查看“WikiEdge:ArXiv速递/2025-03-23”的源代码
←
WikiEdge:ArXiv速递/2025-03-23
跳转到导航
跳转到搜索
因为以下原因，您没有权限编辑该页面：
您请求的操作仅限属于该用户组的用户执行：
用户
您可以查看和复制此页面的源代码。
== 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影复序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，利用[[MRI重建]]过程的[[知识]]来提升去噪性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]][[场强]]下获取的[[心脏实时电影]]、[[首过心脏灌注]]、[[神经]]及[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]]样本上表现出良好[[泛化性]]，分别为[[实时电影]]和[[灌注成像]]带来6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀[[泛化性能]]。 == 摘要 == * '''原文标题'''：Approximation Schemes for k-Subset Sum Ratio and Multiway Number Partitioning Ratio * '''中文标题'''：k-子集和比率与多路数字划分比率的近似方案 * '''发布日期'''：2025-03-23 23:33:28+00:00 * '''作者'''：Sotiris Kanellopoulos, Giorgos Mitropoulos, Antonis Antonopoulos, Nikos Leonardos, Aris Pagourtzis, Christos Pergaminelis, Stavros Petsalakis, Kanellos Tsitouras * '''分类'''：cs.DS, F.2.2 *'''原文链接'''：http://arxiv.org/abs/2503.18241v1 '''中文摘要'''：[[子集和比率问题]]（[[SSR]]）要求在给定多重正整数集$A$的情况下，找到$A$的两个不相交[[子集]]，使其和的最大值与最小值之比最小化。本文研究SSR的$k$维推广版本——$k$-子集和比率问题（$k$-SSR），该问题旨在最小化$A$的$k$个不相交子集和的最大值与最小值之比。我们提出了一个[[时间复杂度]]为$O({n^{2k}}/{\varepsilon^{k-1}})$的[[近似方案]]，其中$n=|A|$，$\varepsilon$为误差参数。据我们所知，这是首个针对固定$k>2$的$k$-SSR问题的[[完全多项式时间近似方案]]（[[FPTAS]]）。 我们还为$k$路数字划分比率问题（$k$-PART）设计了一个FPTAS，该问题与$k$-SSR的区别在于要求$k$个子集必须构成$A$的一个[[划分]]。我们提出了一个更复杂的FPTAS，同样达到$O({n^{2k}}/{\varepsilon^{k-1}})$的时间复杂度。值得注意的是，$k$-PART问题等同于具有相同[[估值函数]]的最小[[嫉妒比率]]问题，该问题在不可分割物品的[[公平分配]]领域已有研究。在限定相同估值条件下，我们的FPTAS相较于Nguyen和Rothe提出的针对所有[[加性估值]]、时间复杂度为$O(n^{4k^2+1}/\varepsilon^{2k^2})$的最小嫉妒比率FPTAS，实现了显著改进。 最后，我们为$k$-SSR提出了第二个FPTAS，该方案通过精心设计调用第一个FPTAS，将时间复杂度优化至$\widetilde{O}(n/{\varepsilon^{3k-1}})$，从而在$n\gg 1/ \varepsilon$时具有更高的[[计算效率]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高保真方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型。通过在有限计算资源内（少于10个[[LES]]样本）采用自适应填充准则，实现了代理模型的策略性增强。该方法被应用于优化[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮叶栅]]（工作[[雷诺数]]约10^6）。研究表明：虽然在最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金（[[SFK]]）模型，有效融合了丰富的低保真数据和稀缺的高保真数据。[[RANS]]能准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型则能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对于识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Charge-dependent nucleon-nucleon interaction at N$^3$LO in nuclear lattice effective field theory * '''中文标题'''：核格点有效场理论中N$^3$LO阶电荷依赖的核子-核子相互作用 * '''发布日期'''：2025-03-23 10:34:18+00:00 * '''作者'''：Chengxin Wu, Teng Wang, Bing-Nan Lu, Ning Li * '''分类'''：nucl-th, hep-lat, hep-ph, nucl-ex *'''原文链接'''：http://arxiv.org/abs/2503.18017v1 '''中文摘要'''：[[核格点有效场论]]（[[NLEFT]]）是解决[[核多体问题]]的有效工具，该方法以高精度[[格点]][[手征相互作用]]为输入，通过[[量子蒙特卡洛]]技术计算[[核低能可观测量]]。本研究首次在[[格点]]上构建了完整考虑[[同位旋破缺]]效应的[[次次次领头阶]]（[[N³LO]]）[[手征力]]，重点研究[[电荷无关性破缺]]（[[CIB]]）和[[电荷对称性破缺]]（[[CSB]]）效应。具体而言，我们在[[单π介子交换势]]（[[OPEP]]）中纳入带电与中性[[π介子]][[质量差]]导致的[[同位旋破缺]]效应，为[[pp相互作用]]引入[[库仑力]]，并新增两个[[电荷相关]][[接触算符]]的贡献。同时明确包含了以往[[NLEFT]]计算中大多忽略的[[双π介子交换势]]。通过这些改进，我们精确复现了相对[[动量]]p~200 [[MeV]]范围内的[[np/pp散射]][[相移]]以及[[氘核]]性质。这些[[电荷相关]][[格点]][[核力]]的构建，为未来[[NLEFT]]框架下的高精度[[核第一性原理计算]]奠定了坚实基础。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项回顾性研究基于[[3T]]场强下获取的96,605例[[心脏]]回顾性门控[[电影复合成像]]序列（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，利用[[MRI重建]]过程的知识来提升去噪性能。在3000个样本的保留[[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]]场强下获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的泛化能力。分布内测试中的最佳模型在分布外样本上表现出良好泛化性，分别为[[实时电影成像]]和[[灌注成像]]带来6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1 MPRAGE]][[神经]][[3D扫描]]和[[T2 TSE]][[脊柱]][[MRI]]也展现出优秀的泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟引导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为解决此问题，我们采用[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型。通过在有限计算资源内（少于10个[[LES]]样本）采用自适应填充准则，实现了代理模型的战略性优化。该方法应用于[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮叶片]]的优化设计（[[雷诺数]]约10^6量级）。研究发现：虽然在最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型的表现优于基于相同[[LES]]数据的单保真克里金（[[SFK]]）模型，有效整合了丰富的低精度数据和稀缺的高精度数据。[[RANS]]能准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型则能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Measurement of cosmic muon-induced neutron background with ISMRAN detector in a non-reactor environment * '''中文标题'''：非反应堆环境下使用ISMRAN探测器测量宇宙μ子诱发中子本底 * '''发布日期'''：2025-03-23 18:01:41+00:00 * '''作者'''：R. Dey, P. K. Netrakanti, D. K. Mishra, S. P. Behera, R. Sehgal, V. Jha, L. M. Pant * '''分类'''：physics.ins-det, nucl-ex *'''原文链接'''：http://arxiv.org/abs/2503.18993v1 '''中文摘要'''：[[印度]]反应堆反中微子闪烁体矩阵([[ISMRAN]])是一个位于[[印度]][[孟买]][[Dhruva研究堆]]设施内的地面超短基线反应堆反中微子(${\overline{\ensuremath{\nu}}}_{e}$)实验装置。该实验的主要目标是通过[[逆β衰变]]([[IBD]])过程间接探测反应堆${\overline{\ensuremath{\nu}}}_{e}$，使用由90个光学分段[[塑料闪烁体]][[探测器]]组成的集群，总重约1吨。本研究展示了[[宇宙μ子]]在ISMRAN几何结构中产生的[[中子俘获]]信号的[[时间响应]]和[[能量沉积]]特征，并将这些实验结果与基于[[Geant4]]的[[蒙特卡洛]]([[MC]])模拟结果进行对比。测得快中子的平均俘获时间为74.46±5.98微秒，与MC模拟结果相符。在ISMRAN装置顶部部署10厘米[[铅]]+10厘米[[硼化聚乙烯]][[被动屏蔽]]结构(表面积600平方厘米)的情况下，测得几何结构内μ子诱发中子本底的效率修正率为1334±64(统计误差)±70(系统误差)/天，该结果与Geant4 MC模拟的预期本底率高度一致。通过[[外推法]]，我们估算出在9000平方厘米表面积实际屏蔽配置下，ISMRAN几何结构中的μ子诱发快中子率为3335±160(统计误差)±175(系统误差)中子/天，其中包含了Geant4 MC模拟中模型相关的接收修正因子。最后基于这些结果，我们计算出ISMRAN几何结构中复合屏蔽层的[[中子产额]]为2.81×10^-5中子/μ子/(克/平方厘米)([[海平面高度]])。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升[[去噪]]性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积]][[模型]]。提出的[[SNRAware]][[训练]]方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI]][[重建]]过程的[[知识]]提升[[去噪]]性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未进行[[噪声]][[增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影]][[成像]]、[[首过]][[心脏]][[灌注]][[成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态]][[对比度]][[变化]]、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]][[样本]]中表现出良好[[泛化性]]，对[[实时]][[电影]]和[[灌注]][[成像]]分别实现6.5倍和2.9倍的[[CNR]][[提升]]。