基于深度学习的 LSTM 神经网络湍流流控降阶建模方法
计算物理
2018-04-26 v1 流体动力学
摘要
由于高保真 CFD 所提供的对湍流前所未有的物理洞察，面向工程应用的降阶模型（ROM）在过去几十年中一直是主要研究焦点。ROM 的主要目标是在不求解完整 Navier-Stokes（NS）方程的情况下对流场的关键物理/特征进行建模。这通过将高维动力学投影到低维子空间来实现，通常采用本征正交分解（POD）等降维技术结合 Galerkin 投影。本工作中，我们展示一种基于深度学习的方法，利用典型 DNS 数据集的 POD 基来构建面向湍流流控应用的 ROM。我们发现一类循环神经网络——长短期记忆（LSTM）网络，其主要被用于语音建模与语言翻译等问题——在建模湍流时间动力学方面展现出吸引人的潜力。此外，我们引入赫斯特指数作为研究 LSTM 对非平稳数据行为的工具，并揭示了可能有助于多种应用 ROM 开发的有用特性。
引用
@article{arxiv.1804.09269,
title = {A Deep Learning based Approach to Reduced Order Modeling for Turbulent Flow Control using LSTM Neural Networks},
author = {Arvind T. Mohan and Datta V. Gaitonde},
journal= {arXiv preprint arXiv:1804.09269},
year = {2018}
}