识别流体流动回归中线性随机估计与神经网络的关键差异
流体动力学
2022-05-19 v2
摘要
神经网络（NNs）与线性随机估计（LSE）已被广泛用作流体流动回归的有力工具。我们考虑两个典型流体流动问题来研究它们之间的根本差异：1. 从二维圆柱绕流低阶本征正交分解系数估计其高阶系数；2. 湍流槽道流中基于壁面特征的态估计。在第一个问题中，我们将 LSE 的性能与多层感知机（MLP）进行比较。在槽道流示例中，我们利用卷积神经网络（CNN）作为一种可处理高维流体流动的非线性模型。在这两种情况下，得益于非线性激活函数，非线性 NNs 均优于线性方法。我们还针对估计误差及模型内部权重的响应进行了误差曲线分析。我们的分析在误差曲线域上可视化了对噪声扰动的鲁棒性，同时揭示了所涵盖工具用于流体流动回归的根本差异。
引用
@article{arxiv.2105.00913,
title = {Identifying key differences between linear stochastic estimation and neural networks for fluid flow regressions},
author = {Taichi Nakamura and Kai Fukami and Koji Fukagata},
journal= {arXiv preprint arXiv:2105.00913},
year = {2022}
}
备注
11 pages, 9 figures