通过深度图像先验恢复计算流体动力学中的数据

exa 级计算模拟遇到的挑战之一是模拟在面对硬件和软件故障时的可靠性。 这些故障预计会随着计算系统的复杂性而增加，将导致模拟数据丢失和模拟失败，目前通过检查点重启范例解决。 这项工作特别关注计算流体动力学 (CFD) 模拟，提出了一种使用深度卷积神经网络来恢复模拟数据的方法。 这种数据恢复方法 (i) 与流配置和几何形状无关，(ii) 不需要大量的训练数据，并且 (iii) 对于非常不同的物理流是准确的。 结果表明，使用深度图像先验进行数据恢复比标准恢复技术更准确，例如高斯过程回归 (GPR)，也称为克里金法。 针对两种典型流体流执行数据恢复：围绕圆柱体的层流和均质各向同性湍流。 对于圆柱体周围层流的数据恢复，结果表明，在广泛的掩模尺寸范围内，所提出的方法和 GPR 之间的性能相似。 对于均匀各向同性湍流，通过深度卷积神经网络恢复的数据在相关湍流量上的误差大约是之前的三倍探地雷达。 使用恢复数据的前向模拟表明，使用深度卷积神经网络方法可以在 10% 以内捕获熵衰减。 尽管专门针对流体流动的数据恢复进行了演示，但该技术可用于广泛的应用，包括粒子图像测速、可视化和超越 Navier-