英文原标题:FlowReconBench: Accuracy, calibration and cost of learned and classical flow reconstruction from sparse sensors

本文为英文原文的机器翻译摘要,原文见:arXiv cs.LG ↗

从稀疏传感器重建完整流场需要对未测量区域和物理变量做出先验假设。然而,学习型模型何时优于经典估计器,以及其预测的哪些方面可信,仍不清楚。FlowReconBench在三种情形下评估十种学习型方法和五种经典方法:跨雷诺数的层流圆柱尾流、二维Kolmogorov湍流以及大规模三维各向同性湍流。各方法共享防泄漏的数据划分和传感器采样,并按逐通道误差、集合离散度、校准、频谱和成本进行评分。每种情形下的领先方法各不相同。经典方法在低阶和密集传感情形下表现强劲。在圆柱尾流上,线性随机估计和带缺失数据的本征正交分解领先,包括对未观测压力的估计。在三维情形下,反距离加权在观测通道上与最佳学习型方法相当。数据驱动方法……

站内导航