深度学习驱动的非线性降阶模型用于预测波-结构相互作用
流体动力学
2023-02-08 v3
摘要
本研究探讨了由长短期记忆（LSTM）网络驱动的非侵入式降阶模型（NROM），用于预测造波水池中水面浮动箱体动力学。这些波-结构相互作用（WSI）问题的真值或实际数据，即对应于特定波剖面由波浪相互作用引起的箱体位移以及作用于箱体的水动力和力矩，使用光滑粒子流体动力学（SPH）计算。首先使用离散经验插值法（DEIM）降低系统维度，并将 LSTM 应用于降阶系统，从而形成 DEIM-LSTM 网络以建立预测代理模型。通过将对物理信息纳入损失函数进一步增强了该网络，得到物理信息驱动的 LSTM（LSTM-PINN）用于预测箱体运动的刚体动力学。作为概念验证，针对二维波池 WSI 问题评估了这些网络的预测性能。
引用
@article{arxiv.2301.11835,
title = {Deep Learning-Driven Nonlinear Reduced-Order Models for Predicting Wave-Structure Interaction},
author = {Rahul Halder and Murali Damodaran and Khoo Boo Cheong},
journal= {arXiv preprint arXiv:2301.11835},
year = {2023}
}
备注
24 pages , 20 figure