基于弱分辨率超分辨率技术提升中尺度大气流动欠解析数值模拟精度

《Results in Engineering》：Enhancing the accuracy of under-resolved numerical simulations of atmospheric flows with super resolution

　　

基于深度学习的超分辨率(SR)技术近期成为在计算流体动力学(CFD)模拟中以可控计算成本提升空间分辨率的一种有前景的方法。研究人员针对中尺度大气流动的粗网格模拟，考察了若干SR架构以提升其空间分辨率，训练数据由弱可压欧拉方程模拟生成。研究人员对比了一条基线卷积神经网络(CNN)、一个注意力增强CNN、一个为捕捉跨空间尺度流动结构而设计的多尺度CNN，以及一种基于扩散的SR模型。方法在两个标准大气基准上评估：上升热泡与密度流。结果表明基线CNN能准确重建较简单流动特征，而更复杂流动需要多尺度架构。整体而言，基于多尺度CNN的SR在精度、鲁棒性与计算效率间提供了最佳平衡，甚至优于最先进的扩散方法。研究人员还分析了模型对训练数据集规模的敏感性，指出了所提SR策略的局限性与权衡。

研究背景与动机

中尺度大气流动具有强对流主导特性，其涡旋与 Eddy 跨越尺度范围随惯性力相对粘性力增强而扩大。传统雷诺平均纳维-斯托克斯(RANS)与大涡模拟(LES)虽可求解此类流动，但计算成本高昂。超分辨率(SR)作为从低分辨率观测重建高分辨率信号的逆问题，借助卷积神经网络(CNN)可从数据中学习强先验，在医学影像、卫星影像与计算流体动力学(CFD)中均展现潜力。已有研究将SR用于圆柱绕流、数据中心气流等场景，并在大气领域尝试统计降尺度与CNN-SR，但针对中尺度大气流动何种CNN架构更合适、神经网络能否从粗模拟中恢复未被显式解析的细结构、训练数据量如何影响精度等问题仍待回答。为此，研究人员在《Results in Engineering》发表工作，系统比较多种深度学习SR架构对弱可压缩欧拉方程下中尺度大气粗模拟的增强能力。

主要关键技术方法

研究人员采用弱可压缩欧拉方程描述干大气低马赫数层结流动，引入人工粘性(AV)模型作为粗糙大涡模拟(LES)替代，以及标准Smagorinsky闭合模型生成高分辨率目标；低分辨率场来自AV粗网格模拟，高分辨率场来自AV或Smagorinsky细网格模拟。构建了四种SR模型：基线CNN（双线性上采样+卷积+非线性）、注意力增强CNN、并行多滤波尺寸的多尺度CNN，以及基于U-Net去噪扩散概率框架的扩散SR（训练时向高分辨率加噪并由网络预测噪声，推理时从随机噪声条件于上采样低分辨率场迭代去噪）。优化采用Adam最小化均方误差。基准案例为上升热泡(rising thermal bubble)与密度流(density current)。另设不同训练集规模以分析数据敏感性。

研究结果

1. 2.
   Problem definition
   给出干大气弱可压缩欧拉方程：质量守恒?ρ/?t+?·(ρu)=0、动量守恒?(ρu)/?t+?·(ρu?u)+?p+ρg k?=0、总能量e=c_vT+|u|²/2+gz，并说明AV与Smagorinsky两类亚网格处理用于生成粗细配对数据。
2. 3.
   Super-resolution methodologies
   阐述SR作为病态逆问题需正则化或学习先验；分别定义基线CNN、注意力CNN、多尺度CNN（多分支不同卷积核捕获多尺度结构）、扩散SR（逐步去噪条件生成）的数学与训练推理流程。
3. 4.
   Numerical results
   在上升热泡案例中，基线CNN对平滑标量场（如位温）重建误差低；密度流案例含激波与复杂涡结构，基线CNN出现伪影，注意力CNN改善有限，多尺度CNN在速度散度与涡量细节上最接近高分辨率参考，扩散SR虽能生成锐利结构但存在非物理波动且推理耗时显著。训练数据从全量降至1/8时，多尺度CNN仍保持稳健，扩散SR与注意力CNN退化更快。以AV为低分辨率、Smagorinsky为高分辨率目标时，多尺度CNN可部分恢复更精细闭合带来的次网格结构，说明SR不仅插值时频细节，还能逼近更优物理闭合所揭示的流动特征。

讨论与结论翻译

研究人员指出，多尺度CNN在精度、鲁棒性、计算效率三者间取得最佳平衡，优于基线、注意力及扩散SR，尤其适用于对流主导的中尺度大气流动。基线CNN足以处理平缓特征，复杂对流需多尺度表征。扩散SR生成视觉锐利但伴随非物理模态与高推理成本。训练数据规模减小会削弱所有模型，但多尺度CNN敏感性最低。该工作表明SR可作为一种“后处理闭合”，从粗糙AV模拟中重建接近Smagorinsky闭合的高分辨率场，为以低成本粗模拟+SR替代部分细网格LES提供路径；局限在于SR性能受训练分布覆盖与目标物理一致性约束，跨参数区泛化需进一步研究。论文结论确认：对于中尺度大气流动欠解析模拟，多尺度CNN超分辨率是兼顾精度与效率的首选架构，且训练目标选用更精确闭合模型（Smagorinsky）可引导网络恢复超越单纯插值的物理结构。