基于机器学习的非线性晃荡参数化表示表征框架

针对容器内液体晃荡建立参数化表示的兴趣日益增长，源于其在现代工程系统中的实际应用。另一方面，共振激励会引发不稳定和非线性水波，导致混沌运动与非高斯信号。本文提出一种基于机器学习的非线性液体晃荡表示学习新框架。所提方法是一种基于序列学习与稀疏正则化的参数化建模技术。动力学被划分为两部分：线性演化与非线性强迫。前者在嵌入流形上推进动力系统的时间演化，而后者导致时间演化中的发散行为，如突发与切换。所提框架的优越性通过使用水平激励下、宽频率范围及多种垂直板栅设置的容器内液体晃荡实验数据集得以展示。