流体流动的降阶建模：机器学习、Kolmogorov壁垒、闭合建模与分解
动力系统
2020-06-01 v1 计算物理
流体动力学
摘要
本文提出一种长短期记忆（LSTM） nudging 框架，利用含噪测量增强流体流动的降阶模型（ROMs）。我们基于如下事实：在实际应用中，初始条件、边界条件、模型参数和/或场测量均存在不确定性。此外，基于Galerkin投影的传统非线性ROMs（GROMs）由于模态截断而存在缺陷与解的不稳定性，尤其对于Kolmogorov宽度衰减缓慢的平流主导流动。在所提出的LSTM-Nudge方法中，我们将不完美GROM与不确定状态估计的组合预测，与稀疏欧拉传感器测量相融合，在动态数据同化框架中提供更可靠的预测。我们以粘性Burgers问题作为具有二次非线性和拉普拉斯耗散的基准测试平台阐明该思想。我们研究了测量噪声与状态估计不确定性对LSTM-Nudge性能的影响。我们还证明其可充分处理不同时空测量稀疏度水平。我们对该模型评估的第一步表明，LSTM nudging可代表新兴数字孪生系统中一种可行的实时预测工具。
引用
@article{arxiv.2005.14246,
title = {Reduced order modeling of fluid flows: Machine learning, Kolmogorov barrier, closure modeling, and partitioning},
author = {Shady Ahmed and Suraj Pawar and Omer San and Adil Rasheed},
journal= {arXiv preprint arXiv:2005.14246},
year = {2020}
}