何小龙;崔英秀;威廉·D·弗里斯。;乔纳森·贝洛夫。;陈久贤 gLaSDI：基于参数物理的贪婪潜在空间动力学识别。 （英语） Zbl 07705908号 J.计算。物理学。 489，文章ID 112267，32 p.（2023）. 摘要：提出了一种参数自适应物理信息贪婪潜在空间动力学辨识（gLaSDI）方法，用于高维非线性动力系统的准确、高效和鲁棒的数据驱动降阶建模。在提出的gLaSDI框架中，自动编码器发现高维数据的内在非线性潜在表示，而动力学识别（DI）模型捕获局部潜在空间动力学。自动编码器和局部DI模型采用交互式训练算法，能够识别简单的潜在空间动力学，提高数据驱动降阶建模的准确性和效率。为了最大化和加速对参数空间的探索以获得最佳模型性能，引入了一种自适应贪婪采样算法，该算法结合了基于物理信息的残差误差指示器和随机子集评估来动态搜索最佳训练样本。此外，为了利用局部DI模型捕获的局部潜在空间动力学，在参数空间中使用最小数量的局部DI模型来提高建模精度，采用了\（k\）-最近邻凸插值方案。通过对各种非线性动力学问题进行建模，包括Burgers方程、非线性热传导和径向平流，证明了该框架的有效性。提出的自适应贪婪采样在精度上优于传统的预定义均匀采样。与高保真模型相比，gLaSDI实现了17到2658倍的加速，相对误差为1到5%。 引用于4文件 MSC公司： 6500万 偏微分方程、初值和含时初边值问题的数值方法 65新元 偏微分方程边值问题的数值方法 7.6亿 流体力学基本方法 关键词：降阶模型;自动编码器;非线性动力系统;基于回归的动力学辨识;基于物理的贪婪算法;自适应采样 软件：PyTorch公司;TensorFlow公司;亚当;密封圈ROM空间;LaSDI公司;达奇;gLaSDI公司;货币基金组织 PDF格式BibTeX公司 XML格式引用 \textit{X.He}等人，《计算杂志》。物理学。489，文章ID 112267，32 p.（2023；Zbl 07705908） 全文： DOI程序 arXiv公司 参考文献： [1] 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) [2] 刘，M。；方，S。；Dong，H。；Xu，C.，《关于概念、技术和工业应用的数字孪生兄弟回顾》，J.Manuf.Syst。，58, 346-361 (2021) [3] 王，S。；斯特勒，E.d。；Paulino，G.H.，利用预处理Krylov子空间方法进行大尺度拓扑优化，国际期刊Numer。方法工程，69，12，2441-2468（2007）·Zbl 1194.74265号 [4] 怀特，D.A。；Choi，Y。；Kudo，J.，一种用于应力约束拓扑优化的自适应对偶网格方法，结构。多磁盘。最佳。，61, 2, 749-762 (2020) [5] Choi，Y。；Farhat，C。；默里，W。；Saunders，M.，pde-constrained分布式最优控制Schur补码的实用分解，J.Sci。计算。，65, 2, 576-597 (2015) ·Zbl 1327.65225号 [6] Smith，R.C.，《不确定性量化：理论、实施和应用》，第12卷（2013年），SIAM [7] 比罗斯，G。；O.加塔斯。；Heinkenschloss，M。；凯斯，D。；马利克，B。；特诺里奥。；van Bloemen Waanders，B。；Willcox，K。；Y.Marzouk。；Biegler，L.，《大尺度反问题和不确定性量化》（2011），John Wiley&Sons·兹比尔1203.62002 [8] Galbally，D。；Fidkowski，K。；Willcox，K。；Ghattas，O.，《大规模反问题中不确定性量化的非线性模型简化》，国际期刊Numer。方法工程，81，12，1581-1608（2010）·Zbl 1183.76837号 [9] 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, 1, 539-575 (1993) [10] Patera，A.T。；Rozza，G.