基于稀疏感知与DMD的复杂流动流态与分岔识别
动力系统
2017-06-26 v2 流体动力学
摘要
我们提出了一种基于动态模式分解（Dynamic Mode Decomposition, DMD）的稀疏感知框架，用于识别大规模热流体系统中的流态与分岔。受建筑与设备中热流体流动的实时感知与控制驱动，我们将该方法应用于一个二维侧向加热腔体的直接数值模拟（Direct Numerical Simulation, DNS）数据集。所得流动解可划分为若干流态，范围从稳态流到混沌流。DMD模态与特征值捕捉了属于不同流态的动力学中的主要时间与空间尺度。我们提出的分类方法是数据驱动的，对测量噪声具有鲁棒性，并利用从DMD方法中提取的动力学。具体而言，我们构建了一个增广的DMD基，其“内置”动力学由DMD特征值给出。这使我们能够利用来自传感器的短时间序列数据，更鲁棒地分类流态，尤其在存在测量噪声的情况下。我们还利用了不同流态所生成数据间表现出的不相干性，即使测量数量远小于DNS数据维度时该性质依然保持。这种数据驱动的流态识别算法能够为状态估计与控制实现鲁棒的流动低阶建模。
引用
@article{arxiv.1510.02831,
title = {Sparse sensing and DMD based identification of flow regimes and bifurcations in complex flows},
author = {Boris Kramer and Piyush Grover and Petros Boufounos and Mouhacine Benosman and Saleh Nabi},
journal= {arXiv preprint arXiv:1510.02831},
year = {2017}
}
备注
Expanded discussion. Fixed some typos and figures