Residual and solution filtering procedures are studied with respect to inhibiting the accumulation of small-scale (i.e., high wavenumber) content. Assessing each method in terms of an ``equivalent residual equation" reveals fundamental differences in their behaviors, such as how the underlying solution can be constrained to a target filter width. The residual filtering (RF) approach paired with a dissipative filter kernel is shown to restrict scale generation in the fluid equations via dispersive effects; meanwhile, solution filtering (SF) -- and artificial dissipation (AD), by extension -- operates through dissipative mechanisms and actively attenuates high wavenumber content. Discrete filters (i.e., the Top-hat and implicit Tangent schemes) are analyzed in terms of their response characteristics and their associated effects on reducing small-scale activity when paired with the RF versus SF approaches. Linear theoretical assessments (e.g., von Neumann analysis) are shown to successfully characterize the fundamental behaviors of the methods in non-linear settings, as observed through canonical test cases based on 1D viscous Burgers, 2D Euler, 3D Navier-Stokes equations.


翻译:---- 研究了残差过滤和溶液过滤程序在抑制小尺度(即高波数)内容积累方面的特点。通过评估每种方法的“等效残差方程”,揭示了它们之间的根本差异,例如,如何将基础解约束为目标滤波器宽度。残差过滤(RF)方法配合耗散滤波核被证明通过色散效应限制流体方程中的尺度生成;同时,溶液过滤(SF)-并由此推广的人工耗散-则通过耗散机制运作并从根本上减缓高波数内容。在RF和SF方法配对的情况下,分析了离散滤波器(即Top-hat和implicit Tangent方案)的响应特性和它们在减少小尺度活动时产生的影响。线性理论评估(例如von Neumann分析)被证明可以成功地表征非线性设置中方法的基本行为,如基于1D粘性Burgers、2D欧拉、3D Navier-Stokes方程的经典测试案例所观察到的。

0
下载
关闭预览

相关内容

专知会员服务
32+阅读 · 2021年9月16日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
专知会员服务
60+阅读 · 2020年3月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
150+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【泡泡汇总】CVPR2019 SLAM Paperlist
泡泡机器人SLAM
14+阅读 · 2019年6月12日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
LibRec 精选:推荐系统的常用数据集
LibRec智能推荐
17+阅读 · 2019年2月15日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
LibRec 精选:推荐的可解释性[综述]
LibRec智能推荐
10+阅读 · 2018年5月4日
最前沿的深度学习论文、架构及资源分享
深度学习与NLP
13+阅读 · 2018年1月25日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2023年5月25日
Arxiv
0+阅读 · 2023年5月23日
Phase-aware Speech Enhancement with Deep Complex U-Net
Feature Denoising for Improving Adversarial Robustness
Arxiv
15+阅读 · 2018年12月9日
VIP会员
相关VIP内容
专知会员服务
32+阅读 · 2021年9月16日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
专知会员服务
60+阅读 · 2020年3月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
150+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
【泡泡汇总】CVPR2019 SLAM Paperlist
泡泡机器人SLAM
14+阅读 · 2019年6月12日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
LibRec 精选:推荐系统的常用数据集
LibRec智能推荐
17+阅读 · 2019年2月15日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Unsupervised Learning via Meta-Learning
CreateAMind
41+阅读 · 2019年1月3日
LibRec 精选:推荐的可解释性[综述]
LibRec智能推荐
10+阅读 · 2018年5月4日
最前沿的深度学习论文、架构及资源分享
深度学习与NLP
13+阅读 · 2018年1月25日
【推荐】图像分类必读开创性论文汇总
机器学习研究会
14+阅读 · 2017年8月15日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员