基于神经网络集团的非稳态流体流动的降阶建模
流体动力学
2024-08-12 v2 机器学习
摘要
深度学习的应用在降阶模型（ROM）中日益受到青睞，用于获得完整模型的低维表示。卷积自动编码器（CAEs）常用于此目的，因为它们擅长处理空间分布数据，包括偏微分方程的解。对于非稳态物理问题，ROM还需要对低维潜变量的时间序列进行建模。长短期记忆（LSTM）网络是一种递归神经网络，适用于建模序列数据，常用于数据驱动的ROM进行自回归时间序列预测。当在长时间尺度上对不可见设计点进行预测时，容易遇到误差传播问题，即早期产生的误差会随时间累积，导致巨大的不准确性。本文提出使用 bagging，这是一种常用的集成学习技术，开发一个数据驱动的ROM框架，称为 CAE-eLSTM ROM，该框架使用 CAEs 进行空间重建以及 LSTM 集团进行时间序列预测。我们的结果表明，所提出的框架在两个非稳态流体动力学问题上，有效减少了误差传播，提高了在不可见点处潜变量时间序列预测的准确性。
引用
@article{arxiv.2402.05372,
title = {Reduced-order modeling of unsteady fluid flow using neural network ensembles},
author = {Rakesh Halder and Mohammadmehdi Ataei and Hesam Salehipour and Krzysztof Fidkowski and Kevin Maki},
journal= {arXiv preprint arXiv:2402.05372},
year = {2024}
}
备注
Updated with revisions