基于混合深度神经网络的运动边界非定常流预测方法
计算物理
2020-06-02 v1 流体动力学
摘要
设计了一种新颖的混合深度神经网络架构,以直接从高维非定常流场数据捕获运动边界周围非定常流的空间-时间特征。该混合深度神经网络由卷积神经网络(CNN)、改进的卷积长短期记忆神经网络(ConvLSTM)和反卷积神经网络(DeCNN)构成。通过该新颖混合深度神经网络,可由先前时间步的流场及这些步的边界位置预测未来时间步的流场。计算了不同振幅下强迫振荡圆柱周围的非定常尾流,以建立数据集作为训练样本来训练混合深度神经网络。随后用训练好的混合深度神经网络预测新振幅下强迫振荡圆柱周围的非定常流场进行测试。分析了神经网络结构参数对预测精度的影响。由最佳参数组合构成的混合深度神经网络被用于预测未来时刻的流场。预测的流场与计算流体动力学求解器直接算得的结果吻合良好,这意味着此类深度神经网络能从运动边界周围非定常流的空间-时间序列中捕获准确的空间-时间信息。结果显示了这种新颖混合深度神经网络在振动圆柱流动控制中的潜在能力,其中需要快速计算高维非线性运动边界周围非定常流。
引用
@article{arxiv.2006.00690,
title = {Hybrid deep neural network based prediction method for unsteady flows with moving boundaries},
author = {Renkun Han and Zhong Zhang and Yixing Wang and Ziyang Liu and Yang Zhang and Gang Chen},
journal= {arXiv preprint arXiv:2006.00690},
year = {2020}
}
备注
22 pages, 16 figures