用于从稀疏传感器中探测隐藏物理的特征工程与符号回归方法
计算物理
2020-02-19 v2 流体动力学
摘要
在本研究中，我们提出了一种模块化方法，用于从离散且稀疏的观测中提取隐藏的流动物理。为解决黑盒机器学习方法的关键局限——函数表达能力不足，我们利用了符号回归作为一种原理，以识别与底层过程相关的关系和算子。该方法将进化计算与特征工程相结合，提供了一种工具，用于发现嵌入在欧拉参考系下流体流动轨迹中的隐藏参数化。我们在本研究中的方法主要涉及基因表达式编程（GEP）和序列阈值岭回归（STRidge）算法。我们在三种不同的应用中展示了结果：（i）方程发现，（ii）截断误差分析，以及（iii）隐藏物理发现，其中我们包括从一组稀疏观测中预测未知源项以及发现亚网格尺度闭合模型。我们说明，在求解Kraichnan湍流问题时，GEP和STRidge算法均能够从一组定制特征中提取Smagorinsky模型。我们的结果展示了这些技术在复杂物理问题中的巨大潜力，并揭示了特征选择与特征工程在模型发现方法中的重要性。
引用
@article{arxiv.1911.05254,
title = {Feature engineering and symbolic regression methods for detecting hidden physics from sparse sensors},
author = {Harsha Vaddireddy and Adil Rasheed and Anne E Staples and Omer San},
journal= {arXiv preprint arXiv:1911.05254},
year = {2020}
}