IF:
4.3
论文数:
2.9W
被引数:
8.0W
机构
暂无机构信息
引用论文
From coarse wall measurements to turbulent velocity fields through deep learning.png)
PHYSICS OF FLUIDS
OAAI
PHYSICS OF FLUIDSIF4.3
OAAI分享收藏Reduced-order modeling for turbulent wake of a finite wall-mounted square cylinder based on artificial neural networkPHYSICS OF FLUIDS
PHYSICS OF FLUIDSIF4.3
PREAI
分享收藏
查看更多内容