基于自编码器的特征值问题降阶模型及其在中子扩散中的应用
数值分析
2022-12-06 v1 机器学习
数值分析
计算物理
机器学习
摘要
本文利用自编码器进行降维，提出一种新颖的基于投影的特征值问题降阶模型。降阶建模依赖于寻找合适的基函数，以定义一个低维空间，在其中对高维系统进行逼近。恰当正交分解（POD）与奇异值分解（SVD）常用于此目的，并给出最优线性子空间。自编码器提供了 POD/SVD 的非线性替代方案，可更高效捕捉高保真模型结果中的特征或模式。我们开发了基于自编码器及一种新颖混合 SVD-自编码器的降阶模型。将这些方法与标准 POD-Galerkin 方法比较，并应用于核反应堆物理领域两个测试用例。
引用
@article{arxiv.2008.10532,
title = {An autoencoder-based reduced-order model for eigenvalue problems with application to neutron diffusion},
author = {Toby Phillips and Claire E. Heaney and Paul N. Smith and Christopher C. Pain},
journal= {arXiv preprint arXiv:2008.10532},
year = {2022}
}
备注
35 pages, 33 figures