深度学习结合奇异值分解重构流体动力学数据库
流体动力学
2023-05-16 v1
摘要
流体动力学问题的特征在于多维与非线性。因此，实验与数值模拟复杂且耗时。受此驱动，亟需寻找以更简方式与更短时间获取数据的新技术。在本文中，我们提出一种基于物理原理的新颖方法，以强稀疏传感器为输入重构三、四、五维数据库。该方法由奇异值分解（SVD）与神经网络结合构成。所用神经网络的特征在于一种简单架构，基于两个并行工作并在最后一层合并的自编码器组合。这一新算法已在三个不同维度与复杂度的数据库上验证：采用湍流模型的大气边界层（ABL），以及二维与三维圆柱绕流。综上，本工作提出了一种基于物理的混合机器学习新模型，其架构简单、鲁棒且可泛化，能从极少传感器以极低计算成本重构数据库。
引用
@article{arxiv.2305.08832,
title = {Deep Learning combined with singular value decomposition to reconstruct databases in fluid dynamics},
author = {Paula Díaz and Adrián Corrochano and Manuel López-Martín and Soledad Le Clainche},
journal= {arXiv preprint arXiv:2305.08832},
year = {2023}
}