基于储层计算的混沌声学无梯度优化

我们开发了一种通用优化方法，可找到使时间平均声学代价泛函最小化的设计参数。该方法无梯度、由模型指导且数据驱动，采用基于回声状态网络的储层计算。首先，我们分析了回声状态网络在动力学短期与长期预测中的预测能力。我们发现，完全数据驱动与由模型指导的架构均能学习混沌声学动力学，且在时间精度与统计特性上均准确。用含一个声学模态的物理降阶模型指导训练，可显著提高回声状态网络的精度与鲁棒性，同时保持较低的计算成本。回声状态网络能准确预测长期动力学，而若通过积分控制方程来评估待优化的时间平均量，则代价高昂。其次，我们将回声状态网络与贝叶斯技术耦合，以探索设计热声参数空间。该计算方法侵入性极小。第三，我们找到了使混沌振荡的时间平均声学能量最小的火焰参数集，此类振荡由与热源（如燃气轮机或火箭发动机中的火焰）的正反馈引起，被称为热声振荡。该最优火焰参数集的求解精度与暴力网格搜索相同，但收敛速度加快一个数量级以上。本工作为混沌系统的非侵入式（“放手”）优化开辟了新可能，在这类系统中，由高保真模拟与实验生成数据的成本很高。