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：面向高雷诺数涡轮流动优化的成本效益多保真度策略：基于大涡模拟的指导 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高保真方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们通过[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])和[[RANS]]数据的[[多保真协同克里金]]([[MFK]])代理模型。采用[[自适应填充准则]]在有限计算资源内(少于10个[[LES]]样本)实现代理模型的策略性增强。该方法被应用于优化[[有机朗肯循环]]([[ORC]])中超音速[[涡轮叶片]]，其工作[[雷诺数]]达$\sim 10^6$量级。研究表明：虽然在最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效利用丰富的低保真数据和稀缺的高保真数据。[[RANS]]能准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：The Mathematics of Questions * '''中文标题'''：问题的数学 * '''发布日期'''：2025-03-23 17:54:21+00:00 * '''作者'''：R. O'Flanagan * '''分类'''：quant-ph, math.PR, math.QA *'''原文链接'''：http://arxiv.org/abs/2503.18992v1 '''中文摘要'''：摘要：我报告了方程$i(A,B)+i(A,\neg B)+i(\neg A,B)+i(\neg A,\neg B)= 0$存在唯一非平凡解的情况，其中$i(A,B)=\log\frac{P(A\text{且}B)}{P(A)P(B)}$，$P(A)$表示命题$A$的[[概率]]。该方程规定了两个[[逻辑命题]]间的[[信息平衡]]条件，仅被[[独立关系]]和此新解满足。该解是逻辑命题间的新型基本信息关系，记作$A \sim B$。$\sim$关系无法仅用概率表述，必须借助[[复数]]。但通过将命题表述为[[问题]]与[[答案]]的组合（例如将"凡人皆有一死"写作（凡人皆有一死吗？，是）可大幅简化。 我们将研究问题的[[数学结构]]，探究$\sim$关系在[[代数]]中的作用。研究发现：与命题类似，问题能作用于[[概率分布]]。给定命题$X$会使$P(X)=1$，而提出$X$的问题会使$P(X)=1/2$。给定命题为概率分布添加信息，提出问题则移除信息。在[[概率论]]中引入问题可同时表征信息的增减。 我们将从[[几何]]视角考察问题间的关联。值得注意的是，问题空间的最简定向结构与最简单的[[量子系统]]——[[二态系统]]具有相同结构。研究发现：二态量子系统的核心数学结构（包括[[非对易性]]、[[互补性]]、[[波函数坍缩]]、[[希尔伯特空间]]表示、[[玻恩定则]]，以及[[量子纠缠]]与[[非定域性]]）均可从问题的数学中推导得出。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]]场强下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合成像]]序列（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，利用[[MRI重建]]过程的知识来提升去噪性能。在[[分布内测试]]中，使用3000个保留样本通过[[PSNR]]和[[SSIM]]指标进行评估，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]]场强下获取的[[心脏]][[实时电影成像]]、[[首过心脏灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型在[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]间的泛化能力。分布内测试中的最佳模型在分布外样本中表现出良好泛化性，对[[实时电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高保真方法。然而在高[[雷诺数]]下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）构建低维设计空间表示，并建立融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型。通过[[自适应填充准则]]，在有限计算资源内（少于10个[[LES]]样本）实现代理模型的策略性增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮叶片]]的优化设计（[[雷诺数]]约10^6）。研究表明：虽然在最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金（[[SFK]]），有效整合了丰富的低保真数据和稀缺的高保真数据。[[RANS]]能准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型通过[[LES]]捕捉到精细的几何趋势。损失分析表明：[[LES]]对于识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积]][[模型]]。提出的[[SNRAware]][[训练]][[方案]]通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI]][[重建]]过程的[[知识]]来提升去噪性能。在[[分布内]][[测试]]中，使用3000个保留样本进行[[验证]]，通过[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未进行[[噪声]][[增强]]的[[消融实验]]进行对比。[[分布外]][[测试]]则针对[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影]][[成像]]、[[首过]][[心脏]][[灌注]][[成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型在[[成像序列]]、[[动态]][[对比度]][[变化]]、不同[[解剖结构]]和[[场强]]间的[[泛化能力]]。[[分布内]][[测试]]中的最佳模型在[[分布外]]样本中表现出良好[[泛化性]]，分别为[[实时]][[电影]][[成像]]和[[灌注]][[成像]]带来6.5倍和2.9倍的[[CNR]][[提升]]。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们通过[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型。采用[[自适应填充准则]]在有限计算资源内（少于10个[[LES]]样本）策略性地增强代理模型。该方法应用于[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮叶片]]的优化设计（[[雷诺数]]约10^6量级）。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的[[单保真克里金]]（[[SFK]]）模型，能有效整合丰富的低精度数据和稀缺的高精度数据；[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项回顾性研究基于[[3T]]场强下获取的96,605例[[心脏]]回顾性门控[[电影复合成像]]序列（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种主干架构训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，从而利用[[MRI重建]]过程知识来提升去噪性能。在3000个样本的保留[[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]]场强下获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经脊柱MRI]]展开，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的泛化能力。分布内测试中的最佳模型在分布外样本上表现出良好泛化性，分别为[[实时电影成像]]和[[灌注成像]]带来6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1 MPRAGE]]神经[[3D扫描]]和[[T2 TSE]][[脊柱MRI]]也展现出优秀的泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们通过[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型。采用[[自适应填充准则]]在有限计算资源内（少于10个[[LES]]样本）策略性地增强代理模型。该方法应用于[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮叶片]]的优化设计（[[雷诺数]]约10^6量级）。研究表明：虽然[[RANS]]-[[LES]]相关性在最优区域附近减弱，但[[MFK]]模型优于基于相同[[LES]]数据的[[单保真克里金]]（[[SFK]]）模型，能有效整合丰富的低精度数据和稀缺的高精度数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项回顾性研究基于[[3T]]场强下获取的96,605例[[心脏]]回顾性门控[[电影复合成像]]序列（共2,885,236幅图像）的大规模数据集，采用两种主干架构训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，利用[[MRI重建]]过程知识来提升去噪性能。在3000个样本的保留[[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]]场强下获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的泛化能力。分布内测试中的最佳模型在分布外样本中表现出良好泛化性，对[[实时电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1 MPRAGE]][[神经]][[3D扫描]]和[[T2 TSE]][[脊柱]][[MRI]]也展现出优秀的泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）构建低维设计空间表示，并建立融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型。通过[[自适应填充准则]]，在有限计算资源内（少于10个[[LES]]样本）实现代理模型的战略增强。该方法被应用于优化[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮叶栅]]（工作[[雷诺数]]约10^6）。研究表明：虽然[[RANS]]-[[LES]]相关性在最优区域附近减弱，但[[MFK]]模型优于基于相同[[LES]]数据的[[单保真克里金]]（[[SFK]]），能有效利用丰富的低精度数据和稀缺的高精度数据。