Post processing sparse and instantaneous 2D velocity fields using physics-informed neural networks
Post-traitement de champs de vitesse instantanée et éparse à l'aide de réseaux de neurones informés par la physique
Résumé
This work tackles the problem of resolving high-resolution velocity fields from a set of sparse off-grid observations. This task, crucial in many applications spanning from experimental fluiddynamics to compute vision and medicine, can be addressed with deep neural network models trained to employ physics-based constraints. This work proposes an original unsupervised deep learning framework involving sub-grid models that improve the accuracy of super-resolved instantaneous and sparse velocity fields of turbulent flows. Python code, dataset and results are available at https://github.com/Chutlhu/TurboSuperResultion/
Fichier principal
main.pdf (774.47 Ko)
Télécharger le fichier
License.pdf (43.75 Ko)
Télécharger le fichier
lxlaser2022_pipeline.pdf (65.97 Ko)
Télécharger le fichier
lxlaser2022_tke.pdf (466.94 Ko)
Télécharger le fichier
orcid.pdf (12.11 Ko)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|