VIVALDy：一种应用于涡激振动的湍流混合生成式降阶模型

开发适用于涉及复杂几何形状和不同流动条件的流体动力学问题的降阶模型，仍然是湍流面临的一项关键挑战。本研究引入了 VIVALDy，一种新颖的机器学习框架，该框架采用混合 $\beta$-Variational Autoencoder-Generative Adversarial Network ($\beta$-VAE-GAN) 架构与掩码卷积，在保持固液界面保真度的同时，将主导流动特征提取到紧凑的潜在空间中。随后，双向 Transformer 对这些特征的时间演化进行建模，学习从最少的传感器输入预测流动轨迹。这种两阶段方法使 Transformer 能够将传感器测量值映射到由自编码器识别的主导流动变量，从而提升了实时流动预测的降阶建模能力。通过将该框架应用于与涡激振动（VIV）能量收集系统相关的问题，即重建单自由度运动圆柱体周围的湍流，展示了其有效性。在涵盖所关注的流固耦合状态的实验数据上进行了验证，VIVALDy 仅使用圆柱体位移即可准确预测不同的流动状态。该框架在多种操作条件下均展现出足够的重建精度和统计保真度，实现了对主导涡激振动的湍流现象的高效预测。