[[RANS]]能准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合成像]][[序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，利用[[MRI重建]]过程的[[知识]]来提升去噪性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]][[场强]]下获取的[[心脏]][[实时电影]][[成像]]、[[首过]][[心脏灌注]][[成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外样本]]中表现出良好[[泛化性]]，分别为[[实时电影]][[成像]]和[[灌注成像]]带来6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流]]尾迹等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]数据的多保真协同克里金（[[MFK]]）代理模型。通过自适应填充准则，在有限计算资源内（少于10个[[LES]]样本）实现代理模型的战略增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）超音速涡轮导叶优化，工作[[雷诺数]]达~10^6量级。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金（[[SFK]]）模型，能有效整合丰富的低精度和稀缺的高精度数据；[[RANS]]虽能准确预测全局目标函数趋势，但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合成像]][[序列]]（共2,885,236幅[[图像]]）的[[大规模数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，利用[[MRI]][[重建]]过程的[[知识]]来提升去噪性能。在[[分布内测试]]中，使用3000个保留样本通过[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]][[场强]]获取的[[心脏]][[实时电影]][[成像]]、[[首过]][[心脏]][[灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型在[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]间的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外样本]]中表现出良好[[泛化性]]：[[实时电影]][[成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而高[[雷诺数]]下[[LES]]计算成本过高，难以直接用于优化设计。为此，我们通过[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]数据的多保真度[[协同克里金]]（[[MFK]]）代理模型。采用[[自适应填充准则]]在有限计算资源内（少于10个[[LES]]样本）实现代理模型的策略性增强。该方法被应用于优化[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮导叶]]（[[雷诺数]]约10^6量级）。研究表明：虽然[[RANS]]-[[LES]]相关性在最优区域附近减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真度[[克里金]]（[[SFK]]）模型，能有效利用丰富的低精度数据和稀缺的高精度数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]]场强下获取的96,605例[[心脏]]回顾性门控[[电影复合成像]]序列（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，利用[[MRI重建]]过程的知识来提升去噪性能。在3000个样本的保留[[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]]场强下获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖部位]]及[[场强]]的泛化能力。分布内测试中的最佳模型在分布外样本中表现出良好泛化性，对[[实时电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流]]尾迹等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）构建低维设计空间表示，并建立融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的多保真度[[协同克里金]]（[[MFK]]）代理模型。通过自适应填充准则，在有限计算资源（少于10个[[LES]]样本）内实现代理模型的策略性增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）[[超音速]]涡轮导叶优化（[[雷诺数]]约10^6量级）。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真度[[克里金]]（[[SFK]]）模型，能有效整合丰富的低精度数据和稀缺的高精度数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建过程]]中的[[定量]][[噪声分布]]信息来提升[[去噪]]性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合成像]][[序列]]（共2,885,236幅[[图像]]）的[[大规模数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]][[训练方案]]通过模拟[[大规模]]、[[高质量]]且[[多样化]]的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，利用[[MRI]][[重建过程]]的[[知识]]来提升[[去噪]]性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。在[[1.5T]][[场强]]获取的[[心脏]][[实时]][[电影成像]]、[[首过]][[心脏]][[灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行了[[分布外测试]]，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外样本]]上表现出良好[[泛化性]]，对[[实时]][[电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，使用100%[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的性价比优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而高[[雷诺数]]下[[LES]]计算成本过高，难以直接用于优化设计。为此，我们通过[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型。采用[[自适应填充准则]]在有限计算资源内（少于10个[[LES]]样本）策略性地增强模型精度。该方法应用于[[有机朗肯循环]]（[[ORC]]）[[超音速涡轮导叶]]优化（[[雷诺数]]约10^6量级）。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型表现优于基于相同[[LES]]数据的[[单保真克里金]]（[[SFK]]）模型，能有效整合大量低精度和稀缺高精度数据。[[RANS]]虽能准确预测全局目标函数趋势，但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的几何细节趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下采集的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI重建]]过程的[[知识]]提升去噪性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。为测试模型在[[成像序列]]、[[动态对比度]]变化、不同[[解剖部位]]及[[场强]]间的[[泛化能力]]，还在[[1.5T]][[场强]]采集的[[心脏]][[实时]][[电影成像]]、[[首过]][[心脏]][[灌注成像]]、[[神经]]及[[脊柱]][[MRI]]上进行了[[分布外测试]]。[[分布内测试]]中的最佳模型在[[分布外]]样本中表现出良好[[泛化性]]：[[实时]][[电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层]]转捩、[[激波]]相互作用和[[湍流]]尾迹等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而高[[雷诺数]]下[[LES]]计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）构建低维设计空间表征，并建立融合壁面解析[[LES]]（[[WRLES]]）与[[RANS]]数据的多保真协同克里金（[[MFK]]）代理模型。通过自适应填充准则在有限计算资源内（少于10个[[LES]]样本）实现代理模型的战略增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）超音速涡轮导叶优化（[[雷诺数]]约10^6量级）。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型表现优于基于相同[[LES]]数据的单保真克里金（[[SFK]]）模型，能有效整合丰富的低精度和稀缺的高精度数据；[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升[[去噪]]性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下采集的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的[[大规模数据集]]，以两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟[[大规模]]、[[高质量]]且[[多样化]]的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，利用[[MRI重建]]过程知识来提升[[去噪]]性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]][[场强]]采集的[[心脏]][[实时]][[电影成像]]、[[首过]][[心脏]][[灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态]][[对比度]]变化、不同[[解剖部位]]及[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]]样本中表现出良好[[泛化性]]，对[[实时]][[电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们通过[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的多保真[[协同克里金]]（[[MFK]]）代理模型。采用[[自适应填充准则]]，在有限计算资源（少于10个[[LES]]样本）内实现代理模型的策略性增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）[[超音速涡轮导叶]]优化（[[雷诺数]]约10^6量级）。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真[[克里金]]（[[SFK]]）模型，能有效整合丰富的低精度数据和稀缺的高精度数据；[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项回顾性研究基于[[3T]]场强下获取的96,605例[[心脏]]回顾性门控[[电影复合成像]]序列（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种主干架构训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，从而利用[[MRI重建]]过程的知识提升去噪性能。在[[分布内测试]]中，使用3000个保留样本进行验证，通过[[PSNR]]和[[SSIM]]指标评估性能，并与未进行[[噪声增强]]的消融实验进行对比。