使用优化稀疏多输入多项式泛函的高效跨声速气动弹性模型降阶
流体动力学
2024-09-02 v1 机器学习
摘要
基于机器学习或人工智能算法的非线性气动弹性降阶模型（ROM）可能较为复杂，且训练的计算开销高昂，这意味着在实际气动弹性应用中，通常更倾向于采用保守的线性化方法。因此，需要一种准确、简单且最重要的是生成高效的全新非线性气动弹性模型降阶方法。本文提出了一种用于辨识紧凑型多输入 Volterra 级数的新公式，其中采用正交匹配追踪（OMP）从非定常气动训练数据中获取一组最优稀疏的非线性多输入 ROM 系数。该框架以 Benchmark Supercritical Wing 为例进行了演示，考虑了受迫响应、颤振和极限环振荡。与全阶气动弹性模型相比，简单高效的 Optimal Sparsity Multi-Input ROM（OSM-ROM）框架表现出极高的精度，仅需辨识数万个可能的多输入项中的一小部分，并使训练样本数量减少了 96%。
引用
@article{arxiv.2408.16941,
title = {Efficient Transonic Aeroelastic Model Reduction Using Optimized Sparse Multi-Input Polynomial Functionals},
author = {Michael Candon and Maciej Balajewicz and Arturo Delgado-Gutierrez and Pier Marzocca and Earl H. Dowell},
journal= {arXiv preprint arXiv:2408.16941},
year = {2024}
}
备注
24 pages, preprint, under review