基于深度学习的 moderate Reynolds 数下自由振动球体稳定性分析

本文提出一种基于深度学习的降阶模型（DL-ROM）用于非定常三维流固耦合系统的稳定性预测。所提DL-ROM具有非线性状态空间模型形式，并采用带长短期记忆（LSTM）的循环神经网络。我们考虑一个典型的流固系统：弹性安装球体与不可压缩流体流动耦合于状态空间形式中。我们开发了非线性数据驱动耦合方法，用于预测横向自由振动球体的非定常力与涡激振动（VIV）锁频。我们设计了力与位移数据集时序的输入-输出关系，以实现流固系统的低维近似。基于VIV锁频过程的先验知识，输入函数包含一系列频率与幅值，从而可在无需海量训练数据集的情况下实现高效的DL-ROM低维建模。一旦训练完成，该网络提供输入-输出动力学的非线性映射，可通过反馈过程预测更长远的耦合流固动力学。通过将LSTM网络与特征系统实现算法（ERA）结合，我们构建了用于降阶稳定性分析的数据驱动状态空间模型。我们通过特征值选取过程研究VIV的潜在机制与稳定性特征。为理解频率锁频机制，我们研究了系列降阶振荡频率与质量比下的特征值轨迹。与全阶模拟一致，频率锁频分支被LSTM-ERA联合方法精确捕获。所提DL-ROM契合涉及流固耦合的工程系统基于物理的数字孪生发展。