基于人工智能的域分解非侵入式降阶模型用于扩展域及管道内多相流应用
流体动力学
2022-12-06 v1 机器学习
摘要
由于域的高长宽比（长度比直径），管道内多相流的建模对高分辨率计算流体动力学（CFD）模型提出了重大挑战。在海底应用中，管道长度可达数百公里，而直径仅几英寸。本文提出了一种域分解框架内的基于人工智能的非侵入式降阶模型（AI-DDNIROM），能够对远大于训练所用域的域进行预测。这是通过域分解、维度约简、训练神经网络对单个子域进行预测，以及使用逐子域迭代技术使整个域上的解收敛来实现的。为寻找低维空间，我们探索了多种自编码器网络，其以准确紧凑压缩信息的能力而著称。自编码器的性能在两个平流主导问题上评估：圆柱绕流和管道内段塞流。为进行时间预测，我们利用了对抗网络，其旨在学习训练数据的分布，并学习特定输入与输出之间的映射。此类网络已展现出生成真实输出的潜力。整个框架应用于水平管道内的多相段塞流，其中 AI-DDNIROM 在长宽比 13:1、长 10 m 管道的高保真 CFD 模拟上训练，并通过模拟长宽比近 130:1、长 98 m 的管道流进行测试。将 CFD 模拟得到的流统计量与 AI-DDNIROM 预测结果进行比较，以证明我们方法的成功。
引用
@article{arxiv.2202.06170,
title = {An AI-based Domain-Decomposition Non-Intrusive Reduced-Order Model for Extended Domains applied to Multiphase Flow in Pipes},
author = {Claire E. Heaney and Zef Wolffs and Jón Atli Tómasson and Lyes Kahouadji and Pablo Salinas and André Nicolle and Omar K. Matar and Ionel M. Navon and Narakorn Srinil and Christopher C. Pain},
journal= {arXiv preprint arXiv:2202.06170},
year = {2022}
}
备注
38 pages, 11 figures