CN117150959A - 基于超分辨率重构的流场数据压缩与复原方法 - Google Patents
基于超分辨率重构的流场数据压缩与复原方法 Download PDFInfo
- Publication number
- CN117150959A CN117150959A CN202311111381.6A CN202311111381A CN117150959A CN 117150959 A CN117150959 A CN 117150959A CN 202311111381 A CN202311111381 A CN 202311111381A CN 117150959 A CN117150959 A CN 117150959A
- Authority
- CN
- China
- Prior art keywords
- flow field
- resolution
- generator
- super
- flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013144 data compression Methods 0.000 title claims abstract description 27
- 238000007906 compression Methods 0.000 claims abstract description 41
- 230000006835 compression Effects 0.000 claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000011084 recovery Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000002474 experimental method Methods 0.000 claims abstract description 7
- 238000011161 development Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 238000004215 lattice model Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000006641 stabilisation Effects 0.000 abstract 1
- 238000011105 stabilization Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于超分辨率重构的流场数据压缩与复原方法,其包括：(1)在流动发展至统计稳定阶段，收集实验或者模拟产生的不同时刻的高分辨率流场；(2)确定高精度流场的计算几何和边界条件，开展非定常大涡模拟，得到高分辨率流场在时间和空间上的低分辨率流场数据；(3)以步骤(2)中的低分辨率流场及步骤(1)中的高分辨率流场同时作为输入，通过无监督机器学习生成流场复原器；(4)重新执行步骤(2)中的大涡模拟，得到不同时刻的低分辨率流场，通过步骤(3)中的流场复原器得到高分辨流场。本发明在各项同性湍流的测试中压缩比远远好于其他方式，数据复原过程仅需要通过神经网络完成映射，计算资源花费低于其他方式。
Description
技术领域
本发明涉及流场数据处理技术领域，具体涉及一种基于超分辨率重构的流场数据压缩与复原方法。
背景技术
流场的压缩和复原方法是一种减小数据库存储和传输成本的重要技术手段。现代高精度模拟方法和高分辨率实验手段得到的物理场信息体量巨大：流体力学直接数值模拟和大型强子对撞机每秒产生的数据都在PB量级。这些巨量数据存储成本极高，甚至高于模拟和实验本身；通过数据中心进行管理和分享也几乎不可行。为了克服工业和科研中物理场的存储、分享和再处理难题，需要对得到的物理场本身进行数据压缩。
当前的物理场压缩技术主要分类两类：
(1)基于经典的通用数据压缩技术。该类压缩方案包括对字符串的压缩技术和图片视频的编码器；字符串压缩技术包括基于块排序压缩压缩算法的bzip2数据压缩技术和基于可变长度数据块的rar压缩技术；图片编码器方案包括JPEG和PNG等有损图片压缩技术；视频编码器方案包括HEVC和AV1等视频编解码器；前述方案适用于对数据类型没有约束，并在数据中心中广泛应用；主要问题为：通用数据压缩技术的压缩比有限；通常流场为二进制文件，无法利用基于字符串的压缩技术；而图片和视频的编码器的压缩在10％左右。
(2)基于数据的物理特征进行压缩。该类压缩方案考虑了物理场数据的本身特点，利用物理场的偏微分方程进行数据复原；例如，部分流动数据库仅保留计算域中的骨架信息，次骨架区域通过求解纳维尔斯托克斯方程恢复，主要问题为：基于偏微分方程的数据解压缩非常耗费计算资源和时间。
综上所述，有必要对现有技术做进一步创新。
发明内容
针对上述背景技术中存在的问题,本发明提出了一种基于超分辨率重构的流场数据压缩与复原方法，其构思合理,流程简单，在各项同性湍流的测试中压缩比可达到1/64，远远好于其他方式，数据复原过程仅需要通过神经网络完成压缩后流场到原流场的映射，计算资源花费少于其他方式。
