德拉库拉斯，G.I。;T.V.戈特斯。;布伦塔斯，G.C。;布尔加诺，V.N。;波利佐斯，D。 快速SVD-ML-ROM：基于机器学习的实时应用降阶建模框架。 （英语） Zbl 07725693号 计算。方法应用。机械。工程师。 414，文章ID 116155，42 p.（2023）. 摘要：数字孪生兄弟已成为优化工程产品和系统性能的关键技术。高精度数值模拟是工程设计的支柱，可以深入了解复杂系统的性能。然而，大规模、动态、非线性模型需要大量的计算资源，并且不适合实时数字孪生应用。为此，采用降阶模型（ROM）来近似高保真解，同时准确捕获物理行为的主要方面。本工作提出了一种新的机器学习（ML）平台，用于开发ROM来处理处理瞬态非线性偏微分方程的大规模数值问题。我们的框架，命名为快速SVD-ML-ROM，利用（i）奇异值分解（SVD）更新方法，在仿真过程中计算多保真度解的线性子空间，（ii）用于非线性降维的卷积自编码器，（iii）将输入参数映射到潜在空间的前馈神经网络，以及（iv）长短记忆网络用于预测和预测参数解的动力学。的效率快速SVD-ML-ROM给出了二维线性对流扩散基准、圆柱体周围流体流动问题、高雷诺数下的二维盖驱动腔问题以及动脉段内三维血流的框架。重建结果的准确性表明了该方法的鲁棒性。 引用于1文件 MSC公司： 65M99型 偏微分方程、初值和含时初边值问题的数值方法 68T05型 人工智能中的学习和自适应系统 关键词：降阶建模;机器学习;参数化PDE;数字双胞胎 软件：数字Py;SyFi系统;SINDy PI公司;StarCCM公司+;FEniCS公司;TensorFlow公司;亚当;github PDF格式BibTeX公司 XML格式引用 \textit{G.I.Drakoulas}等人，计算。方法应用。机械。工程414，文章ID 116155，42 p.（2023；Zbl 07725693） 全文： 内政部 arXiv公司 参考文献： [1] Whalen，T.J。；Schöneich，A.G。；劳伦斯·S·J。；B.T.沙利文。；Bodony，D.J。；弗雷丁，M。；Dowell，E.H。；Buck，G.M.，压缩角冲击波/边界层相互作用中的高超音速流体-结构相互作用，AIAA J.，58，9，4090-4105（2020） [2] 胡，X。；杜，J.，具有推进器系统动力学的船舶动态定位鲁棒非线性控制设计，非线性动力学。，94, 1, 365-376 (2018) ·Zbl 1412.93080号 [3] Drakoulas，G。；科基诺斯，C。；Fotiadis，D。；科基诺斯，S。；卢卡斯，K。；A.穆拉斯。；Semertzioglou，A.，《药物洗脱支架上聚合物涂层降解的FEA模型与连续损伤力学耦合》，（2021年第43届IEEE医学与生物学会工程国际年会，2021年IEEE医学和生物学会工程第43届国际年会），EMBC（2021），IEEE），4319-4323 [4] Bourantas，G.C。；拉姆普洛斯（D.Lampropulos）。；Zwick，B.F。；Loukopoulos，V。；Wittek，A。；Miller，K.，血流模拟的浸没边界有限元法，计算与流体，230，第105162条pp.（2021）·Zbl 1521.76924号 [5] Madsen，M.H.A。；Zahle，F。；Sørensen，北卡罗来纳州。；Martins，J.R.，基于多点高保真CFD的10兆瓦风力涡轮机气动外形优化，风能科学。，4, 2, 163-192 (2019) [6] 冈萨雷斯，F.J。；Balajewicz，M.，用于学习流体系统低维特征动力学的深卷积递归自动编码器（2018），arXiv预印本arXiv:1808.01346 [7] Lui，H.F。；Wolf，W.R.，使用深度前馈神经网络构建流体流动的降阶模型，流体力学杂志。，872, 963-994 (2019) ·Zbl 1430.76407号 [8] Daniel，T。；Casenave，F。；北卡罗来纳州阿克卡里。；Ryckelynck，D.，深度神经网络（ROM-net）辅助的模型降阶，高级模型。模拟。工程科学。，7, 1, 1-27 (2020) [9] 艾哈迈德，S.E。