Bayesian Conditional Diffusion Models for Versatile Spatiotemporal Turbulence Generation
作者: Han Gao, Xu Han, Xiantao Fan, Luning Sun, Li-Ping Liu, Lian Duan, Jian-Xun Wang
分类: physics.flu-dyn, cs.LG
发布日期: 2023-11-14
备注: 37 pages, 31 figures
💡 一句话要点
提出基于贝叶斯条件扩散模型的多功能时空湍流生成方法
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 湍流生成 贝叶斯模型 深度学习 条件采样 数值模拟
📋 核心要点
- 传统的湍流模拟方法计算资源消耗巨大，难以应用于实际工程中。
- 本文提出了一种基于贝叶斯条件扩散模型的生成框架，能够灵活生成时空湍流。
- 实验结果表明，该方法在湍流生成方面具有显著优势，能够处理多种输入条件。
📝 摘要（中文）
湍流流动在预测计算建模中一直面临巨大挑战。传统数值模拟通常需要大量计算资源，难以满足工程应用的需求。作为替代方案，基于深度学习的代理模型应运而生，但通常在确定性环境中构建，难以捕捉湍流动态的混沌和随机特性。本文提出了一种新颖的生成框架，基于概率扩散模型实现多功能时空湍流生成。该方法在贝叶斯框架下统一了无条件和有条件采样策略，能够适应多种条件场景。我们通过一系列数值实验展示了该框架的湍流生成能力，包括从URANS输入合成LES模拟的瞬时流序列等。
🔬 方法详解
问题定义：本文旨在解决传统湍流模拟方法在计算资源和效率上的不足，尤其是在捕捉湍流的混沌和随机特性方面存在的挑战。
核心思路：提出了一种基于概率扩散模型的生成框架，通过贝叶斯方法统一无条件和有条件采样策略，以适应不同的条件场景。
技术框架：整体架构包括数据输入模块、条件采样模块和生成模块。数据输入模块接收不同类型的输入条件，条件采样模块根据输入生成相应的湍流序列，生成模块负责输出最终的流动结果。
关键创新：本研究的主要创新在于提出了一种自回归梯度条件采样的方法，能够实现长时间流序列的生成，避免了繁琐的重训练过程。
关键设计：在模型设计中，采用了特定的损失函数以优化生成质量，并设计了适应不同输入分辨率的网络结构，以提高生成的湍流流动的精度和细节。
🖼️ 关键图片
📊 实验亮点
实验结果显示，本文方法在湍流生成方面表现优异，能够从低分辨率数据生成高分辨率的湍流边界层流，且在多种输入条件下均能保持良好的生成质量，提升幅度显著。
🎯 应用场景
该研究在航空航天、气候模拟和工程设计等领域具有广泛的应用潜力。通过高效生成湍流流动，能够为工程师提供更准确的流动预测，降低设计成本，提高效率。未来，该方法可能推动湍流模拟技术的进一步发展，促进相关领域的创新。
📄 摘要（原文）
Turbulent flows have historically presented formidable challenges to predictive computational modeling. Traditional numerical simulations often require vast computational resources, making them infeasible for numerous engineering applications. As an alternative, deep learning-based surrogate models have emerged, offering data-drive solutions. However, these are typically constructed within deterministic settings, leading to shortfall in capturing the innate chaotic and stochastic behaviors of turbulent dynamics. We introduce a novel generative framework grounded in probabilistic diffusion models for versatile generation of spatiotemporal turbulence. Our method unifies both unconditional and conditional sampling strategies within a Bayesian framework, which can accommodate diverse conditioning scenarios, including those with a direct differentiable link between specified conditions and generated unsteady flow outcomes, and scenarios lacking such explicit correlations. A notable feature of our approach is the method proposed for long-span flow sequence generation, which is based on autoregressive gradient-based conditional sampling, eliminating the need for cumbersome retraining processes. We showcase the versatile turbulence generation capability of our framework through a suite of numerical experiments, including: 1) the synthesis of LES simulated instantaneous flow sequences from URANS inputs; 2) holistic generation of inhomogeneous, anisotropic wall-bounded turbulence, whether from given initial conditions, prescribed turbulence statistics, or entirely from scratch; 3) super-resolved generation of high-speed turbulent boundary layer flows from low-resolution data across a range of input resolutions. Collectively, our numerical experiments highlight the merit and transformative potential of the proposed methods, making a significant advance in the field of turbulence generation.