基于神经网络的模型降阶：在层流与湍流中的应用
流体动力学
2021-12-08 v2 计算物理
数据分析、统计与概率
摘要
我们研究基于神经网络的流体流动模型降阶能力，即自编码器（AE）。本研究以包含卷积神经网络与多层感知机的 AE 为例模型。该 AE 模型通过若干潜在模态数、非线性激活函数选择及 AE 模型所含权重数，在四种典型流体流动上评估： (1) 二维圆柱尾流，(2) 其瞬态过程，(3) NOAA 海表温度，及 (4) 湍流槽流的 截面场。我们发现 AE 模型对上述参数选择敏感，且依目标流动而异。最后，我们展望了机器学习降阶在流体动力学界数值与实验研究中的扩展应用与前景。
引用
@article{arxiv.2011.10277,
title = {Model order reduction with neural networks: Application to laminar and turbulent flows},
author = {Kai Fukami and Kazuto Hasegawa and Taichi Nakamura and Masaki Morimoto and Koji Fukagata},
journal= {arXiv preprint arXiv:2011.10277},
year = {2021}
}