；帕瓦尔，S。；圣马力诺。；拉希德，A。；伊利埃斯库，T。；Noack，B.R.，《关于降阶模型的闭包——机器学习途径的第一原理谱》，Phys。流体，33，9，第091301条pp.（2021） [10] 琼斯，D。；斯奈德，C。；Nassehi，A。；Yon，J。；Hicks，B.，《数字双胞胎的特征描述：系统文献综述》，CIRP J.Manuf.Sci。技术。，29, 36-52 (2020) [11] 拉希德，A。；圣马力诺。；Kvamsdal，T.，《数字孪生：价值、挑战和促成因素》（2019），arXiv预印本arXiv:1910.01719 [12] Polyzos，K.D。；卢奇。；Giannakis，G.B.，《在线学习具有自适应性和可扩展性的图的集合高斯过程》，IEEE Trans。信号处理。，70, 17-30 (2021) [13] 彭，G.C。；Alber，M。；Buganza Tepole，A。；坎农，W.R。；德，S。；杜拉·伯纳尔，S。；Garikipati，K。；卡尼亚达基斯，G。；莱顿，W.W。；Perdikaris，P.，《多尺度建模与机器学习：我们可以学习什么？》？，架构（architecture）。计算。方法工程，28，3，1017-1037（2021） [14] Brunton，S.L。；Noack，B.R。；Koumoutsakos，P.，《流体力学的机器学习》，年。流体力学版次。，52, 477-508 (2020) ·Zbl 1439.76138号 [15] Botín-Sanabria，D.M。；Mihaita，A.-S。；Peimbert-García，R.E。；Ramírez-Moreno，医学硕士。；Ramírez-Mendoza，R.A。；Lozoya-Santos，J.d.J.，《数字孪生技术挑战与应用：综合评述》，《遥感》，第14、6、1335页（2022年） [16] Srikonda，R。；拉斯托吉，A。；Oestensen，H.，《在动态数字孪生模型中使用机器学习和基于物理的混合分析增加设施正常运行时间》（海上技术会议（2020年），OnePetro） [17] Grieves，M.W.，《虚拟智能产品系统：数字和物理双胞胎》（2019） [18] Choi，Y。；Oxberry，G.公司。；怀特，D。；Kirchdoerfer，T.，《使用降阶模型加速设计优化》（2019），arXiv预印本arXiv:1909.11320 [19] 帕瓦尔，S。；San，O.，数据同化增强了地球物理流亚网格过程的神经网络参数化，Phys。流体版本，6，5，第050501条pp.（2021） [20] 阿库奇，R。；莫特特，L。；疼痛，C。；郭永康，变分资料同化的最优约化空间，J.Compute。物理。，379, 51-69 (2019) ·Zbl 07581563号 [21] Pagani，S。；Manzoni，A.，《通过降阶建模和机器学习实现心脏电生理学的正向不确定性量化和敏感性分析》，国际期刊Numer。方法生物识别。Eng.，37，6，文章e3450，第（2021）页 [22] Zahr，M.J。；卡尔伯格，K.T。；Kouri，D.P.，一种使用自适应模型约简和稀疏网格在不确定性下进行优化的有效、全局收敛的方法，SIAM/ASA J.不确定性。数量。，7, 3, 877-912 (2019) ·Zbl 1448.65057号 [23] 本纳，P。；古吉丁，S。；Willcox，K.，参数动力系统基于投影的模型简化方法综述，SIAM Rev.，57，4，483-531（2015）·Zbl 1339.37089号 [24] 瑞士R。；Mainini，L。；佩赫斯托弗，B。；Willcox，K.，《基于投影的模型简化：基于物理的机器学习公式》，计算与流体，179，704-717（2019）·Zbl 1411.65061号 [25] Arzani，A。；Dawson，S.T.，《数据驱动的心血管血流建模：示例和机遇》，J.R.Soc.Interface，18，175，第20200802页，（2021） [26] 金，Y。；王凯。；Choi，Y.，使用少于120行代码的Python线性动力系统的高效时空降阶模型，数学，9，14，1690（2021） [27] 古普塔，R。