.png){kind=icon}
返回
Reconstructing flow fields from sparse measurements using a convolutional autoencoder integrated with an Informer model
.png){kind=icon}
PRE
AI
DOI：10.1007/s10409-025-25013-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文探讨了利用通过传感器或其他方式获取的稀疏时序数据来预测流场的方法，采用了深度学习技术。该研究领域具有重要的科学意义和实际应用价值。从不同测量点获取的时序数据通常包含空间相关性和时间特征，有效利用这些特征有助于重建流场。本研究应用卷积自编码器对流场进行降维处理，随后采用Informer神经网络和卷积神经网络从测量数据中提取流场低维表示。一个特别设计的损失函数连接了这些潜在特征，建立了测量点序列与流场之间的映射关系。该混合模型通过数值模拟和实验测量数据进行了验证。结果表明，该方法能有效利用稀疏数据预测速度场和压力场，展现出其在实际流场重建任务中的潜力。
期刊
A
IF:
4.6
论文数:
2.9K
被引数:
4.7K
机构
引用论文
Large eddy simulation of structural characteristics in turbulent flow around a circular cylinder close to a wavy wall.png)
AIP Advances
OAAI
AIP AdvancesIF0
OAAI分享收藏Nonlinear estimation of transient flow field low dimensional states using artificial neural nets基于人工神经网络的瞬态流场低维状态非线性估计
PREAI
分享收藏分享收藏Application of convolutional neural network for efficient turbulence modeling in urban wind field simulationPHYSICS OF FLUIDS
PHYSICS OF FLUIDSIF4.3
PREAI
分享收藏A Swin-transformer-based model for efficient compression of turbulent flow dataPHYSICS OF FLUIDSOAAI
PHYSICS OF FLUIDSIF4.3
OAAI分享收藏Reynolds averaged turbulence modelling using deep neural networks with embedded invariance使用具有嵌入式不变性的深度神经网络进行雷诺平均湍流建模
OAAI
OAAI分享收藏
查看更多内容