基于深度算子网络的非定常流数据驱动建模
流体动力学
2024-04-11 v1
摘要
含时流场通常由计算流体力学 (CFD) 方法生成,这是一个极其耗时的过程。然而,流场之间的潜在关系受 Navier-Stokes 方程支配,并可由算子描述。因此,我们训练了一个深度算子网络,或简称 DeepONet,以学习流场快照之间的时间演化。一旦经过适当训练,给定少量连续快照作为输入,该网络具有准确且快速生成下一个快照的巨大潜力。将输出作为新输入,网络迭代该过程,以极少的实际时间生成一系列连续快照。具体而言,我们考虑了雷诺数 1000 下的二维圆柱绕流,并使用高阶谱/hp 元方法准备了一组高保真数据作为真值。尽管流场是周期性的,但尾流中存在许多难以准确生成的小尺度特征。此外,前几个快照的预测与真值之间的任何差异都很容易在迭代过程中累积,最终放大整体偏差。因此,我们提出了两种替代技术来改进 DeepONet 的训练。第一种技术通过利用“多头非局部块”来增强网络的特征提取。第二种技术通过利用局部平滑优化技术来精调网络参数。这两种技术都被证明在减少累积误差方面非常有效,并且我们的结果优于动态模态分解方法的结果。
引用
@article{arxiv.2404.06791,
title = {Data-driven modeling of unsteady flow based on deep operator network},
author = {Heming Bai and Zhicheng Wang and Xuesen Chu and Jian Deng and Xin Bian},
journal= {arXiv preprint arXiv:2404.06791},
year = {2024}
}