基于浅层神经网络的有限传感器流体流场重建
计算物理
2020-12-29 v2 机器学习
摘要
在许多应用中，根据有限的测量和有限的数据重建流体流场或其他高维状态十分重要。在这项工作中，我们提出了一种基于浅层神经网络的学习方法用于此类流体流场重建。我们的方法在传感器测量值与高维流体流场之间学习端到端的映射，而无需对原始数据进行任何繁重的预处理。不假定有先验知识可用，且估计方法是纯数据驱动的。我们在流体力学和海洋学的三个例子上展示了性能，表明这种现代数据驱动方法优于常用于流场重建的传统模态逼近技术。所提出的方法不仅表现出优越的性能特征，而且在使用显著更少传感器的情况下，也能产生与该领域传统方法相当的性能水平。因此，该数学架构非常适合于测量数据常常有限的新兴全球监测技术。
引用
@article{arxiv.1902.07358,
title = {Shallow Neural Networks for Fluid Flow Reconstruction with Limited Sensors},
author = {N. Benjamin Erichson and Lionel Mathelin and Zhewei Yao and Steven L. Brunton and Michael W. Mahoney and J. Nathan Kutz},
journal= {arXiv preprint arXiv:1902.07358},
year = {2020}
}