×
安德烈亚·拉里奥;罗密特·莫利克;Oliver T.施密特。;吉安路易吉·罗扎;Gianmarco Mengaldo

SPOD潜在动力学的神经网络学习。 （英语） Zbl 07578895号

J.计算。物理学。 468，文章ID 111475，21 p.（2022）.
摘要：我们的目标是通过谱固有正交分解（SPOD），使用模型降阶来重建高维准平稳系统的潜在空间动力学。该方法基于三个基本步骤：首先，一旦从实现中减去平均流场（也称为快照），我们通过构造SPOD潜在空间将数据从高维表示压缩到低维表示；在第二种方法中，我们通过将包含涨落的快照投影到SPOD基上来构建与时间相关的系数，并借助递归神经网络学习它们的时间演化；第三，我们从学习到的低维表示中重建高维数据。该方法在两个不同的测试案例上进行了演示，即可压缩射流和被称为Madden-Julian振荡的地球物理问题。本文对SPOD和基于POD的对等方法进行了广泛的比较，并强调了这两种方法之间的差异。数值结果表明，所提出的模型能够对复杂的统计平稳数据进行低阶预测，并对以特定频率范围为特征的现象的演变提供见解。POD和SPOD替代策略之间的比较突出表明，需要进一步研究数据简化技术和神经网络预测之间误差相互作用的特征。

引用于4文件

MSC公司：

76平方英尺 湍流
65磅 常微分方程的数值方法
82立方厘米 时间相关统计力学（动态和非平衡）

关键词：

动力系统;降阶建模;神经网络;深度学习

软件：

火炬差异;PyParSVD公司;张紧器2传感器;PySPOD公司
PDF格式BibTeX公司 XML格式引用
\textit{A.Lario}等人，《计算杂志》。物理学。468，文章ID 111475，21 p.（2022；Zbl 07578895）
全文： 内政部 arXiv公司

