从湍流中提取正交且精简的非线性模态
流体动力学
2021-09-06 v1 机器学习
计算物理
摘要
我们提出了一种深度概率神经网络架构，用于从高保真湍流流场数据中学习一组极简且近正交的非线性模态，可用于流场分析、降阶建模和流动控制。我们的方法基于 -变分自编码器(-VAEs)和卷积神经网络(CNNs)，这使我们能够从多尺度湍流中提取非线性模态，同时鼓励学习独立的潜变量并惩罚潜向量的大小。此外，我们引入了一种根据对重构的贡献对基于 VAE 的模态进行排序的算法。我们将此方法应用于通过简化城市环境的湍流的非线性模态分解，其中流场数据基于良好分辨的大涡模拟(LESs)获得。我们证明，通过约束潜空间的形状，可以促使正交性并提取一组足以进行高质量重构的精简模态。我们的结果显示了该方法在重构中相对于基于线性理论的分解的优异性能。此外，我们将我们的方法与现有的基于 AE 的模型进行比较。我们展示了我们的方法在提取可能导致可解释性的近正交模态方面的能力。
引用
@article{arxiv.2109.01514,
title = {Towards extraction of orthogonal and parsimonious non-linear modes from turbulent flows},
author = {Hamidreza Eivazi and Soledad Le Clainche and Sergio Hoyas and Ricardo Vinuesa},
journal= {arXiv preprint arXiv:2109.01514},
year = {2021}
}