沉降柔性纤维的数据驱动低维模型

柔性细丝在流动中的动力学对于理解许多生物和工业过程至关重要，但使用全物理模拟进行建模计算成本高昂。本文描述了一种数据驱动技术，利用机器学习创建柔性纤维动力学的高保真低维模型；该技术应用于静止粘性牛顿流体中的沉降，使用详细模拟的结果作为数据集。该方法结合了自动编码器神经网络架构来学习纤维形状的低维潜在表示，以及一个神经ODE来学习粒子在潜在状态下的演化。该模型旨在模拟不同柔性的纤维，其特征由弹性-重力数$\mathcal{B}$表征，并在包含从设定倾斜角度开始的纤维演化的数据集上进行训练。对于此处考虑的$\mathcal{B}$范围（100-10000），仅用四个自由度即可高精度表示纤维形状动力学，而用于生成动态轨迹的原始珠-弹簧模型包含93个自由度。我们预测了以任意角度放置的纤维的演化，并证明我们的数据驱动模型能够准确预测在已训练和未训练的弹性-重力数下纤维的演化。