[[分布外测试]]则针对[[1.5T]]场强获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经脊柱]][[MRI]]展开，以验证模型在[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]间的泛化能力。分布内测试中的最佳模型在分布外样本中表现出良好泛化性：[[实时电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1 MPRAGE]][[神经]][[3D扫描]]和[[T2 TSE]][[脊柱]][[MRI]]也展现出优秀的泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型。通过[[自适应填充准则]]，在有限计算资源内（少于10个[[LES]]样本）实现代理模型的策略性增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）[[超音速涡轮导叶]]优化（[[雷诺数]]约10^6量级）。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的[[单保真克里金]]（[[SFK]]）模型，能有效整合大量低精度和稀缺高精度数据；[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高保真方法。然而高[[雷诺数]]下[[LES]]计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的多保真协同克里金([[MFK]])代理模型。通过自适应填充准则，在有限计算资源内(少于10个[[LES]]样本)实现代理模型的策略性增强。该方法应用于[[有机朗肯循环]]([[ORC]])[[超音速涡轮导叶]]优化([[雷诺数]]约10^6量级)。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效整合丰富的低保真数据和稀缺的高保真数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们通过[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的多保真协同克里金（[[MFK]]）代理模型。采用自适应填充准则，在有限计算资源（少于10个[[LES]]样本）内实现代理模型的战略增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）超音速涡轮导叶优化，工作[[雷诺数]]达~10^6量级。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金（[[SFK]]）模型，能有效利用丰富的低精度数据和稀缺的高精度数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的性价比优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而高[[雷诺数]]下[[LES]]计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）构建低维设计空间，建立融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型，并应用[[自适应填充准则]]在有限计算资源内（少于10个[[LES]]样本）智能增强模型精度。该方法被应用于优化[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮导叶]]（[[雷诺数]]约10^6）。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型表现优于基于相同[[LES]]数据的[[单保真克里金]]（[[SFK]]）模型，能有效整合大量低精度和少量高精度数据；[[RANS]]虽能预测目标函数整体趋势但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的几何细节趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）构建低维设计空间表示，并建立融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型。通过自适应填充准则，在有限计算资源内（少于10个[[LES]]样本）实现代理模型的战略增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）[[超音速涡轮导叶]]优化，工作[[雷诺数]]达~10^6量级。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金（[[SFK]]）模型，能有效整合丰富的低精度数据和稀缺的高精度数据；[[RANS]]虽能准确预测全局目标函数趋势，但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高保真方法。然而在高[[雷诺数]]下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的多保真[[协同克里金]]（[[MFK]]）代理模型。通过自适应填充准则，在有限计算资源内（少于10个[[LES]]样本）实现代理模型的战略增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）[[超音速涡轮导叶]]优化，工作[[雷诺数]]达~10^6量级。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真[[克里金]]（[[SFK]]），能有效利用丰富的低保真数据和稀缺的高保真数据。[[RANS]]虽能准确预测全局目标函数趋势，但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而高[[雷诺数]]下[[LES]]计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]数据的多保真协同克里金([[MFK]])代理模型。通过自适应填充准则，在有限计算资源内(少于10个[[LES]]样本)实现代理模型的战略增强。该方法应用于[[雷诺数]]约10^6的[[有机朗肯循环]]([[ORC]])超音速涡轮导叶优化。研究表明：虽然最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效利用丰富的低精度数据和稀缺的高精度数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的几何细节趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为解决此问题，我们采用[[奇异值分解]]（[[SVD]]）构建低维设计空间表示，并建立融合[[壁面解析LES]]（[[WRLES]]）和[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型。通过自适应填充准则，在有限计算资源（少于10个[[LES]]样本）内实现代理模型的策略性增强。该方法被应用于优化[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮导叶]]，其工作[[雷诺数]]达~10^6量级。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型表现优于基于相同[[LES]]数据的单保真克里金（[[SFK]]）模型，能有效利用丰富的低精度数据和稀缺的高精度数据。[[RANS]]虽能准确预测全局目标函数趋势，却无法解析关键流动特征，而[[MFK]]模型通过[[LES]]捕捉到了精细的几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为解决此问题，我们采用[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的多保真协同克里金（[[MFK]]）代理模型。通过自适应填充准则，在有限计算资源（少于10个[[LES]]样本）内实现代理模型的策略性增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）超音速涡轮叶片的优化设计（[[雷诺数]]约10^6量级）。研究发现：[[RANS]]-[[LES]]相关性在最优区域附近减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金（[[SFK]]）模型，能有效整合丰富的低精度数据和稀缺的高精度数据；[[RANS]]可准确预测全局目标函数趋势却无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项回顾性研究基于[[3T]]场强下获取的96,605例[[心脏]]回顾性门控[[电影复合成像]]序列（共2,885,236幅图像）的大规模数据集，采用两种主干架构训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，利用[[MRI重建]]过程的知识来提升去噪性能。在3000个样本的保留[[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]]场强下获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的泛化能力。分布内测试中的最佳模型在分布外样本中表现出良好泛化性，对[[实时电影]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1 MPRAGE]][[神经]][[3D扫描]]和[[T2 TSE]][[脊柱]][[MRI]]也展现出优秀泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高保真方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）构建低维设计空间表示，并建立融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的[[多保真协同克里金]]（[[MFK]]）代理模型。通过[[自适应填充准则]]，在有限计算资源内（少于10个[[LES]]样本）实现代理模型的战略增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮叶片]]的优化设计（[[雷诺数]]约10^6）。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金（[[SFK]]）模型，能有效整合丰富的低保真数据和稀缺的高保真数据；[[RANS]]虽能准确预测全局目标函数趋势，但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]]场强下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合成像]]序列（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，利用[[MRI重建]]过程的知识来提升去噪性能。在[[分布内测试]]中，使用3000个保留样本进行[[验证]]，通过[[PSNR]]和[[SSIM]]指标评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]]场强下获取的[[心脏]][[实时电影成像]]、[[首过心脏灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的泛化能力。分布内测试中的最佳模型在分布外样本上表现出良好泛化性，对[[实时电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高保真方法。然而在高[[雷诺数]]下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的多保真协同克里金([[MFK]])代理模型。通过自适应填充准则，在有限计算资源(少于10个[[LES]]样本)内实现代理模型的策略性增强。该方法被应用于优化[[有机朗肯循环]]([[ORC]])中超音速涡轮导叶([[雷诺数]]约10^6)。研究表明：虽然在最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效利用丰富的低保真数据和稀缺的高保真数据。