基于卷积神经网络的非线性模态分解用于流体动力学
计算物理
2019-12-05 v3 流体动力学
摘要
我们提出了一种用于可视化分解流场的新非线性模态分解方法，称为模态分解卷积神经网络自编码器（MD-CNN-AE）。该方法以 时圆柱绕流作为测试用例。流的属性被映射到潜空间中的两个模态，然后这两个模态在物理空间中被可视化。由于带有非线性激活函数的 MD-CNN-AE 比本征正交分解（POD）展现出更低的重构误差，激活函数中所含的非线性被视为提升模型能力的关键。通过对使用双曲正切激活的 MD-CNN-AE 分解出的每个场施加 POD，发现单个非线性 MD-CNN-AE 模态包含多个正交基，这与线性方法（即 POD 和带线性激活的 MD-CNN-AE）形成对比。我们进一步将所提 MD-CNN-AE 应用于圆柱尾流的瞬态过程，以检验其对含有高阶空间模态的流的能力。本文结果表明，非线性 MD-CNN-AE 在比 POD 更低的维度下进行流场特征提取具有巨大潜力，同时保持与常规 POD 模态可解释的关系。
引用
@article{arxiv.1906.04029,
title = {Nonlinear mode decomposition with convolutional neural networks for fluid dynamics},
author = {Takaaki Murata and Kai Fukami and Koji Fukagata},
journal= {arXiv preprint arXiv:1906.04029},
year = {2019}
}
备注
15 pages, 14 figures