为解决上述技术问题，本发明提供的一种基于超分辨率重构的流场数据压缩与复原方法,其具体包括以下步骤：
(1)针对特定流动问题，在流动发展至统计定常阶段，收集实验或者模拟产生的不同时刻的高分辨率流场；
(2)基于流动物理，确定高精度流场的计算几何和边界条件，然后采用流体动力学求解器开展非定常大涡模拟，得到步骤(1)中特定流动问题在时间和空间上的低分辨率流场；
(3)以上述步骤(2)中的低分辨率流场，以及步骤(1)中的高分辨率流场同时作为输入数据，通过无监督机器学习，训练得到基于超分辨率重构的流场复原器；
(4)数据复原
重新执行上述步骤(2)中特定计算几何、边界条件和亚格子模型的大涡模拟，得到不同时刻的低分辨率流场，然后通过上述步骤(3)中的基于超分辨率重构的流场复原器，得到高分辨流场。
所述基于超分辨率重构的流场数据压缩与复原方法,其中：所述步骤(2)中的计算几何包含壁面几何参数和计算域范围；所述壁面几何参数即为高分辨率流场相应壁面,所述计算域范围选取包含壁面并保证域外流动对域内结果无影响；所述边界条件基于模拟条件简化为无穿透无滑移条件或无穿透可滑移条件；所述亚格子模型选用成熟的Vreman模型。
所述基于超分辨率重构的流场数据压缩与复原方法,其中：所述步骤(2)中的亚格子模型，也可采用适合于当前流动问题的其他亚格子模型，包括但不限于WALE、Q判据和动力Smagorinsky模型。
所述基于超分辨率重构的流场数据压缩与复原方法,其中,所述步骤(3)中通过无监督机器学习生成超分辨率重构器的具体过程为：
(3.1)构造两个基于神经网络的生成器，即用于升高分辨率的复原生成器SR和用于降低分辨率的压缩生成器LR；且生成器的构造方式为增强型超分辨率生成对抗网络；
(3.2)接着构造两个对应于上述步骤(3.1)中生成器的判别器：升高分辨率结果的判别器DSR和降低分辨率结果的判别器DLR；所述判别器DSR用于识别复原生成结果是否保真，所述判别器DLR用于压缩生成结果是否合理；
(3.3)接着将上述步骤(3.1)和步骤(3.2)形成的两个生成对抗网络，结合为循环生成对抗网络；
(3.4)接着将步骤(3.3)中得到的循环生成对抗网络进行训练，基于步骤(1)中的高分辨率流场和步骤(2)中的低分辨率流场，通过损失函数衡量上述步骤(3.1)中的生成器和步骤(3.2)中的判别器的效果，不断优化生成器和判别器，直到损失函数小于预设值。
所述基于超分辨率重构的流场数据压缩与复原方法,其中,所述步骤(3.4)具体的训练过程为：将步骤(2)中压缩后的低分辨率流场，先通过复原生成器SR得到复原流场，再通过压缩生成器LR得到伪压缩流场；再将步骤(1)中的高分辨率流场，先通过压缩生成器LR得到低分辨率流场，再通过复原生成器SR得到伪复原流场；最后通过伪流场与真实流场的差异计算目标函数并优化复原生成器SR、压缩生成器LR、判别器DSR和DLR。
所述基于超分辨率重构的流场数据压缩与复原方法,其中：所述步骤(3.1)中生成器的构造方式也可采用除增强型超分辨率生成对抗网络以外的其他形式。
所述基于超分辨率重构的流场数据压缩与复原方法,其中,所述步骤(3)中无监督机器学习的过程中的损失函数同时包含以下三个部分,具体为：
①步骤(3.1)和(3.2)中两个生成对抗网络中生成器和判别器的对抗；
②步骤(1)中的高分辨流场通过压缩生成器SR和复原生成器LR处理后与自身的差异，以及步骤(2)低分辨率流场通过复原生成器LR和压缩生成器LR处理后与自身的差异；
③额外的物理和非物理约束。
所述基于超分辨率重构的流场数据压缩与复原方法,其中：所述步骤③中的额外物理约束也可包括但不限于动量守恒、能量守恒、光滑性和非同质数据的其他约束。
采用上述技术方案，本发明具有如下有益效果：
本发明基于超分辨率重构的流场数据压缩与复原方法构思合理，流程简单，在各项同性湍流的测试中压缩比达到了1/64，远远好于其他方式；数据复原过程仅需要通过基于神经网络的复原生成器完成映射；通过复原生成器完成映射的计算资源花费低于其他方式，具体而言,基于训练完成的神经网络从压缩流场到高精度流场的复原过程所花费的计算资源(浮点数运算)要小于基于偏微分方程求解的流场压缩技术和其他通用数据压缩技术。尤其采用基于无监督机器学习的超分辨率重构技术压缩模拟和实验中产生的高分辨率流场数据；基于升高和降低分辨率的两个生成对抗网络来实现无监督机器学习；在机器学习训练过程中，把额外的物理和非物理约束加入损失函数，能够得到更好的复原结果；在机器学习训练过程中，可以在目标函数中加入非同质数据的约束，可以同时压缩非同质数据源(比如模拟得到的全计算域流场和部分区域的观测数据)。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于超分辨率重构的流场数据压缩与复原方法中基于超分辨率重构的数据压缩过程示意图；
图2为本发明基于超分辨率重构的流场数据压缩与复原方法中基于超分辨率重构的数据复原过程示意图；
图3为本发明基于超分辨率重构的流场数据压缩与复原方法中用于超分辨率重构的无监督机器学习架构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合具体的实施方式对本发明做进一步的解释说明。