[[RANS]]能准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI重建]]过程知识来提升去噪性能。在保留的3000个样本[[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影成像]]、[[首过]][[心脏]][[灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]]样本中表现出良好[[泛化性]]，对[[实时]][[电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们通过[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的多保真[[协同克里金]]（[[MFK]]）代理模型。采用自适应填充准则，在有限计算资源（少于10个[[LES]]样本）下策略性地增强代理模型精度。该方法应用于[[有机朗肯循环]]（[[ORC]]）[[超音速涡轮导叶]]优化，工作[[雷诺数]]达~10^6量级。研究发现：[[RANS]]-[[LES]]相关性在最优区域附近减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真[[克里金]]（[[SFK]]）模型，能有效整合丰富的低精度数据和稀缺的高精度数据；[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升[[去噪]]性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积]][[模型]]。提出的[[SNRAware]][[训练方案]]通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI]][[重建]]过程的[[知识]]提升[[去噪]]性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影]][[成像]]、[[首过]][[心脏]][[灌注]][[成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]]样本中表现出良好[[泛化性]]，对[[实时]][[电影]]和[[灌注]][[成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多保真度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的性价比优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])和[[RANS]]的[[多保真协同克里金]]([[MFK]])代理模型。通过自适应填充准则，在有限计算资源(少于10个[[LES]]样本)下策略性地完善代理模型。该方法被应用于优化[[有机朗肯循环]]([[ORC]])中[[超音速涡轮叶片]]([[雷诺数]]约10^6)。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效利用丰富的低精度数据和稀缺的高精度数据；[[RANS]]虽能准确预测全局目标函数趋势，但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的几何细节趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积]][[模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，利用[[MRI]][[重建]]过程知识来提升去噪性能。在3000个样本的保留[[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影]][[成像]]、[[首过]][[心脏]][[灌注]][[成像]]以及[[神经]][[脊柱]][[MRI]]展开，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]]样本中表现出良好[[泛化性]]，对[[实时]][[电影]][[成像]]和[[灌注]][[成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高保真方法。然而在高[[雷诺数]]下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的多保真协同克里金([[MFK]])代理模型。通过在有限计算资源内(少于10个[[LES]]样本)采用自适应填充准则，策略性地丰富代理模型。该方法被应用于优化[[有机朗肯循环]]([[ORC]])中超音速涡轮导叶，其工作[[雷诺数]]达~10^6量级。研究显示：虽然在最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，有效利用了丰富的低保真数据和稀缺的高保真数据。[[RANS]]能准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型则能捕捉[[LES]]揭示的精细几何趋势。损失分析表明，[[LES]]对于识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项回顾性研究基于[[3T]]场强下获取的96,605例[[心脏]]回顾性门控[[电影复合成像]]序列（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种主干架构训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，从而利用[[MRI重建]]过程的知识提升去噪性能。在3000个样本的保留[[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]]场强下获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的泛化能力。[[分布内测试]]中的最佳模型在[[分布外样本]]上表现出良好[[泛化性]]，对[[实时电影]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，使用100%[[心脏电影]]数据训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：针对涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等高[[雷诺数]]流动的复杂现象，本文提出了一种经济高效的多目标形状优化策略。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的多保真协同克里金([[MFK]])代理模型。通过自适应填充准则，在有限计算资源内(少于10个[[LES]]样本)实现代理模型的战略增强。该方法应用于[[有机朗肯循环]]([[ORC]])中[[超音速涡轮叶片]]的优化设计([[雷诺数]]约10^6)。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型表现优于基于相同[[LES]]数据的单保真克里金([[SFK]])，能有效整合丰富的低精度和稀缺的高精度数据；[[RANS]]虽能准确预测全局目标函数趋势，却无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605个[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI重建]]过程的[[知识]]提升去噪性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影成像]]、[[首过]][[心脏]][[灌注成像]]以及[[神经]][[脊柱]][[MRI]]展开，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外样本]]中表现出良好[[泛化性]]，对[[实时]][[电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于LES指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们通过[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的多保真协同克里金([[MFK]])代理模型。采用自适应填充准则，在有限计算资源内(少于10个[[LES]]样本)实现代理模型的策略性增强。该方法应用于[[有机朗肯循环]]([[ORC]])中超音速涡轮叶片的优化设计([[雷诺数]]约10^6)。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效利用丰富的低精度数据和稀缺的高精度数据；[[RANS]]虽能准确预测全局目标函数趋势，但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升[[去噪]]性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像]][[序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积]][[模型]]。提出的[[SNRAware]][[训练]][[方案]]通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，利用[[MRI]][[重建]]过程的[[知识]]来提升[[去噪]]性能。在留出的3000个[[样本]][[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未采用[[噪声]][[增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影]][[成像]]、[[首过]][[心脏]][[灌注]][[成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型在[[成像序列]]、[[动态]][[对比度]][[变化]]、不同[[解剖结构]]和[[场强]]间的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]][[样本]]上表现出良好[[泛化性]]，对[[实时]][[电影]]和[[灌注]][[成像]]分别实现6.5倍和2.9倍的[[CNR]][[提升]]。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们通过[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的多保真[[协同克里金]]（[[MFK]]）代理模型。采用[[自适应填充准则]]，在有限计算资源（少于10个[[LES]]样本）下策略性地增强代理模型精度。该方法应用于[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮导叶]]的优化设计（[[雷诺数]]约10^6量级）。研究表明：虽然在最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真[[克里金]]（[[SFK]]）模型，能有效整合丰富的低精度和稀缺的高精度数据；[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的几何细节趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像]][[序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积]][[模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，利用[[MRI]][[重建]]过程知识来提升去噪性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未进行[[噪声]][[增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影]][[成像]]、[[首过]][[心脏]][[灌注]][[成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型跨[[成像序列]]、[[动态]][[对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]]样本上表现出良好[[泛化性]]，对[[实时]][[电影]]和[[灌注]][[成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的多保真协同克里金([[MFK]])代理模型。