；Jaiman，R.，基于三维深度学习的变雷诺数非定常流动动力学降阶模型，Phys。流体，34，3，第033612页（2022）条 [28] 裤子，P。；多西，R。；Bahl，P。；Barati Farimani，A.，流体模拟降阶建模和有效时间演化的深度学习，物理。流体，33，10，第107101条pp.（2021） [29] 牟，C。；Koc，B。；圣马力诺。；雷霍尔茨，L.G。；伊利埃斯库，T.，数据驱动变分多尺度降阶模型，计算。方法应用。机械。工程，373，第113470条pp.（2021）·Zbl 1506.65158号 [30] 艾哈迈德，S.E。；圣马力诺。；拉希德，A。；Iliescu，T.，混合提升降阶模型的长-短期记忆嵌入，Physica D，409，Article 132471 pp.（2020）·Zbl 1505.76071号 [31] 艾哈迈德，S.E。；圣马力诺。；卡拉·K。；尤尼斯，R。；Rasheed，A.，耦合全阶和降阶模型的多保真计算，Plos One，16，2，Article e0246092 pp.（2021） [32] E.J.帕里什。；温特兰，C.R。；Duraisamy，K.，非线性模型简化的伴随Petrov-Galerkin方法，计算。方法应用。机械。工程，365，第112991条pp.（2020）·Zbl 1442.76069号 [33] 卡尔伯格，K。；巴龙，M。；Antil，H.，Galerkin v.非线性模型简化中的最小二乘Petrov-Galerkins投影，J.Compute。物理。，330, 693-734 (2017) ·Zbl 1378.65145号 [34] 谢，X。；张，G。；Webster，C.G.，使用深度多步神经网络的流体非侵入式推理降阶模型，数学，7，8，757（2019） [35] 徐，J。；Duraisamy，K.，时空动力学参数预测的多级卷积自动编码器网络，计算。方法应用。机械。工程，372，第113379条pp.（2020）·Zbl 1506.68111号 [36] Maulik，R。；卢施，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，33，3，第037106条pp.（2021） [37] Y’d’z，S。；Uzunca，M。；Karasözen，B.，旋转热浅水方程的侵入和非侵入降阶建模（2021），arXiv预印本arXiv:2104.00213 [38] Kadeethum，T。；巴拉林，F。；Choi，Y。；奥马利，D。；Yoon，H。；Bouklas，N.，《使用卷积自编码器对多孔介质中自然对流进行非侵入降阶建模：与线性子空间技术的比较》，Adv.Water Resour。，第104098条pp.（2022） [39] 弗雷斯卡，S。；戴德，L。；Manzoni，A.，基于深度学习的综合方法，用于非线性时间相关参数化PDE的降阶建模，J.Sci。计算。，87, 2, 1-36 (2021) ·兹比尔1470.65166 [40] 萨尔瓦多，M。；戴德，L。；Manzoni，A.，通过内核POD和神经网络对参数化PDE进行非侵入式降阶建模，计算。数学。应用。，104, 1-13 (2021) ·Zbl 07447582号 [41] Kaheman，K。；库茨，J.N。；Brunton，S.L.，SINDy-PI：非线性动力学并行隐式稀疏辨识的鲁棒算法，Proc。R.Soc.伦敦。序列号。数学。物理学。工程科学。，4762242，第20200279条pp.（2020）·Zbl 1473.93007号 [42] Saibaba，A.K.，非线性模型简化的随机离散经验插值法，SIAM J.Sci。计算。，42、3、A1582-A1608（2020）·Zbl 07206903号 [43] 本纳，P。；戈亚尔，P。；Kramer，B。；佩赫斯托弗，B。；Willcox，K.，非多项式非线性项系统非侵入模型简化的算子推断，计算。方法应用。机械。工程，372，第113433条pp.（2020）·Zbl 1506.93015号 [44] 哈特曼博士。；Failer，L.