如图1所示，本实施例提供的基于超分辨率重构的流场数据压缩与复原方法,具体包括如下步骤：
(1)针对特定流动问题，在流动发展至统计稳定阶段，收集实验或者模拟产生的不同时刻的高分辨率流场；
(2)基于流动物理，确定高精度流场的计算几何和边界条件；然后通过流体动力学求解器，给定计算几何和边界条件后，选取合适的亚格子模型，开展非定常大涡模拟，待流场发展至统计定常阶段后，得到步骤(1)中特定流动问题在时间和空间上的低分辨率流场；
其中,上述步骤(2)中计算几何应包含壁面几何参数和计算域范围,该壁面几何参数即为高分辨率流场(实验或模拟结果)相应壁面,该计算域范围选取应包含壁面并保证域外流动对域内结果无影响；该边界条件基于模拟条件简化为无穿透无滑移条件或无穿透可滑移条件；该亚格子模型选用成熟的Vreman模型。且上述步骤(2)中的亚格子模型，也可以采用适合于当前流动问题的其他亚格子模型，包括但不限于WALE、Q判据和动态Smagorinsky模型等。
(3)以上述步骤(2)中的大涡模拟得到的低分辨率流场，以及步骤(1)中的实验或数值产生的高分辨率流场同时作为输入数据，通过无监督机器学习，训练得到基于超分辨率重构的流场复原器；如图3所示，生成超分辨率重构器的具体过程包括以下步骤：
(3.1)构造两个基于神经网络的生成器：用于升高分辨率的复原生成器SR和用于降低分辨率的压缩生成器LR；生成器的构造方式为增强型超分辨率生成对抗网络；
(3.2)接着构造两个对应于上述步骤(3.1)中生成器的判别器：升高分辨率结果的判别器DSR和降低分辨率结果的判别器DLR；所述判别器DSR用于识别复原生成结果是否保真，所述判别器DLR用于压缩生成结果是否合理；
(3.3)接着将上述步骤(3.1)和(3.2)形成的两个生成对抗网络，结合为循环生成对抗网络；
(3.4)接着将步骤(3.3)中得到的循环生成对抗网络进行训练，基于大量的步骤(1)中的高分辨率流场和步骤(2)中的低分辨率流场，通过损失函数衡量步骤(3.1)中的生成器和(3.2)中的判别器的效果，不断优化生成器和判别器，直到损失函数小于预设值。
上述步骤(3.1)中生成器的构造方式也可采用除增强型超分辨率生成对抗网络(ESRGAN)以外的其他形式。
上述步骤(3.4)中具体的训练过程为：将步骤(2)中压缩后的低分辨率流场，先通过SR得到复原流场，再通过LR得到伪压缩流场；再将步骤(1)中的高分辨率流场，先通过LR得到低分辨率流场，再通过SR得到伪复原流场；最后通过伪流场与真实流场的差异计算目标函数并优化复原生成器SR、压缩生成器LR、判别器DSR和DLR。
上述步骤(3.4)中的损失函数同时包含3个部分,具体为：
①步骤(3.1)和步骤(3.2)中两个生成对抗网络中生成器和判别器的对抗；
②步骤(1)中的高分辨流场通过压缩生成器SR和复原生成器LR处理后与自身的差异，以及步骤(2)低分辨率流场通过复原生成器LR和压缩生成器LR处理后与自身的差异；
③额外的物理和非物理约束(比如无散度约束)；其中，额外物理约束也可以包括但不限于动量守恒、能量守恒、光滑性和非同质数据等其他约束。
上述步骤(1)-(3)即为数据压缩的具体过程；其中，上述步骤(1)中的特定流动问题的高精度流场已被压缩为步骤(2)中的低分辨率流场和步骤(3)中通过循环生成对抗网络训练得到的基于超分辨重构的流场复原器。
(4)数据复原
重新执行步骤(2)中特定计算几何、边界条件和亚格子模型的大涡模拟，得到不同时刻的低分辨率流场，然后通过步骤(3)中的基于超分辨率重构的流场复原器，生成高分辨率流场。
本发明构思合理，流程简单，在各项同性湍流的测试中压缩比达到了1/64，远远好于其他方式；数据复原过程仅需要通过神经网络权重矩阵完成映射，计算资源花费好于其他方式，适于推广与应用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于超分辨率重构的流场数据压缩与复原方法,其特征在于,具体包括以下步骤：
(1)针对特定流动问题，在流动发展至统计定常阶段，收集实验或者模拟产生的不同时刻的高分辨率流场；
(2)基于流动物理，确定高精度流场的计算几何和边界条件，然后采用流体动力学求解器开展非定常大涡模拟，得到步骤(1)中特定流动问题在时间和空间上的低分辨率流场；
(3)以上述步骤(2)中的低分辨率流场，以及步骤(1)中的高分辨率流场同时作为输入数据，通过无监督机器学习，训练得到基于超分辨率重构的流场复原器；
(4)数据复原
重新执行上述步骤(2)中特定计算几何、边界条件和亚格子模型的大涡模拟，得到不同时刻的低分辨率流场，然后通过上述步骤(3)中的基于超分辨率重构的流场复原器，得到高分辨流场。
2.如权利要求1所述的基于超分辨率重构的流场数据压缩与复原方法,其特征在于：所述步骤(2)中的计算几何包含壁面几何参数和计算域范围；所述壁面几何参数即为高分辨率流场相应壁面,所述计算域范围选取包含壁面并保证域外流动对域内结果无影响；所述边界条件基于模拟条件简化为无穿透无滑移条件或无穿透可滑移条件；所述亚格子模型选用成熟的Vreman模型。
