用于热颗粒床构型流场预测的参量化三维卷积自编码器
流体动力学
2024-07-24 v2 动力系统
摘要
过去几年中，使用深度学习方法建模流体流动引起了大量关注。在传统数值方法计算成本高昂的情形下，这些技术已展现出为复杂流体流动问题提供准确、快速且实用方案的潜力。深度学习的成功常源于其从数据中提取隐藏模式与特征的能力，从而能够创建数据驱动的降阶模型以捕捉域内的底层物理。我们提出了一种数据驱动的降阶模型，用于预测热颗粒床构型中的流场。该降阶模型由一个参量化三维卷积自编码器组成。第一部分解析输入序列中存在的空间与时间依赖关系，而架构的第二部分负责基于前一部分收集的信息预测下一时间步的解。我们还提出在解码路径后使用不可训练的后处理输出层，以将无滑移条件等物理知识纳入预测。该降阶模型在变温颗粒床构型上的评估显示，以传统数值模拟方法所需计算成本的一小部分获得了准确结果。
引用
@article{arxiv.2307.02960,
title = {Parametric 3D Convolutional Autoencoder for the Prediction of Flow Fields in a Bed Configuration of Hot Particles},
author = {Ali Mjalled and Reza Namdar and Lucas Reineking and Mohammad Norouzi and Fathollah Varnik and Martin Mönnigmann},
journal= {arXiv preprint arXiv:2307.02960},
year = {2024}
}