，参数化偏微分方程的简化基近似和后验误差估计（2007） [11] Safonov，M.G。；Chiang，R.，平衡截断模型简化的Schur方法，IEEE Trans。自动。控制，34，7，729-733（1989）·Zbl 0687.93027号 [12] DeMers，D。；Cottrell，G.W.，非线性降维，（神经信息处理系统进展（1993）），580-587 [13] 辛顿，G.E。；Salakhutdinov，R.R.，《用神经网络降低数据的维数》，《科学》，3135786504-507（2006）·Zbl 1226.68083号 [14] Kim，Y。；Choi，Y。；Widemann，D。；Zohdi，T.，一种快速准确的基于物理信息的神经网络降阶模型，带有浅屏蔽自动编码器，J.Compute。物理。，451，第110841条pp.（2022）·Zbl 07517153号 [15] Kim，Y。；Choi，Y。；Widemann，D。；Zohdi，T.，高效非线性流形降阶模型（2020），arXiv预印本 [16] Lee，K。；Carlberg，K.T.，使用深度卷积自编码器对非线性流形上动力系统的模型简化，J.Compute。物理。，404，第108973条pp.（2020）·Zbl 1454.65184号 [17] Hoang，C。；Choi，Y。；Carlberg，K.，域分解最小二乘Petrov-Galerkin（dd-lspg）非线性模型简化，计算。方法应用。机械。工程，384，第113997条pp.（2021）·Zbl 1507.65242号 [18] 科普兰，D.M。；张，S.W。；Huynh，K。；Choi，Y.，拉格朗日流体动力学的降阶模型，计算。方法应用。机械。工程，388，第114259条pp.（2022）·兹比尔1507.76179 [19] 张，S.W。；Choi，Y。；科普兰，D.M。；Huynh，K.，通过解流形分解对Rayleigh-Taylor不稳定性进行局部拉格朗日降阶建模（2022），arXiv预印本 [20] Lauzon，J.等人。；张，S.W。；Shin，Y。；Choi，Y。；科普兰，M。；Huynh，K.，S-OPT：降阶模型中超还原的点选择算法（2022），arXiv预印本 [21] Fritzen，F。；Haasdonk，B。；Ryckelynck，D。；Schöps，S.，非线性热问题的超还原和离散经验插值方法的算法比较，数学。计算。申请。，23, 1, 8 (2018) ·Zbl 1390.80017号 [22] Choi，Y。；库姆斯，D。；Anderson，R.，Sns：用于时间相关模型降阶的基于解的非线性子空间方法，SIAM J.Sci。计算。，42、2、A1116-A1146（2020）·Zbl 1442.37111号 [23] Choi，Y。；Carlberg，K.，非线性模型简化的时空最小二乘Petrov-Galerkin投影，SIAM J.Sci。计算。，41、1、A26-A58（2019）·Zbl 1405.65140号 [24] 卡尔伯格，K。；Choi，Y。；Sargsyan，S.，有限体积模型的保守模型简化，J.Compute。物理。，371, 280-314 (2018) ·Zbl 1415.65208号 [25] 麦克劳林，B。；彼得森，J。；Ye，M.，使用算子分裂的对流-扩散-反应方程的稳定化降阶模型，计算。数学。申请。，71, 11, 2407-2420 (2016) ·Zbl 1443.65216号 [26] Kim，Y。；王凯。；Choi，Y.，使用少于120行代码的python中线性动力系统的高效时空降阶模型，数学，9，14，1690（2021） [27] 稳定，G。；Rozza，G.，参数化不可压缩Navier-Stokes方程的有限体积pod-Galerkin稳定降阶方法，计算。流体，173273-284（2018）·兹比尔1410.76264 [28] 伊利埃斯库，T。；Wang，Z.，变分多尺度真正交分解：Navier-Stokes方程，数值。方法部分差异。Equ.、。，30, 2, 641-663 (2014) ·Zbl 1452.76048号 [29] A.C.