一种用于流固耦合的混合数据驱动深度学习技术
计算物理
2019-02-15 v2 流体动力学
摘要
本文关注于开发一种用于非定常流固耦合系统的混合数据驱动技术。所提出的数据驱动技术将深度学习框架与基于投影的低阶建模相结合。深度学习从黑箱求解器产生的数据集中提供低维近似，而基于投影的模型通过将原始高维模型投影到低维子空间来构造低维近似。本文特别关注预测受尾流-物体同步作用的自由振动钝体非定常流场的长时间序列。我们考虑使用卷积神经网络（CNN）来学习尾流-物体相互作用的动力学，其将线性卷积层与非线性激活层组合以自动提取低维流动特征。利用来自稳定化有限元 Navier-Stokes 求解器的高保真时间序列数据，我们首先通过本征正交分解（POD）技术将数据集投影到低维子空间。POD 子空间的时间相关系数通过具有非线性修正的 CNN 映射到流场，并且当输入新流场时，CNN 使用随机梯度下降方法迭代训练以预测 POD 时间系数。时间平均流场、POD 基向量和训练好的 CNN 用于预测流场的长时间序列，并且流动预测与全阶（高维）模拟数据进行定量评估。所提出的基于数据驱动近似的 POD-CNN 模型在整个流体域（包括自由振动钝体后高度非线性的近尾流区）具有显著的精度。
引用
@article{arxiv.1807.09591,
title = {A Hybrid Data-driven Deep Learning Technique for Fluid-Structure Interaction},
author = {T. P. Miyanawala and R. K. Jaiman},
journal= {arXiv preprint arXiv:1807.09591},
year = {2019}
}
备注
10 pages, 6 figures, under consideration to be published in OMAE 2019