用于湍流时空潜表示的卷积自编码器
流体动力学
2023-06-21 v2 机器学习
混沌动力学
摘要
湍流以混沌动力学和高维状态空间为特征，这使得该现象难以预测。然而，湍流流动通常具有相干的时空结构，例如涡旋或大尺度模态，这有助于获得湍流的潜表示。但是，现有方法常受限于以下两点：要么需要对定义流动结构所关联等值面的量使用某种形式的阈值处理，要么受限于传统模态流分解方法（如基于本征正交分解的方法）的线性。在表现出极端事件的流动中，这一问题更加严重，极端事件是指湍流状态中罕见且突发的改变。本文的目标是获得表现出极端事件的湍流流动的高效且精确的降阶潜表示。具体而言，我们采用三维多尺度卷积自编码器（CAE）来获得此种潜表示。我们将其应用于三维湍流流动。我们表明，多尺度CAE是高效的，在压缩数据方面所需自由度少于本征正交分解的10%，并且能精确重建与极端事件相关的流动状态。所提出的深度学习架构为从数据出发的湍流非线性降阶建模提供了机会。
引用
@article{arxiv.2301.13728,
title = {Convolutional autoencoder for the spatiotemporal latent representation of turbulence},
author = {Nguyen Anh Khoa Doan and Alberto Racca and Luca Magri},
journal= {arXiv preprint arXiv:2301.13728},
year = {2023}
}