用于非定常流非线性模型降阶的深度神经网络
流体动力学
2020-10-05 v3 机器学习
计算物理
摘要
非定常流体系统是非线性高维动力系统，可能在时间与空间上呈现多种复杂现象。流场的降阶模型（ROM）近十年来是活跃的研究课题，其首要目标通常是利用降维技术将复杂流动分解为对未来状态预测与控制最为重要的特征集合。本文提出一种基于深度神经网络能力的数据驱动新技术，用于非定常流体流动的降阶建模。采用自编码器网络进行非线性降维与特征提取，以替代奇异值分解（SVD）。随后，提取的特征作为长短期记忆网络（LSTM）的输入，用于预测未来时刻的速度场。所提自编码器–LSTM 方法与基于动态模态分解（DMD）和本征正交分解（POD）的非侵入式降阶模型进行比较。此外，引入一种自编码器–DMD 算法用于降阶建模，其使用自编码器网络而非 SVD 秩截断进行降维。结果表明，自编码器–LSTM 方法在预测流体流动演化方面具有相当强的能力，相较于其他模型，其获得的决定系数 更高。
引用
@article{arxiv.2007.00936,
title = {Deep Neural Networks for Nonlinear Model Order Reduction of Unsteady Flows},
author = {Hamidreza Eivazi and Hadi Veisi and Mohammad Hossein Naderi and Vahid Esfahanian},
journal= {arXiv preprint arXiv:2007.00936},
year = {2020}
}
备注
This article may be downloaded for personal use only. Any other use requires prior permission of the author and AIP Publishing. This article appeared in Phys. Fluids 32, 105104 (2020), and may be found at https://doi.org/10.1063/5.0020526