，《算子推理的可微求解方法》（2021），arXiv预印本arXiv:2107.02093 [45] Ortali，G。；演示，N。；Rozza，G.，流体动力学工程问题数据驱动POD框架内的高斯过程回归方法，数学。工程师，4，3，1-16（2022年）·Zbl 1500.76072号 [46] 长谷川，K。；Fukami，K。；Murata，T。；Fukagata，K.，《各种形状钝体周围非定常流动的基于机器学习的降阶建模》，Theor。计算。流体动力学。，34, 4, 367-383 (2020) [47] Nikolopoulos，S。；卡洛格里斯，I。；Papadopoulos，V.，使用卷积自动编码器的参数化时间相关偏微分方程的非侵入代理建模，Eng.Appl。Artif公司。智力。，109，第104652条pp.（2022） [48] Nakamura，T。；Fukami，K。；长谷川，K。；Nabae，Y。；Fukagata，K.，卷积神经网络和基于长-短期记忆的最小紊流河道降阶代理，Phys。流体，33，2，第025116条pp.（2021） [49] T·辛普森。；北卡罗来纳州德维利斯。；Chatzi，E.，通过自动编码器和lstm网络对非线性系统进行模型降阶的机器学习方法（2021），arXiv预印本arXiv:2109.1123 [50] Murata，T。；Fukami，K。；Fukagata，K.，流体动力学卷积神经网络非线性模式分解，流体力学杂志。，882 (2020) ·Zbl 1430.76395号 [51] Maulik，R。；博萨斯，T。；北卡罗来纳州拉马钱德拉。；梅森，L.R。；Pan，I.，使用高斯过程仿真的非侵入降阶模型的潜在时空演化，Physica D，416，Article 132797 pp.（2021）·Zbl 07493969号 [52] Benardos，P。；Vosniakos，G.-C.，《优化前馈人工神经网络结构》，工程应用。Artif公司。智力。，20365-382（2007年） [53] 卡兰齐斯，V。；科利亚斯，G。；乌巴鲁，S。；Nikolakopoulos，A.N。；Horesh，L。；Clarkson，K.，应用投影技术更新进化矩阵的截断奇异值分解，（机器学习国际会议（2021年），PMLR），5236-5246 [54] Fatone，F。；弗雷斯卡，S。；Manzoni，A.，基于深度学习的降阶模型对非线性参数化动力学系统的长期预测（2022），arXiv预印本arXiv:2201.10215 [55] 艾哈迈德，S.E。；圣马力诺。；拉希德，A。；伊利埃斯库，T.，对流主导流的非线性本征正交分解，物理学。流体，33，12，第121702条，第（2021）页 [56] 佩塔斯，D。；卡拉佩萨斯，G。；Dimakopoulos，Y。；Tsamopoulos，J.，《挤出不稳定性的起源：粘弹性挤出胀大的线性稳定性分析》，J.Non-Newton。流体力学。，224, 61-77 (2015) [57] Eymard，R。；加洛特，t。；Herbin，R.，有限体积法，（数值分析手册，第7卷（2000），Elsevier），713-1018·Zbl 0981.65095号 [58] Liszka，T。；Orkisz，J.，任意不规则网格上的有限差分方法及其在应用力学中的应用，计算。结构。，11, 1-2, 83-95 (1980) ·Zbl 0427.73077号 [59] 穆卡勒德，F。；Mangani，L。；Darwish，M.，《有限体积法》（The finite volume method in Computation Fluid Dynamics，2016），施普林格出版社，第103-135页·Zbl 1329.76001号 [60] 罗德普洛斯特区。；Gortsas，T.V。；Tsinopoulos，S.V.公司。；Polyzos，D.，ACA/BEM用于解决大规模阴极保护问题，《工程分析》。已绑定。元素。，106, 139-148 (2019) ·Zbl 1464.78023号 [61] 戈尔萨斯，电视。；Triantafyllidis，T。；Chrisopoulos，S。；Polyzos，D.