基于增量奇异值分解的比例解析流动动力学仿真模型序降

比例解析流动仿真通常包含数百万 [上千] 个空间 [时间] 离散自由度。当存储或重用这些数据时，例如后续训练某种数据驱动的代理或计算一致的 adjoint 流动解时，粗暴的存储方法几乎不可能实现。因此，必须的增量型简化序模型（Reduced Order Modeling, ROM）方法显得尤为吸引人，因为只有特定的时间范围才被有效存储。该捆绑流解随后用于增强已计算的 ROM，以释放分配的内存并重复该过程。本文利用增量截断奇异值分解（incremental truncated Singular Value Decomposition, itSVD）来压缩来自比例解析流动仿真的结果得来的流数据。为此，考虑了两种情形：一种是针对 Re=1.4E+05 处圆柱周围的学术大涡衰落模拟（Large Eddy Simulation, LES），另一种是采用混合滤波/平均脱缘衰落模拟（Detached Eddy Simulation, DES）对 Re=5E+08 处完整 feeder 舰舱结构周围的工业案例。本文的核心焦点是实用相关性问题：ROM 应如何大量利用已计算的比例解析解的多少信息，即已解析湍流涡动中是否存在冗余，从而有利于 ROM。在 itSVD 计算过程中，这伴随着“应如何选择舍弃多少奇异值（或视为多少）”的问题——而不必（a）重新运行多次仿真进行试错，以及（b）仍能获得低于模型和离散误差的压缩结果。一种自适应策略被用于通过 O(95) 百分比的数据降低，计算开销为 O(10) 百分比，平均重构局部和全局流动数据的准确度为 O(0.1) 百分比。