结合深度学习与流形学习的可压缩流场非线性降阶建模
流体动力学
2024-12-17 v1
摘要
本文提出了一种非线性降阶建模（ROM）框架，该框架利用深度学习和流形学习来预测具有复杂非线性特征（包括激波）的可压缩流场。所提出的 DeepManifold (DM)-ROM 方法计算效率高，避免了流场数据的像素化或插值，并且适用于各种网格和几何形状。该框架由四个主要步骤组成：首先，基于卷积神经网络（CNN）的参数化网络直接从空气动力学几何形状中提取非线性形状模态。接下来，应用流形学习来降低高保真输出流场的维度。然后训练基于多层感知机（MLP）的回归网络来映射非线性输入和输出模态。最后，反演映射过程从预测的低维输出模态重建完整流场。DM-ROM 在跨声速 RAE2822 翼型测试用例上进行了严格测试，该用例包含不同强度和位置的激波。引入了相关度量来量化模型在预测激波强度和位置方面的准确性。结果表明，DM-ROM 的流场预测误差约为 3.5%，并且在各种训练样本规模下均显著优于参考 ROM 技术，如 POD-ROM 和 ISOMAP-ROM。
引用
@article{arxiv.2412.12088,
title = {Nonlinear Reduced-Order Modeling of Compressible Flow Fields Using Deep Learning and Manifold Learning},
author = {Bilal Mufti and Christian Perron and Dimitri N. Mavris},
journal= {arXiv preprint arXiv:2412.12088},
year = {2024}
}