DeepONet对高速边界层中线性不稳定波的预测
流体动力学
2021-05-19 v1
摘要
深度算子网络(DeepONets)被训练用于预测高速边界层中不稳定波的线性放大并执行数据同化。与传统逼近函数的网络不同，DeepONets旨在逼近算子。利用此框架，我们训练一个DeepONet以上游扰动和下游关注位置为输入，并输出边界层中的下游扰动场。因此，DeepONet逼近了该流动的线性化并抛物化Navier-Stokes算子。一旦训练完成，该网络可对多种入流条件执行下游流预测，无需计算扰动的整个轨迹，且相较于原始方程的离散化计算成本极低。此外，我们展示了DeepONets可求解反问题，其中采用下游壁面测量值作为输入，训练好的网络可预测导致这些观测的上游扰动。此能力与前向预测一起，使我们能够执行完整的数据同化循环：从壁面压力数据出发，利用逆DeepONet预测上游扰动，并利用正DeepONet预测其演化。
引用
@article{arxiv.2105.08697,
title = {DeepONet prediction of linear instability waves in high-speed boundary layers},
author = {P. Clark Di Leoni and L. Lu and C. Meneveau and G. Karniadakis and T. A. Zaki},
journal= {arXiv preprint arXiv:2105.08697},
year = {2021}
}