参考文献：

[1] 赫塞文，J.S。；Ubbiali，S.，《使用神经网络对非线性问题进行非侵入式降阶建模》，J.Compute。物理。，363, 55-78 (2018) ·兹比尔1398.65330
[2] 王，Q。；Ripamonti，N。；Hesthaven，J.S.，基于Mori-Zwanzig形式的参数POD-Galerkin降阶模型的递归神经网络闭包，J.Compute。物理。，410，第109402条pp.（2020）·Zbl 1436.65093号
[3] 毛利克，R。；莫汉，A。；Lusch，B。；Madiredy，S。；巴拉普拉卡什，P。；Livescu，D.，降阶模型闭合潜在空间动力学的时间序列学习，Phys。D： 非线性现象。，405，第132368条pp.（2020）·Zbl 07477434号
[4] 哈姆齐，B。；Maulik，R。；Owhadi，H.，《简单、低成本和准确的数据驱动地球物理预测与学习内核》，Proc。R.Soc.A，477，第20210326条pp.（2021）
[5] Chen，W。；王，Q。；赫塞文，J.S。；Zhang，C.，《非线性问题降阶建模的基于物理的机器学习》，J.Compute。物理。，第110666条pp.（2021）·Zbl 07516475号
[6] Hijazi，S。；稳定，G。；Mola，A。；Rozza，G.，湍流数据驱动POD-Galerkin降阶模型，J.Compute。物理。，416，第109513条，第（2020）页·Zbl 1437.76015号
[7] Pichi，F。；巴拉林，F。；Rozza，G。；Hesthaven，J.S.，计算流体动力学中分岔现象的人工神经网络方法（2021），arXiv预印本
[8] Papapicco，D。；演示，N。；Girfoglio，M。；稳定，G。；Rozza，G.，《神经网络移位固有正交分解：双曲方程非线性简化的机器学习方法》（2021），arXiv预印本
[9] 演示，N。；斯特拉祖洛，M。；Rozza，G.，参数最优控制问题初步分析的扩展物理信息神经网络（2021），arXiv预印本
[10] 沙阿，N.V。；Girfoglio，M。；昆特拉，P。；Rozza，G。；Lengomin，A。；巴拉林，F。；Barral，P.，参数化单向耦合稳态线性热机械问题基于有限元的模型降阶（2021），arXiv预印本
[11] Mohan，A.T。；Gaitonde，D.V.，一种基于深度学习的方法，使用LSTM神经网络对湍流控制进行降阶建模（2018），arXiv预印本
[12] F.J.冈萨雷斯。；Balajewicz，M.，用于学习流体系统低维特征动力学的深度卷积递归自动编码器（2018），arXiv预印本
[13] 长谷川，K。；Fukami，K。；Murata，T。；Fukagata，K.，基于CNN-LSTM的不同雷诺数下圆柱周围二维非定常流动的降阶建模，Fluid Dyn。决议，52，第065501条pp.（2020）
[14] Maulik，R。；Lusch，B。；Balaprakash，P.，用递归神经网络和卷积自编码器对对流主导系统进行降阶建模，Phys。流体，33，第037106条pp.（2021）
[15] 拉赫曼，S.M。；帕瓦尔，S。；圣马力诺。；拉希德，A。；伊利埃斯库，T.，准地转湍流的非侵入性降阶模拟框架，物理学。E版，100，第053306条pp.（2019）
[16] 多斯桑托斯，K.R。；乔瓦尼斯，D.G。；Kontolati，K。；Loukrezis，D。；Shields，M.D.，基于格拉斯曼扩散图的几何谐波替代建模（2021），arXiv预印本
[17] Lee，S。；Jang，K。；Cho，H。；Kim，H。；Shin，S.，使用无监督机器学习的流场参数化非侵入模型降阶，计算。方法应用。机械。工程，384，第113999条pp.（2021）·Zbl 1507.76113号
[18] Berkooz，G。；霍姆斯，P。；Lumley，J.L.，湍流分析中的适当正交分解，Annu。流体力学版次。，25, 539-575 (1993)
[19] Maulik，R。；Mengaldo，G.，PyParSVD：流式、分布式和随机单值分解库（2021），arXiv预印本
[20] Lumley，J.L.，《湍流中的随机工具》（1970），学术出版社：纽约学术出版社·Zbl 0273.76035号
[21] Towne，A。；施密特，O.T。；Colonius，T.，谱本征正交分解及其与动态模式分解和预解分析的关系（2017）·Zbl 1404.76145号
[22] 施密特，O.T。；Mengaldo，G.（蒙加尔多，G.）。；Balsamo，G。；Wedi，N.P.，天气和气候数据的谱经验正交函数分析，周一。《天气评论》，1472979-2995（2019）
[23] 法雷尔，B.F。；Ioannou，P.J.，广义稳定性理论。第一部分：自主运营商，J.Atmos。科学。，53, 2025-2040 (1996)
[24] 莫纳汉，A.H。；Fyfe，J.C。；Ambaum，M.H.P。；斯蒂芬森，D.B。；North，G.R.，《经验正交函数：介质是信息》，J.Climate，22，6501-6514（2009）
[25] Sardeshmukh，P.D。；Sura，P.，《协调非高斯气候统计与线性动力学》，《气候杂志》，22，1193-1207（2009）
[26] 内坎蒂，A。；Schmidt，O.T.，《频率-时间分析、低阶重建和使用SPOD去除湍流噪声》，J.流体力学。，926 (2021) ·Zbl 1496.76069号
[27] Chu，T。；Schmidt，O.T.，宽带湍流的随机SPOD-Galerkin模型，Theor。计算。流体动力学。，1-24 (2021)
[28] Ghate，A。；Towne，A。；Lele，S.，使用谱本征正交分解和Gabor模式对非均匀湍流进行宽带重建，J.流体力学。，888 (2020) ·Zbl 1460.76411号
[29] Welch，P.，《快速傅里叶变换在功率谱估计中的应用：基于短修改周期图时间平均的方法》，IEEE Trans。音频电声。，15, 70-73 (1967)
[30] Sirovich，L.，湍流和相干结构动力学，Q.Appl。数学。，45, 561-571 (1987) ·Zbl 0676.76047号
[31] Hochreiter，S。；Schmidhuber，J.，长短期记忆，神经计算。，9, 1735-1780 (1997)
[32] 钟，J。；古尔塞，C。；Cho，K。；Bengio，Y.，门控递归神经网络对序列建模的实证评估（2014），arXiv预印本
[33] Chen，R.T。；Rubanova，Y。；Bettencourt，J。；Duvenaud，D.，《神经常微分方程》（2018），arXiv预印本
[34] 贾德伯格，M。；Simonyan，K。；Zisserman，A.，空间变压器网络，高级神经信息处理。系统。，28, 2017-2025 (2015)
[35] Lea，C。；医学博士弗林。；维达尔，R。；Reiter，A。；Hager，G.D.，动作分割和检测的时间卷积网络，（IEEE计算机视觉和模式识别会议论文集（2017）），156-165
[36] Sherstinsky，A.，《递归神经网络（RNN）和长短期记忆（LSTM）网络基础》，Phys。D： 非线性现象。，404，第132306条pp.（2020）·Zbl 1508.68298号
[37] Mori，H.，《运输、集体运动和布朗运动》，Prog。西奥。物理。，33, 423-455 (1965) ·Zbl 0127.45002号
[38] Zwanzig，R.，非线性广义Langevin方程，J.Stat.Phys。，9, 215-220 (1973)
[39] 马，C。；Wang，J.，动态系统的记忆模型简化和机器学习（2018），arXiv预印本
[40] Evans，D.J.，《非平衡液体的统计力学》（2008）·Zbl 1189.82064号
[41] Mengaldo，G。；Maulik，R.，PySPOD：用于光谱固有正交分解（SPOD）的python包，J.Open Sour。软质。，6, 2862 (2021)
[42] 布吕斯，G.A。；Lele，S.K.，《喷气噪声建模：从大规模模拟的角度》，Philos。事务处理。R.Soc.A，数学。物理学。工程科学。，377 (2019) ·Zbl 1464.76045号
[43] 瓦斯瓦尼，A。；北沙泽尔。；北卡罗来纳州帕尔马。；Uszkoreit，J。；Jones，L。；A.N.戈麦斯。；凯撒，Ł。；我，Polosukhin，你所需要的就是注意力，高级神经信息处理。系统。，30 (2017)
[44] Zhang，C.，Madden-Julian振荡，《地球物理学评论》。，43 (2005)
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。