通过自适应填充准则，在有限计算资源内(少于10个[[LES]]样本)实现代理模型的策略性增强。该方法被应用于优化[[有机朗肯循环]]([[ORC]])中超音速涡轮导叶，其工作[[雷诺数]]达~10^6量级。研究表明：虽然在最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效利用丰富的低精度数据和稀缺的高精度数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的几何细节趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI]][[重建]]过程的[[知识]]提升去噪性能。在[[分布内测试]]中，使用3000个保留样本进行[[验证]]，通过[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影成像]]、[[首过]][[心脏]][[灌注成像]]以及[[神经]][[脊柱]][[MRI]]展开，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外样本]]中表现出优异[[泛化性]]，分别为[[实时]][[电影成像]]和[[灌注成像]]带来6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出良好的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）构建低维设计空间表示，并建立融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]数据的多保真[[协同克里金]]（[[MFK]]）代理模型。通过自适应填充准则，在有限计算资源内（少于10个[[LES]]样本）实现代理模型的战略增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）[[超音速涡轮叶片]]的优化设计（[[雷诺数]]约10^6）。研究表明：虽然[[RANS]]-[[LES]]相关性在最优区域附近减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真[[克里金]]（[[SFK]]）模型，能有效利用丰富的低精度和稀缺的高精度数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积]][[模型]]。提出的[[SNRAware]][[训练方案]]通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI]][[重建]]过程知识来提升[[去噪]]性能。在保留的3000个样本[[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未采用[[噪声]][[增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影]][[成像]]、[[首过]][[心脏]][[灌注]][[成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型跨[[成像序列]]、[[动态]][[对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]]样本中表现出良好[[泛化性]]，对[[实时]][[电影]][[成像]]和[[灌注]][[成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多保真度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而在高[[雷诺数]]下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为解决此问题，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]数据的多保真协同克里金([[MFK]])代理模型。通过在有限计算资源内(少于10个[[LES]]样本)采用自适应填充准则，实现了代理模型的策略性优化。该方法被应用于优化[[有机朗肯循环]]([[ORC]])中超音速涡轮叶片的[[雷诺数]]达~10^6的流动工况。研究表明：虽然[[RANS]]-[[LES]]相关性在最优区域附近减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效利用丰富的低精度数据和稀缺的高精度数据。[[RANS]]虽能准确预测全局目标函数趋势，却无法解析关键流动特征；而[[MFK]]模型则能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对于识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项回顾性研究基于[[3T]]场强下获取的96,605例[[心脏]]回顾性门控[[电影复合成像]]序列（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，从而利用[[MRI重建]]过程知识来提升去噪性能。在[[分布内测试]]中，使用3000个保留样本进行[[验证]]，通过[[PSNR]]和[[SSIM]]指标评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]]场强下获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经脊柱]][[MRI]]展开，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的泛化能力。分布内测试中的最佳模型在分布外样本上表现出良好泛化性：[[实时电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高保真方法。然而在高[[雷诺数]]下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）构建低维设计空间表示，并建立融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的多保真[[协同克里金]]（[[MFK]]）代理模型。通过自适应填充准则，在有限计算资源内（少于10个[[LES]]样本）实现代理模型的策略性增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮导叶]]的优化设计（[[雷诺数]]约10^6）。研究表明：虽然在最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真[[克里金]]（[[SFK]]）模型，能有效利用丰富的低保真数据和稀缺的高保真数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI重建]]过程的[[知识]]提升去噪性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影成像]]、[[首过]][[心脏]][[灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外样本]]中表现出良好[[泛化性]]，对[[实时]][[电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流]]尾迹等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而高[[雷诺数]]下[[LES]]计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的[[多保真协同克里金]]([[MFK]])代理模型。通过自适应填充准则，在有限计算资源内(少于10个[[LES]]样本)实现代理模型的战略增强。该方法应用于[[有机朗肯循环]]([[ORC]])中[[超音速]]涡轮导叶的优化设计([[雷诺数]]约10^6级)。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型表现优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效整合丰富的低精度数据和稀缺的高精度数据；[[RANS]]虽能准确预测全局目标函数趋势，但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI]][[重建]]过程的[[知识]]提升去噪性能。在[[分布内测试]]中，使用3000个保留样本进行[[验证]]，通过[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未采用[[噪声]][[增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影]][[成像]]、[[首过]][[心脏]][[灌注]][[成像]]以及[[神经]][[脊柱]][[MRI]]展开，以验证模型跨[[成像序列]]、[[动态]][[对比度]][[变化]]、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]][[样本]]中表现出良好[[泛化性]]，对[[实时]][[电影]]和[[灌注]][[成像]]分别实现6.5倍和2.9倍的[[CNR]][[提升]]。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流]]尾迹等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高保真方法。然而在高[[雷诺数]]下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的多保真协同克里金([[MFK]])代理模型。通过在有限计算资源内(少于10个[[LES]]样本)采用自适应填充准则，策略性地增强代理模型精度。该方法被应用于优化[[有机朗肯循环]]([[ORC]])中超音速涡轮导叶([[雷诺数]]约10^6量级)。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型表现优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效整合丰富的低保真数据和稀缺的高保真数据；[[RANS]]虽能准确预测全局目标函数趋势，却无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势；损失分析表明，[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI重建]]过程的[[知识]]来提升去噪性能。在[[分布内测试]]中，使用3000个保留样本进行[[验证]]，通过[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影成像]]、[[首过]][[心脏]][[灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型在[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]间的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外样本]]中表现出良好[[泛化性]]：[[实时]][[电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而高[[雷诺数]]下[[LES]]计算成本过高，难以直接用于优化设计。为此，我们通过[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的[[多保真协同克里金]]([[MFK]])代理模型。采用[[自适应填充准则]]在有限计算资源内(少于10个[[LES]]样本)策略性地完善代理模型。该方法应用于[[有机朗肯循环]]([[ORC]])[[超音速涡轮导叶]]优化([[雷诺数]]约10^6)。