基于共峰度 PCA 的降维及使用神经网络的非线性重构
流体动力学
2023-07-10 v1 计算物理
摘要
对湍流反应流，识别热化学状态空间的低维表示至关重要，主要用以显著降低器件级仿真的计算代价。主成分分析（PCA）及其变体是一类广泛应用的方法。近来，一种关注高阶统计交互的替代技术——共峰度 PCA（CoK-PCA）——已被证明可通过捕捉与时空局部化反应区相关的刚性化学动力学有效提供低维表示。尽管其有效性仅基于线性重构的先验分析得到展示，本文中我们采用非线性技术重构完整热化学状态，并评估 CoK-PCA 相较 PCA 的效能。具体而言，我们将基于 CoK-PCA/PCA 的降维（编码）与基于人工神经网络（ANN）的重构（解码）结合，并先验考察热化学状态的重构误差。此外，我们评估作为重构状态非线性函数的物种生成率与放热率误差，作为降维技术总体精度的度量。我们采用四个数据集评估 CoK-PCA/PCA 耦合 ANN 重构：乙烯/空气混合物的均相反应器自燃（具常规单阶段点火动力学）、二甲醚（DME）/空气混合物（具两阶段点火动力学）、一维自由传播预混乙烯/空气层流火焰、以及二维乙醇均质充量压燃。分析证明了 CoK-PCA 低维流形结合 ANN 重构在准确捕捉数据（尤其反应区数据）上的鲁棒性。
引用
@article{arxiv.2307.03289,
title = {A co-kurtosis PCA based dimensionality reduction with nonlinear reconstruction using neural networks},
author = {Dibyajyoti Nayak and Anirudh Jonnalagadda and Uma Balakrishnan and Hemanth Kolla and Konduri Aditya},
journal= {arXiv preprint arXiv:2307.03289},
year = {2023}
}
备注
19 pages, 18 figures