RONAALP:带主动学习过程的降阶非线性逼近
流体动力学
2023-11-20 v1 机器学习
摘要
许多工程应用依赖于对昂贵的非线性高维函数的评估。本文中,我们提出 RONAALP 算法(Reduced Order Nonlinear Approximation with Active Learning Procedure,带主动学习过程的降阶非线性逼近),以在应用推进过程中即时增量学习目标函数的快速且准确的降阶代理模型。首先,非线性自编码器、社团聚类与径向基函数网络的结合使得能用有限训练数据学习高效紧凑的代理模型。其次,主动学习过程克服了在线阶段在初始训练范围外评估代理模型时的任何外推问题。这造就了高维函数的可泛化、快速且准确的降阶模型。该方法在三个化学非平衡高超声速流动的直接数值模拟上得到演示。这些流动的准确模拟依赖于详细的热化学气体模型,其显著增加了此类计算的成本。使用 RONAALP 即时学习降阶热力学模型代理,此类模拟的成本降低了多达 75%,同时在相关关注量上保持小于 10% 的误差。
引用
@article{arxiv.2311.10550,
title = {RONAALP: Reduced-Order Nonlinear Approximation with Active Learning Procedure},
author = {Clément Scherding and Georgios Rigas and Denis Sipp and Peter J Schmid and Taraneh Sayadi},
journal= {arXiv preprint arXiv:2311.10550},
year = {2023}
}
备注
38 pages, 16 figures