，风力涡轮机辐射的微地震和次声噪声的数值模拟，土壤动力学。接地。Eng.，99，108-123（2017），网址：https://www.sciencedirect.com/science/article/pii/S026772611730297X [62] Kalovelonis，D.T。；罗德普洛斯特区。；Gortsas，T.V。；Polyzos，D。；Tsinopoulos，S.V.，《使用详细BEM模型对集装箱船进行阴极保护》，J.Mar.Sci。工程师，8，5，359（2020年） [63] Bourantas，G.C。；Loukopoulos，V。；乔德斯，G.R。；Wittek，A。；Miller，K.，电驱动磁流体力学（MHD）流动的显式无网格点配置法，应用。数学。计算。，348215-233（2019）·Zbl 1428.76146号 [64] 莱斯，M。；佩尔迪卡里斯，P。；Karniadakis，G.E.，《基于物理的神经网络：解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》，J.Compute。物理。，378, 686-707 (2019) ·Zbl 1415.68175号 [65] Tabib，M.V。；帕瓦尔，S。；艾哈迈德，S.E。；拉希德，A。；San，O.，《使用深度学习和格拉斯曼流形的城市风流非侵入参数降阶模型》（Journal of Physics:Conference Series（2021），IOP Publishing），第012038页。 [66] Goodall，C.R.，13使用QR分解进行计算（1993年）·Zbl 0799.65048号 [67] Aggarwal，C.C.，《神经网络与深度学习》，第10卷（2018年），施普林格出版社，978-3·Zbl 1402.68001号 [68] 毛晓杰。；沈，C。；Yang，Y.-B.，使用具有对称跳跃连接的卷积自动编码器进行图像恢复（2016），arXiv预印本arXiv:1606.08921 [69] 尤迪林，O。；San Tan，R。；Acharya，U.R.，使用深度卷积自动编码器对ECG信号进行有效压缩，Cogn。系统。决议，52，198-211（2018） [70] 宋，X。；黄，J。；Song，D.，基于LSTM卡尔曼模型的空气质量预测，（2019年IEEE第八届国际信息技术和人工智能联合会议。2019年IEEE第八届国际信息技术和人工智能联合会议，ITAIC（2019），IEEE），695-699 [71] Mohan，A.T。；Gaitonde，D.V.，《使用LSTM神经网络进行湍流控制降阶建模的基于深度学习的方法》（2018），arXiv预印本arXiv:1804.09269 [72] Venugopalan，南卡罗来纳州。；罗尔巴赫，M。；Donahue，J。；穆尼，R。；Darrell，T。；Saenko，K.，序列到序列-视频到文本，（IEEE计算机视觉国际会议论文集（2015）），4534-4542 [73] 张，A。；利普顿，Z.C。；李，M。；Smola，A.J.，深入学习（2021），arXiv预印本arXiv:2106.11342 [74] Yan，S.，《理解LSTM网络》（2015年），在线版。8月11日访问 [75] 史，J。；Jain，M。；Narasimhan，G.，使用各种深度学习模型的时间序列预测（TSF）（2022年），arXiv预印本arXiv:2204.11115 [76] Nwankpa，C.公司。；伊约马，W。；加查根，A。；Marshall，S.，《激活功能：深度学习实践和研究趋势的比较》（2018），arXiv预印本arXiv:1811.03378 [77] Elsken，T。；Metzen，J.H。；Hutter，F.，《神经架构搜索：一项调查》，J.Mach。学习。1997年至2017年（2019年）第20、1号决议·Zbl 1485.68229号 [78] Kingma，D.P。；Ba，J.，Adam：随机优化方法（2014），arXiv预印本arXiv:1412.6980 [79] Ketkar，N.