基于流式动态模态分解的湍流时空结构数据驱动辨识
流体动力学
2022-06-16 v2
摘要
流式动态模态分解（sDMD）（Hemati 等，Phys. Fluids 26(2014)）是动态模态分解（DMD）（Schmid, J. Fluid Mech. 656 (2010)）的低存储版本，后者是一种提取时空流型的数据驱动方法。流式 DMD 通过对新可用数据进行增量更新来逼近动态模态，从而避免将整个数据序列存于内存。本文中，我们利用 sDMD 辨识并提取不同湍流的主导时空结构，这需分析大型数据集。首先，使用一套公开测试数据集（由圆柱尾流直接数值模拟得到的速度场快照组成）将 sDMD 的效率与精度同经典 DMD 比较。流式 DMD 不仅可靠再现流动最重要的动力学特征；我们的计算还凸显了其在所需计算资源方面的优势。随后我们用 sDMD 分析三种均呈现一定程度大尺度相干性的湍流：快速旋转 Rayleigh–Bénard 对流、水平对流与渐近抽吸边界层。不同频率与空间尺度的结构可被清晰分离，且仅需少数动态模态即可捕捉动力学显著特征。总之，我们证明 sDMD 是辨识广泛湍流中时空结构的强有力工具。
引用
@article{arxiv.2006.05552,
title = {Data-driven identification of the spatio-temporal structure of turbulent flows by streaming Dynamic Mode Decomposition},
author = {Rui Yang and Xuan Zhang and Philipp Reiter and Moritz Linkmann and Detlef Lohse and Olga Shishkina},
journal= {arXiv preprint arXiv:2006.05552},
year = {2022}
}