基于机器学习预测破浪冲击时气袋的动力学

我们研究了基于机器学习模型预测破浪冲击于固体墙面后形成气袋动力学的可行性与准确性。该论文提出的机器学习模型基于卷积长短期记忆结构，训练数据来源于实验数据。具体而言，该模型以冲击前两个高速摄像快照作为输入，输出六个标量量描述气袋的动力学。实验在波槽内进行，采用脉冲波（ solitons ）结合特定的礁石轮廓来生成靠近固体墙面的破浪，墙面装有动态压力传感器。通过变更水深 $h_\ell$ 和参数 $\alpha = A/h_\ell$（其中 $A$ 为脉冲波幅度），我们能够生成一族具有不同气袋尺寸和波动力学特征的破浪。 在波生成的相空间 ($h_\ell$, $\alpha$) 中，我们对67种不同的波态进行实验，构成数据集。实验结果表明，气袋振荡频率可归因于初始气体体积加上几何修正项，最大及最小压力值在定性上良好地符合一维巴格诺模型。就机器学习模型而言，我们将其性能与实验数据进行比较，发现该模型定量地再现了实验中发现的趋势——特别是对于气袋中的最大和最小压力以及振荡频率。