3.如权利要求1所述的基于超分辨率重构的流场数据压缩与复原方法,其特征在于：所述步骤(2)中的亚格子模型，也可采用适合于当前流动问题的其他亚格子模型，包括但不限于WALE、Q判据和动力Smagorinsky模型。
4.如权利要求1所述的基于超分辨率重构的流场数据压缩与复原方法,其特征在于,所述步骤(3)中通过无监督机器学习生成超分辨率重构器的具体过程为：
(3.1)构造两个基于神经网络的生成器，即用于升高分辨率的复原生成器SR和用于降低分辨率的压缩生成器LR；且生成器的构造方式为增强型超分辨率生成对抗网络；
(3.2)接着构造两个对应于上述步骤(3.1)中生成器的判别器：升高分辨率结果的判别器DSR和降低分辨率结果的判别器DLR；所述判别器DSR用于识别复原生成结果是否保真，所述判别器DLR用于压缩生成结果是否合理；
(3.3)接着将上述步骤(3.1)和步骤(3.2)形成的两个生成对抗网络，结合为循环生成对抗网络；
(3.4)接着将步骤(3.3)中得到的循环生成对抗网络进行训练，基于步骤(1)中的高分辨率流场和步骤(2)中的低分辨率流场，通过损失函数衡量上述步骤(3.1)中的生成器和步骤(3.2)中的判别器的效果，不断优化生成器和判别器，直到损失函数小于预设值。
5.如权利要求4所述的基于超分辨率重构的流场数据压缩与复原方法,其特征在于,所述步骤(3.4)具体的训练过程为：将步骤(2)中压缩后的低分辨率流场，先通过复原生成器SR得到复原流场，再通过压缩生成器LR得到伪压缩流场；再将步骤(1)中的高分辨率流场，先通过压缩生成器LR得到低分辨率流场，再通过复原生成器SR得到伪复原流场；最后通过伪流场与真实流场的差异计算目标函数并优化复原生成器SR、压缩生成器LR、判别器DSR和DLR。
6.如权利要求4所述的基于超分辨率重构的流场数据压缩与复原方法,其特征在于：所述步骤(3.1)中生成器的构造方式也可采用除增强型超分辨率生成对抗网络以外的其他形式。
7.如权利要求1所述的基于超分辨率重构的流场数据压缩与复原方法,其特征在于,所述步骤(3)中无监督机器学习的过程中的损失函数同时包含以下三个部分,具体为：
①步骤(3.1)和(3.2)中两个生成对抗网络中生成器和判别器的对抗；
②步骤(1)中的高分辨流场通过压缩生成器SR和复原生成器LR处理后与自身的差异，以及步骤(2)低分辨率流场通过复原生成器LR和压缩生成器LR处理后与自身的差异；
③额外的物理和非物理约束。
8.如权利要求7所述的基于超分辨率重构的流场数据压缩与复原方法,其特征在于：所述步骤③中的额外物理约束也可包括但不限于动量守恒、能量守恒、光滑性和非同质数据的其他约束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311111381.6A CN117150959A (zh) | 2023-08-31 | 2023-08-31 | 基于超分辨率重构的流场数据压缩与复原方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311111381.6A CN117150959A (zh) | 2023-08-31 | 2023-08-31 | 基于超分辨率重构的流场数据压缩与复原方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117150959A true CN117150959A (zh) | 2023-12-01 |
Family
ID=88909406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311111381.6A Pending CN117150959A (zh) | 2023-08-31 | 2023-08-31 | 基于超分辨率重构的流场数据压缩与复原方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150959A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117609169A (zh) * | 2024-01-24 | 2024-02-27 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于单个文件的并行流场原位无损压缩方法及系统 |
-
2023
- 2023-08-31 CN CN202311111381.6A patent/CN117150959A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117609169A (zh) * | 2024-01-24 | 2024-02-27 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于单个文件的并行流场原位无损压缩方法及系统 |
