卷积神经网络学习三维非定常尾流流的机制
流体动力学
2021-04-06 v2 计算物理
摘要
卷积神经网络（CNNs）近来已被应用于预测或建模流体动力学。然而，CNNs 学习流体动力学的机制仍未被很好理解，而此类理解对于优化网络或在网络优化过程中减少试错极为必要。在本研究中，开发了一个利用过去时刻流场预测未来三维非定常尾流流的 CNN。所开发 CNN 用于预测圆柱绕流尾流流的机制在两种流态下被研究：三维尾流转捩区和剪切层转捩区。对 CNN 中的特征图进行可视化，以比较 CNN 从两种流态的流动中提取的流结构。在两种流态下，均发现特征图提取了相似的一组流结构，如编织剪切层和脱落涡。进行了傅里叶分析以研究 CNN 在具有不同波数特征的流态中预测尾流流的机制。发现 CNN 中的卷积层整合并传输来自流动的波数信息以预测动力学。通过评估每个流动变量和时间历史对 CNN 中特征图的贡献，分析了 CNN 传输包括流动变量时间历史在内的输入信息的特性。计算了 CNN 中特征图之间的结构相似性，以揭示包含相似流结构的特征图数量。通过减少包含相似流结构的特征图数量，还能够在不影响预测性能的情况下将 CNN 中需学习的参数数量成功减少 85%。
引用
@article{arxiv.1909.06042,
title = {Mechanisms of a Convolutional Neural Network for Learning Three-dimensional Unsteady Wake Flow},
author = {Sangseung Lee and Donghyun You},
journal= {arXiv preprint arXiv:1909.06042},
year = {2021}
}