用于设计探索的数据驱动分析与基于共同本征正交分解（CPOD）的时空仿真器

本研究提出一个用高保真模拟结果训练的数据驱动框架，以辅助燃烧室设计的决策。其核心是一个采用克里金（kriging）机器学习技术的代理模型，该模型与数据驱动的基函数相结合，以提取和建模潜在的相干结构。此仿真框架涵盖关键设计参数敏感性分析、基于物理的设计参数集分类，以及用于高效设计调查的流动演化建模。为了更好地向模型提供可量化的物理知识，框架中纳入了使用Sobol'指数的敏感性分析和决策树。这些信息改进了代理模型的训练过程，该过程在克里金模型的设计空间上使用基函数作为回归函数。所提出方法的新颖之处在于通过共同本征正交分解（Common Proper Orthogonal Decomposition）构建模型，该方法允许数据缩减和提取共同的相干结构。评估了其对新型旋流喷射器设计平均流动特征的预测精度，并以功率谱密度形式捕获了动态流场。此数据驱动框架还展示了预测的不确定性量化，为模型拟合度提供了一个度量。评估新设计点所需的计算时间显著减少，从而能够高效地调查设计空间。