| CN117609169B (zh) * | 2024-01-24 | 2024-03-26 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于单个文件的并行流场原位无损压缩方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | Intelligent structural design of shear wall residence using physics‐enhanced generative adversarial networks | |
| CN113779675B (zh) | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 | |
| CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
| CN110348059B (zh) | 一种基于结构化网格的通道内流场重构方法 | |
| Zhou | A review of text classification based on deep learning | |
| CN117150959A (zh) | 基于超分辨率重构的流场数据压缩与复原方法 | |
| CN113610227B (zh) | 一种用于图像分类的深度卷积神经网络剪枝方法 | |
| CN112862655B (zh) | 一种基于通道空间注意力机制的jpeg图像隐写分析方法 | |
| Huai et al. | Zerobn: Learning compact neural networks for latency-critical edge systems | |
| Sakai et al. | Parallel implementation of large-scale CFD data compression toward aeroacoustic analysis | |
| Wei et al. | Construction of super-resolution model of remote sensing image based on deep convolutional neural network | |
| Wu et al. | Temporal convolution network‐based time frequency domain integrated model of multiple arch dam deformation and quantification of the load impact | |
| CN116756881B (zh) | 一种轴承剩余使用寿命预测方法、装置及存储介质 | |
| Huai et al. | Latency-constrained DNN architecture learning for edge systems using zerorized batch normalization | |
| Yao et al. | Multiscale residual fusion network for image denoising | |
| Wu et al. | Application of quantisation‐based deep‐learning model compression in JPEG image steganalysis | |
| Chung et al. | The bearable lightness of big data: Towards massive public datasets in scientific machine learning | |
| Sun et al. | Reweighted fast iterative shrinkage thresholding algorithm with restarts for l1‐l1 minimisation | |
| Ren et al. | Hardware implementation of KLMS algorithm using FPGA | |
| CN111190952B (zh) | 一种基于图像金字塔提取城市画像多尺度特征并持久化的方法 | |
| CN114493971A (zh) | 媒体数据转换模型训练、数字水印嵌入方法和装置 | |
| Yang et al. | Training and inference for integer-based semantic segmentation network | |
| Wang et al. | Reliable ransac using a novel preprocessing model | |
| Li et al. | A transformer-based neural operator for large-eddy simulation of turbulence | |
| Liu et al. | Modified propagators of parareal in time algorithm and application to Princeton Ocean model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |