用深度神经网络预测流体中的波

在本文中，我们提出一种基于深度学习的流体介质中波传播数据驱动预测技术。该技术依赖于基于注意力的卷积循环自编码器网络（AB-CRAN）。为构建波传播数据的低维表示，我们采用基于去噪的卷积自编码器。带有基于注意力的长短期记忆单元的AB-CRAN架构构成了我们用于低维特征时间推进的深度神经网络模型。我们针对用于波传播低维学习的标准循环神经网络评估了所提出的AB-CRAN框架。为证明AB-CRAN模型的有效性，我们考虑三个基准问题，即一维线性对流、非线性粘性Burgers方程和二维Saint-Venant浅水系统。利用来自基准问题的时空数据集，我们新颖的AB-CRAN架构准确捕捉波幅并在长时间范围内保持解的波特性。基于注意力的序列到序列网络相比带有长短期记忆单元的标准循环神经网络增加了预测的时间范围。去噪自编码器进一步降低预测的均方误差并提升在参数空间中的泛化能力。