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型表现优于基于相同[[LES]]数据的单保真克里金([[SFK]])，能有效整合大量低精度和少量高精度数据；[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的几何细节趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅用[[RANS]]优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积]][[模型]]。提出的[[SNRAware]][[训练方案]]通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，利用[[MRI]][[重建]]过程的[[知识]]来提升去噪性能。在3000个样本的保留[[测试集]]上进行[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未采用[[噪声]][[增强]]的[[消融实验]]进行对比。[[分布外测试]]涵盖[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影]][[成像]]、[[首过]][[心脏]][[灌注]][[成像]]以及[[神经]][[脊柱]][[MRI]]，用于验证模型跨[[成像序列]]、[[动态]][[对比度]][[变化]]、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳[[模型]]在[[分布外]][[样本]]中表现出良好[[泛化性]]，对[[实时]][[电影]]和[[灌注]][[成像]]分别实现6.5倍和2.9倍的[[CNR]][[提升]]。此外，仅使用[[心脏]][[电影]][[数据]]训练的[[模型]]对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高保真方法。然而在高[[雷诺数]]下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])构建低维设计空间表示，并建立融合[[壁面解析LES]]([[WRLES]])与[[RANS]]数据的多保真协同克里金([[MFK]])代理模型。通过自适应填充准则，在有限计算资源(少于10个[[LES]]样本)内实现代理模型的战略增强。该方法应用于[[有机朗肯循环]]([[ORC]])中超音速涡轮叶片的优化设计([[雷诺数]]约10^6)。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型表现优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，有效融合了丰富的低保真数据和稀缺的高保真数据。[[RANS]]能准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型则能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升[[去噪]]性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的[[大规模数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟[[大规模]]、[[高质量]]且[[多样化]]的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI重建]]过程的[[知识]]提升[[去噪]]性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影成像]]、[[首过]][[心脏]][[灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]]样本中表现出良好[[泛化性]]，对[[实时]][[电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高保真方法。然而高[[雷诺数]]下[[LES]]计算成本过高，难以直接用于优化设计。为此，我们通过[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的多保真协同克里金([[MFK]])代理模型。采用自适应填充准则在有限计算资源内(少于10个[[LES]]样本)策略性地增强代理模型。该方法应用于[[有机朗肯循环]]([[ORC]])中超音速涡轮叶片的优化设计([[雷诺数]]约10^6)。研究表明：虽然最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])，能有效利用丰富的低保真和稀缺的高保真数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合成像]][[序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，利用[[MRI重建]]过程知识来提升去噪性能。在3000个样本的[[保留测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]][[场强]]下获取的[[心脏]][[实时电影]][[成像]]、[[首过]][[心脏]][[灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]]样本中表现出良好[[泛化性]]，分别为[[实时电影]][[成像]]和[[灌注成像]]带来6.5倍和2.9倍的[[CNR]]提升。此外，使用100%[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而在高[[雷诺数]]下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的多保真协同克里金([[MFK]])代理模型。通过自适应填充准则，在有限计算资源内(少于10个[[LES]]样本)实现代理模型的策略性增强。该方法被应用于优化[[有机朗肯循环]]([[ORC]])中超音速涡轮导叶，其工作[[雷诺数]]达~10^6量级。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型表现优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效利用丰富的低精度数据和稀缺的高精度数据；[[RANS]]虽能准确预测全局目标函数趋势，却无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势；损失分析表明，[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的[[定量]][[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项[[回顾性研究]]基于[[3T]][[场强]]下获取的96,605例[[心脏]][[回顾性门控]][[电影]][[复合]][[成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种[[主干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的[[定量信息]]，从而利用[[MRI重建]]过程的[[知识]]来提升去噪性能。在保留的3000个样本[[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]][[指标]]评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]][[场强]]下获取的[[心脏]][[实时]][[电影成像]]、[[首过]][[心脏]][[灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型在[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]间的[[泛化能力]]。[[分布内测试]]中的最佳模型在[[分布外]]样本中表现出良好[[泛化性]]，对[[实时]][[电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏]][[电影]][[数据]]训练的模型对[[T1]][[MPRAGE]][[神经]][[3D]][[扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀的[[泛化性能]]。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于LES引导的高雷诺数涡轮流动优化的经济型多保真度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们通过[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的多保真协同克里金([[MFK]])代理模型。采用自适应填充准则，在有限计算资源内(少于10个[[LES]]样本)策略性地完善代理模型。该方法应用于[[有机朗肯循环]]([[ORC]])中超音速涡轮导叶的优化设计([[雷诺数]]约10^6量级)。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效整合丰富的低精度数据和稀缺的高精度数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的几何细节趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项回顾性研究基于[[3T]]场强下获取的96,605例[[心脏]]回顾性门控[[电影复合成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种主干架构训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，从而利用[[MRI重建]]过程的知识提升去噪性能。在[[分布内测试]]中，使用3000个保留样本进行验证，通过[[PSNR]]和[[SSIM]]指标评估性能，并与未采用[[噪声增强]]的消融实验进行对比。[[分布外测试]]则针对[[1.5T]]场强下获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型在[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]间的泛化能力。分布内测试中的最佳模型在分布外样本中表现出良好泛化性，对[[实时电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1 MPRAGE]][[神经]][[3D扫描]]和[[T2 TSE]][[脊柱]][[MRI]]也展现出优秀的泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]（[[LES]]）等高保真方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）建立低维设计空间表征，并构建融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]的多保真协同克里金（[[MFK]]）代理模型。通过自适应填充准则，在有限计算资源内（少于10个[[LES]]样本）实现代理模型的策略性增强。该方法应用于[[有机朗肯循环]]（[[ORC]]）中[[超音速涡轮导叶]]的优化设计（[[雷诺数]]约10^6量级）。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金（[[SFK]]）模型，能有效整合丰富的低保真数据和稀缺的高保真数据；[[RANS]]虽能准确预测全局目标函数趋势，但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项回顾性研究基于[[3T]]场强下获取的96,605个[[心脏]]回顾性门控[[电影复合成像]]序列中的2,885,236幅[[图像]][[大数据集]]，采用两种[[骨干架构]]训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，利用[[MRI重建]]过程知识来提升去噪性能。在3000个样本的保留[[测试集]]上进行了[[分布内测试]]，使用[[PSNR]]和[[SSIM]]指标评估性能，并与未采用[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则在[[1.5T]]场强下获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]上进行，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的泛化能力。