Accéder directement au contenu Accéder directement à la navigation
Communication dans un congrès

A wavelet-based three-dimensional convolutional neural network for superresolution of turbulent vorticity

Abstract : We develop a wavelet-based three-dimensional convolutional neural network (WCNN3d) for superresolution of coarse-grained data of homogeneous isotropic turbulence. The turbulent flow data are computed by high resolution direct numerical simulation (DNS), while the coarse-grained data are obtained by applying a Gaussian filter to the DNS data. The CNNs are trained with the DNS data and the coarse-grained data. We compare vorticity-and velocity-based approaches and assess the proposed WCNN3d method in terms of flow visualization, enstrophy spectra and probability density functions. We show that orthogonal wavelets enhance the efficiency of the learning of CNN.
Liste complète des métadonnées

https://hal.archives-ouvertes.fr/hal-03739056
Contributeur : Kai Schneider Connectez-vous pour contacter le contributeur
Soumis le : mardi 26 juillet 2022 - 19:19:30
Dernière modification le : mardi 2 août 2022 - 03:29:45

Fichier

ays_proceedings_wccm-xv2022.pd...
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-03739056, version 1

Collections

Citation

Tomoki Asaka, Katsunori Yoshimatsu, Kai Schneider. A wavelet-based three-dimensional convolutional neural network for superresolution of turbulent vorticity. 15th World Congress on Computational Mechanics (WCCM-XV), Jul 2022, Yokohama, Japan. ⟨hal-03739056⟩

Partager

Métriques

Consultations de la notice

93

Téléchargements de fichiers

15