用于瞬态对流火焰的卷积自编码器和神经 ODE 框架
声音
2026-03-17 v1
摘要
提出一种新颖的卷积自编码器神经 ODE (CAE-NODE) 框架，用于瞬态 2D 对流火焰的降阶模型 (ROM)，作为将 AE-NODE 方法从均匀反应系统扩展到空间分辨率流动的扩展。通过卷积层提取多维场的空间相关性，CAE 能够自主构建物理一致的 6D 连续潜在流形，通过压缩高保真 2D 快照 (256x256 网格，21 个变量) 缩减超过 100,000 倍。随后，NODE 在非线性流形上进行训练，以描述连续时间动力学，使能够通过从初始条件向前积分来预测火焰的完整时间演化。结果表明，该网络能够准确捕捉整个瞬态过程，包括点火、火焰传播以及逐渐过渡到非预混条件，主要物种的相对误差小于约 2%。本研究首次凸显了 CAE-NODE 在多维反应流动的非稳态动力学代理建模中的潜力。
引用
@article{arxiv.2603.15037,
title = {PhonemeDF: A Synthetic Speech Dataset for Audio Deepfake Detection and Naturalness Evaluation},
author = {Vamshi Nallaguntla and Aishwarya Fursule and Shruti Kshirsagar and Anderson R. Avila},
journal= {arXiv preprint arXiv:2603.15037},
year = {2026}
}
备注
11 pages, 6 figures, 9 tables. Accepted at the 15th Language Resources and Evaluation Conference (LREC 2026), Palma, Spain