基于人工智能的方法，用于在衰减的流体动力学湍流中区分湍流与连续背景流

《Astronomy and Computing》：AI-based separation of turbulence from coherent background flows in decaying hydrodynamic turbulence

　　

Ji-Hoon Ha|Elena S. Volnova

摘要

在数值模拟和天文观测的分析中，将湍流波动与连贯的大尺度背景流分离一直是一个长期存在的挑战。传统方法通常依赖于基于分解的技术，如傅里叶滤波或小波滤波，这些方法假设通过选择合适的尺度可以实现有效的分离。然而，在实际流动中，连贯的运动和湍流往往在广泛的尺度范围内重叠，并且以非线性方式相互作用，这使得这种分离本质上具有不确定性。在这项工作中，我们使用二维不可压缩纳维-斯托克斯模拟来研究基于人工智能的湍流-背景分离方法的鲁棒性。这些模拟以一个连贯的背景流和具有柯尔莫哥洛夫谱特征的无散度湍流扰动作为初始条件，并在没有外部强迫的情况下进行演化，从而提供了一个受控的物理测试平台。一个专门在静态合成图像上训练的神经网络被应用于不同演化阶段的模拟快照。该模型能够在早期和中期阶段恢复湍流波动，此时部分尺度分离是存在的。在后期阶段，由于非线性相互作用加剧了连贯结构和湍流结构的混合，分离变得不那么明显；尽管如此，恢复的场在视觉和光谱上仍然与预期的湍流行为一致。与傅里叶滤波基线的定量比较表明，基于人工智能的方法能够达到可比的重建精度，而无需显式的光谱截止尺度。这些结果表明，基于静态数据训练的人工智能模型可以为时间演化流动中的湍流-背景分离提供一个灵活的诊断工具，具有应用于天体物理数据集的潜力。