，《随机梯度下降》（Deep Learning with Python，2017），施普林格出版社，113-132 [80] Yang，L。；Shami，A.，《机器学习算法的超参数优化：理论与实践》，神经计算，415295-316（2020） [81] Stein，M.，使用拉丁超立方体采样的模拟大样本特性，技术计量学，29，2，143-151（1987）·Zbl 0627.62010号 [82] Choi，Y。；Boncoraglio，G。；安德森，S。；Amsallem，D。；Farhat，C.，使用线性降阶模型数据库的基于梯度的约束优化，J.Compute。物理。，423，第109787条pp.（2020）·Zbl 07508406号 [83] 南卡罗来纳州切拉帕。；冯，L。；Benner，P.，《缩减基方法的训练集子抽样策略》，J.Sci。计算。，89, 1-34 (2021) ·Zbl 1502.65262号 [84] M.阿巴迪。；巴勒姆，P。；陈，J。；陈，Z。；A.戴维斯。；迪安·J。；德文，M。；Ghemawat，S。；欧文，G。；Isard，M.，{TensorFlow}:A system for{Large-Scale}machine learning，（第12届USENIX操作系统设计与实现研讨会（OSDI 16）（2016）），265-283 [85] Oliphant，T.E.，《NumPy指南》，第1卷（2006年），Trelgol Publishing:Trellgol Publishing USA [86] Microsoft，T.E.，神经网络智能（2021），网址：https://github.com/microsoft/nni [87] Morton，K.W.，对流扩散问题的数值解（2019），CRC出版社 [88] Gortsas，T.V。；Tsinopoulos，S.V.，《用于求解瞬态对流扩散反应问题的局部域边界元法》，《国际传热杂志》，194年，第123029页，（2022） [89] 波兰塔斯，G。；Burganos，V.，《求解瞬态非线性泊松型方程的隐式无网格格式》，《工程分析》。已绑定。元素。，37, 7, 1117-1126 (2013) ·Zbl 1287.65084号 [90] Bourantas，G.C。；Cheeseman，B.L。；Ramaswamy，R。；Sbalzarini，I.F.，在欧拉无网格配置方法中使用DC PSE算子离散化提高了其在复杂几何中的鲁棒性，计算与流体，136285-300（2016）·Zbl 1390.76645号 [91] AL-Bayati，S.A。；Wrobel，L.C.，《变速二维瞬态对流-扩散-反应问题的新型双互易边界元公式》，《工程分析》。已绑定。元素。，94, 60-68 (2018) ·Zbl 1403.65055号 [92] Guide，U.，StarCCM+版本2020.1（2020），西门子Simcenter [93] Bourantas，G。；斯库拉斯，E。；Loukopoulos，V。；Nikiforidis，G.，高雷诺数下速度-涡度公式中二维稳态不可压缩navier-stokes方程的无网格点配置格式，计算。模型。工程科学。，59, 1, 31-63 (2010) ·Zbl 1231.76069号 [94] Bourantas，G.C.公司。；Cheeseman，B.L。；Ramaswamy，R。；Sbalzarini，I.F.，在欧拉无网格配置方法中使用DC PSE算子离散化提高了其在复杂几何中的鲁棒性，计算与流体，136285-300（2016）·Zbl 1390.76645号 [95] Logg，A。；马尔达尔，K.-A。；Wells，G.，《用有限元方法自动求解微分方程：FEniCS图书》，第84卷（2012年），Springer Science&Business Media·Zbl 1247.65105号 [96] 帕瓦尔，S。；San，O.，机器学习和数据同化交叉点处地球物理流的无方程替代建模，J.Adv.建模地球系统。，14、11，文章e2022MS003170 pp.（2022） 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。