Feature-preserving Latent-EnKF for Data Assimilation of Flows with Shocks

📄 arXiv: 2606.12559 📥 PDF

作者: Hemanth Chandravamsi, Hangchuan Hu, Ponkrshnan Thiagarajan, Tamer A. Zaki

分类: cs.LG, math.NA

发布日期: 2026-06-12

💡 一句话要点

提出特征保留的潜在-EnKF以解决流动中的冲击数据同化问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 集成卡尔曼滤波 数据同化 流体动力学 冲击特征 深度学习

📋 核心要点

  1. 现有的集成卡尔曼滤波器在处理具有冲击的不连续流动时，容易产生虚假振荡，导致分析结果不准确。
  2. 本文提出的特征保留潜在-EnKF通过在低维潜在空间中进行集成更新，有效地保留了流动和冲击特征。
  3. 在Sod冲击管和Mach 2冲击与二维圆柱的相互作用的数值实验中，验证了该方法在特征恢复上的准确性，且无虚假振荡。

📝 摘要（中文）

集成卡尔曼滤波器（EnKF）广泛应用于顺序数据同化，但在处理具有不连续性的解（如可压缩流中的冲击）时表现不佳。冲击位置的不确定性导致多模态集成统计，违反了EnKF的高斯假设，从而在分析状态中产生大规模的虚假振荡。本文提出了一种特征保留的潜在-EnKF，在学习的低维潜在空间中执行集成更新，使得冲击和流动特征能够平滑地表示，从而在EnKF分析中保留尖锐特征。更新的潜在状态通过共享解码器映射回物理状态。该算法消除了以往方法中成员特定的有序训练和正值下限。数值实验表明，在稀疏和噪声观测下，能够准确恢复冲击和接触不连续性，且无虚假振荡。

🔬 方法详解

问题定义：本文旨在解决集成卡尔曼滤波器在处理具有冲击的不连续流动时的不足，现有方法在此情况下容易产生虚假振荡，导致分析结果失真。

核心思路：提出特征保留的潜在-EnKF，通过在一个学习的低维潜在空间中进行集成更新，使得冲击和流动特征能够平滑地表示，从而有效保留尖锐特征。

技术框架：该方法的整体架构包括三个主要模块：首先是特征提取模块，通过神经网络学习流动特征；其次是潜在空间更新模块，在低维空间中进行集成更新；最后是解码模块，将更新后的潜在状态映射回物理状态。

关键创新：最重要的技术创新在于引入了潜在空间的概念，使得冲击和流动特征能够在一个平滑的流形中表示，避免了传统方法中由于高维数据导致的虚假振荡。

关键设计：在网络结构上，采用共享解码器设计，消除了成员特定的有序训练和正值下限的需求，提升了模型的泛化能力和稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，在Sod冲击管和Mach 2冲击与二维圆柱的相互作用中，特征保留潜在-EnKF能够准确恢复冲击和接触不连续性，且在稀疏和噪声观测下无虚假振荡，相较于传统方法显著提升了分析精度。

🎯 应用场景

该研究的潜在应用领域包括气象预测、航空航天工程和流体动力学等领域，能够有效提高在复杂流动条件下的数据同化精度，具有重要的实际价值和未来影响。

📄 摘要（原文）

The ensemble Kalman filter (EnKF) is widely adopted for sequential data assimilation, but fails for solutions with discontinuities, such as shocks in compressible flows. Uncertainty in shock location induces multimodal ensemble statistics that violate the Gaussian assumptions underlying the EnKF, producing large-scale spurious oscillations in the analysis state. We introduce a feature-preserving latent-EnKF that performs the ensemble update in a learned low-dimensional latent space, where shock and flow features admit a smooth manifold representation, thereby preserving sharp features during EnKF analysis. The updated latent state is mapped back to physical state through a shared decoder for all ensemble members. The algorithm eliminates the member-specific ordered training and positivity flooring used in prior approaches. Numerical experiments on a Sod shock tube and Mach 2 shock interaction with a 2D cylinder, using sparse and noisy observations, show accurate feature recovery of shocks and contact discontinuities without spurious oscillations.