分布内测试中的最佳模型在分布外样本中表现出良好泛化性，分别实现[[实时电影成像]]6.5倍和[[灌注成像]]2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])和[[RANS]]的多保真协同克里金([[MFK]])代理模型。通过自适应填充准则，在有限计算资源内(少于10个[[LES]]样本)实现代理模型的策略性增强。该方法应用于[[有机朗肯循环]]([[ORC]])中超音速涡轮导叶的优化设计([[雷诺数]]约10^6)。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效利用丰富的低精度数据和稀缺的高精度数据；[[RANS]]虽能准确预测全局目标函数趋势，但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的几何细节趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项回顾性研究基于[[3T]]场强下获取的96,605例[[心脏]]回顾性门控[[电影复合成像序列]]（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种主干架构训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，从而利用[[MRI重建]]过程的知识提升去噪性能。在[[分布内测试]]中，使用3000个保留样本进行验证，通过[[PSNR]]和[[SSIM]]指标评估性能，并与未采用[[噪声增强]]的消融实验进行对比。[[分布外测试]]则针对[[1.5T]]场强下获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型跨[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]的泛化能力。分布内测试中的最佳模型在分布外样本中表现出良好泛化性，对[[实时电影]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1]][[MPRAGE]][[神经]][[3D扫描]]和[[T2]][[TSE]][[脊柱]][[MRI]]也展现出优秀泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而在高[[雷诺数]]下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])和[[RANS]]数据的多保真协同克里金([[MFK]])代理模型。通过自适应填充准则，在有限计算资源(少于10个[[LES]]样本)下实现代理模型的策略性优化。该方法应用于[[有机朗肯循环]]([[ORC]])中超音速涡轮叶片的优化设计([[雷诺数]]约10^6)。研究发现：在最优区域附近[[RANS]]-[[LES]]相关性减弱时，[[MFK]]模型表现优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效利用丰富的低精度数据和稀缺的高精度数据；[[RANS]]虽能准确预测全局目标函数趋势，却无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势；损失分析表明[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：SNRAware: Improved Deep Learning MRI Denoising with SNR Unit Training and G-factor Map Augmentation * '''中文标题'''：SNRAware：基于信噪比单元训练和G因子图增强的改进型深度学习MRI去噪方法 * '''发布日期'''：2025-03-23 18:16:36+00:00 * '''作者'''：Hui Xue, Sarah M. Hooper, Iain Pierce, Rhodri H. Davies, John Stairs, Joseph Naegele, Adrienne E. Campbell-Washburn, Charlotte Manisty, James C. Moon, Thomas A. Treibel, Peter Kellman, Michael S. Hansen * '''分类'''：physics.med-ph, cs.AI, cs.CV, eess.IV *'''原文链接'''：http://arxiv.org/abs/2503.18162v1 '''中文摘要'''：摘要：本研究旨在开发并评估一种新型[[深度学习]][[MRI]]去噪方法，该方法利用[[重建]]过程中的定量[[噪声分布]]信息来提升去噪性能与[[泛化能力]]。这项回顾性研究基于[[3T]]场强下获取的96,605例[[心脏]]回顾性门控[[电影复合成像]]序列（共2,885,236幅[[图像]]）的大规模[[数据集]]，采用两种主干架构训练了14种不同的[[Transformer]]和[[卷积模型]]。提出的[[SNRAware]]训练方案通过模拟大规模、高质量且多样化的[[合成数据集]]，并向模型提供[[噪声分布]]的定量信息，从而利用[[MRI重建]]过程的知识提升去噪性能。在[[分布内测试]]中，使用3000个样本的保留数据集进行验证，通过[[PSNR]]和[[SSIM]]指标评估性能，并与未进行[[噪声增强]]的[[消融实验]]进行对比。[[分布外测试]]则针对[[1.5T]]场强下获取的[[心脏实时电影成像]]、[[首过心脏灌注成像]]以及[[神经]]和[[脊柱]][[MRI]]展开，以验证模型在[[成像序列]]、[[动态对比度]]变化、不同[[解剖结构]]和[[场强]]间的泛化能力。分布内测试中的最佳模型在分布外样本中表现出良好泛化性，对[[实时电影成像]]和[[灌注成像]]分别实现6.5倍和2.9倍的[[CNR]]提升。此外，仅使用[[心脏电影]]数据训练的模型对[[T1 MPRAGE]][[神经]][[3D扫描]]和[[T2 TSE]][[脊柱]][[MRI]]也展现出优秀的泛化性能。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多保真度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高保真方法。然而在高[[雷诺数]]下，[[LES]]的计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])构建低维设计空间表示，并建立融合[[壁面解析LES]]([[WRLES]])和[[RANS]]的多保真协同克里金([[MFK]])代理模型。通过自适应填充准则，在有限计算资源内(少于10个[[LES]]样本)策略性地增强代理模型精度。该方法应用于优化[[有机朗肯循环]]([[ORC]])中超音速涡轮导叶([[雷诺数]]约10^6)。研究表明：虽然[[RANS]]-[[LES]]相关性在最优区域附近减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])，能有效利用丰富的低保真数据和稀缺的高保真数据。[[RANS]]能准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：针对涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等高[[雷诺数]]复杂流动现象，本文提出了一种经济高效的多目标形状优化策略。[[雷诺平均Navier-Stokes]]（[[RANS]]）模型难以准确捕捉这些流动过程，因此需要采用[[大涡模拟]]（[[LES]]）等高精度方法。然而高[[雷诺数]]下[[LES]]计算成本过高，难以直接用于优化设计。为此，我们采用[[奇异值分解]]（[[SVD]]）构建低维设计空间表示，并建立融合[[壁面解析LES]]（[[WRLES]]）与[[RANS]]数据的多保真协同克里金（[[MFK]]）代理模型。通过自适应填充准则，在有限计算资源（少于10个[[LES]]样本）下实现代理模型的策略性增强。该方法应用于[[雷诺数]]约10^6的[[有机朗肯循环]]（[[ORC]]）[[超音速涡轮导叶]]优化。研究表明：虽然最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型性能优于基于相同[[LES]]数据的单保真克里金（[[SFK]]）模型，有效融合了丰富的低精度数据和稀缺的高精度数据。[[RANS]]能准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型可捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波]]相互作用和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])建立低维设计空间表征，并构建融合[[壁面解析LES]]([[WRLES]])与[[RANS]]数据的多保真协同克里金([[MFK]])代理模型。通过自适应填充准则，在有限计算资源(少于10个[[LES]]样本)下实现代理模型的策略性增强。该方法应用于[[有机朗肯循环]]([[ORC]])中超音速涡轮叶片的优化设计([[雷诺数]]约10^6)。研究表明：虽然在最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，能有效利用丰富的低精度数据和稀缺的高精度数据。[[RANS]]可准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。 == 摘要 == * '''原文标题'''：Cost-effective multi-fidelity strategy for the optimization of high-Reynolds number turbine flows guided by LES * '''中文标题'''：基于大涡模拟指导的高雷诺数涡轮流动优化的经济型多精度策略 * '''发布日期'''：2025-03-23 08:14:18+00:00 * '''作者'''：Camille Matar, Paola Cinnella, Xavier Gloerfelt * '''分类'''：physics.flu-dyn, physics.comp-ph *'''原文链接'''：http://arxiv.org/abs/2503.17977v1 '''中文摘要'''：摘要：本文提出了一种针对高[[雷诺数]]流动的成本效益型多目标形状优化策略，该流动涉及[[边界层转捩]]、[[激波相互作用]]和[[湍流尾迹]]等复杂现象。[[雷诺平均纳维-斯托克斯]]([[RANS]])模型难以准确捕捉这些流动特征，因此需要采用[[大涡模拟]]([[LES]])等高精度方法。然而在高[[雷诺数]]条件下，[[LES]]的计算成本令人望而却步，难以直接用于优化设计。为此，我们采用[[奇异值分解]]([[SVD]])构建低维设计空间表示，并建立融合[[壁面解析LES]]([[WRLES]])与[[RANS]]的[[多保真协同克里金]]([[MFK]])代理模型。通过自适应填充准则，在有限计算资源内(少于10个[[LES]]样本)实现代理模型的策略性增强。该方法被应用于优化[[有机朗肯循环]]([[ORC]])中超音速[[涡轮叶片]]，其工作[[雷诺数]]达~10^6量级。研究发现：虽然在最优区域附近[[RANS]]-[[LES]]相关性减弱，但[[MFK]]模型的表现优于基于相同[[LES]]数据的单保真克里金([[SFK]])模型，有效融合了丰富的低精度数据和稀缺的高精度数据。[[RANS]]能准确预测全局目标函数趋势但无法解析关键流动特征，而[[MFK]]模型则能捕捉[[LES]]揭示的精细几何趋势。损失分析表明：[[LES]]对识别性能损害机制至关重要，而仅依赖[[RANS]]的优化会导致次优设计。
返回
WikiEdge:ArXiv速递/2025-03-23
。
导航菜单
个人工具
创建账号
登录
命名空间
项目页面
讨论
不转换
不转换
简体
繁體
大陆简体
香港繁體
澳門繁體
大马简体
新加坡简体
臺灣正體
查看
阅读
查看源代码
查看历史
更多
搜索
导航
首页
最近更改
随机页面
MediaWiki帮助
工具
链入页面
相关更改
特殊页面
页面信息