稀疏流重建方法以降低大型非稳态数据集分析成本

大规模非稳态仿真数据的数据写入、传输和存储成本限制了对整个解的可访问性，常常导致流场被过度抽样或未被分析。例如，对罕见动态事件的瞬态行为建模需要在高采样率下持续长时间的 3D 快照，产生大量数据，给实际 CFD 工作流程带来挑战，尤其在有限内存资源和 GPU 写入惩罚成本的情况下。本文发展了多种稀疏流重建 (SFR) 方法，通过少量稀疏测量来近似完整的非稳态解，从而降低写入成本、数据存储需求，并实现更高的采样率。SFR 的思想来自于对罕见入口扰动事件的大尺度涡流模拟，表明在 GPU 求解器中，降采样完整快照并补充高频稀疏测量可显著降低写入时间；对于 CPU 求解器几乎可消除此成本。最简单的单方程“快照”SFR 方法可通过proper正交分解 (POD-SFR) 或更高效的双POD-SFR 变体进行压缩。streaming SFR 修订在局部内存有限时提高了重建效率。敏感性研究评估了稀疏抽样率与重建精度之间的权衡，提供了最佳实践。为抵消随机稀疏测量带来的误差，SFR 通过规定稀疏测量位置来精确保持关键区域的动力学，在此案例中用于捕捉扰动事件。使用条件空间时间正交分解 (CST-POD) 对扰动事件进行评估，以追求对上游因果性的全分辨率物理见解。CST-POD 模态的验证研究确认了SFR在保留事件动力学方面的有效性，同时实现了显著的计算和内存节省。