带有机器学习修正项的参数化侵入式降阶模型
数值分析
2024-06-07 v1 数值分析
流体动力学
摘要
在本文中，我们提出一种基于方程的参数化降阶模型，其精度通过向降阶方程添加数据驱动项来提高。这些添加旨在重新引入标准降阶模型中未考虑的因素。具体地，在本文中我们考虑两种贡献：通过涡粘性场的降阶近似添加的湍流建模，以及旨在重新引入被丢弃模态贡献的修正模型。两种方法已在先前工作中研究过，本文的目标是利用专门的机器学习程序将模型扩展到参数化设置。更详细地，我们研究了不同的神经网络架构，从简单的密集前馈到长短期记忆神经网络，以找到最适合重新引入贡献的模型。我们在两个具有不同行为的测试案例上测试了方法：圆柱绕流的周期性湍流和通道驱动腔内的非定常湍流。两种情况下，考虑的参数是雷诺数，机器学习增强的降阶模型相对于标准降阶模型显著提高了压力和速度的精度。
引用
@article{arxiv.2406.04169,
title = {Parametric Intrusive Reduced Order Models enhanced with Machine Learning Correction Terms},
author = {Anna Ivagnes and Giovanni Stabile and Gianluigi Rozza},
journal= {arXiv preprint arXiv:2406.04169},
year = {2024}
}