基于核平滑本征正交分解（KSPOD）的时空演化流动动力学预测代理模型
计算工程、金融与科学
2018-02-27 v1
摘要
这项结合机器学习、统计方法、高保真模拟与流动物理的跨学科研究，展示了一种用于构建高效代理模型以预测时空演化流动动力学的新流程。在我们先前工作中，开发了公共网格本征正交分解（CPOD）技术，以建立基于物理的代理（仿真）模型，用于宽参数空间内平均流场预测与设计探索。此处利用核平滑 POD（KSPOD）技术对 CPOD 技术作了实质性改进，该技术借助来自设计矩阵的高斯克里金加权函数。随后使用高保真模拟所得数据集训练所得仿真模型。作为一个示例，考虑了旋流 injector 中在宽设计参数与操作条件下的流动演化。基于 KSPOD 的仿真模型表现良好，能忠实捕捉时空流动动力学。该模型支持利用高保真模拟数据的有效设计普查，对新设计点的评估周转时间比原始模拟快 42,000 倍。
引用
@article{arxiv.1802.08812,
title = {Kernel-smoothed proper orthogonal decomposition (KSPOD)-based emulation for prediction of spatiotemporally evolving flow dynamics},
author = {Yu-Hung Chang and Liwei Zhang and Xingjian Wang and Shiang-Ting Yeh and Simon Mak and Chih-Li Sung and C. F. Jeff Wu and Vigor Yang},
journal= {arXiv preprint arXiv:1802.08812},
year = {2018}
}