休斯。；Buchan，A.G.，波尔兹曼输运方程角离散化的不连续自适应降阶模型，国际J·数值。方法工程，121，24，5647-5666（2020） [30] Choi，Y。；布朗，P。；Arrighi，W。；安德森，R。；Huynh，K.，大型线性动力系统的时空降阶模型及其在Boltzmann输运问题中的应用，J.Comput。物理。，424，第109845条pp.（2021）·Zbl 07508450号 [31] Chen，J.-S。；马罗东，C。；Hu，H.-Y.，Poisson奇异性问题无网格解的模型降阶，国际数字杂志。方法工程，102，5，1211-1237（2015）·Zbl 1352.65561号 [32] 何，Q。；Chen，J.-S。；Marodon，C.，基于无网格积分奇异基函数方法的断裂力学分解子空间约简，计算。机械。，63, 3, 593-614 (2019) ·Zbl 1469.74125号 [33] Lee，C.-H。；Chen，J.-S.，通过分子动力学系统的径向基函数进行基于适当正交分解的模型降阶，国际期刊编号。方法工程，96，10，599-627（2013）·Zbl 1352.65182号 [34] Lee，C.-H。；Chen，J.-S.，Rbf-pod在拉伸和弯曲条件下DNA分子的降阶模型，交互作用。多尺度机械。，6, 4, 395-409 (2013) [35] Kaneko，S。；魏，H。；何，Q。；Chen，J.-S。；Yoshimura，S.，《热循环诱导塑性变形加速建模的超还原计算方法》，J.Mech。物理学。固体，151，第104385条pp.（2021） [36] Gogu，C.，《通过动态降阶模型构建提高大规模拓扑优化的效率》，国际期刊编号。方法工程，101，4，281-304（2015）·Zbl 1352.74241号 [37] Choi，Y。；Oxberry，G。；怀特，D。；Kirchdoerfer，T.，《使用降阶模型加速设计优化》（2019年），arXiv预印本 [38] McBane，S。；Choi，Y.，组件式降阶模型格构结构设计，计算。方法应用。机械。工程，381，文章113813 pp.（2021）·Zbl 1506.74290号 [39] 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 [40] 弗里斯，W.D。；何，X。；Choi，Y.，LaSDI：参数潜在空间动力学识别，计算。方法应用。机械。工程，399，第115436条pp.（2022）·Zbl 1507.65078号 [41] 卢，H。；Tartakovsky，D.M.，《带激波双曲问题降阶模型构建的动态模式分解》，J.Mach。学习。模型。计算。，2021年2月1日 [42] 卢，H。；Tartakovsky，D.M.，用于构建对流主导现象的降阶模型的拉格朗日动力模式分解，J.Compute。物理。，407，第109229条pp.（2020）·Zbl 07504703号 [43] 莫加尼，R。；Balajewicz，M.，对流主导非线性流降维的拉格朗日基方法（2017），arXiv预印本 [44] Reiss，J。；舒尔茨，P。；塞斯特亨，J。；Mehrmann，V.，《移位本征正交分解：多重输运现象的模式分解》，SIAM J.Sci。计算。，40、3、A1322-A1344（2018）·Zbl 1446.65212号 [45] Mirhoseini，文学硕士。；Zahr，M.J.，通过基于优化的隐式特征跟踪对对流偏微分方程进行模型简化（2021），arXiv预印本 [46] 钱，Z。；西帕萨德，C.C。；约瑟夫·V·R。；艾伦·J·K。；Wu，C.Jeff，基于详细和近似模拟构建代理模型，J.Mech。设计。，128, 4, 668-677 (2006) [47] 塔皮亚，G。；Khairallah，S。；马修斯，M。；King，W.E。；Elwany，A.，《316l不锈钢激光粉末床聚变添加剂制造工艺规划的基于高斯过程的替代建模框架》，国际先进制造技术杂志。，94, 9, 3591-3603 (2018) [48] B.Daniel Marjavaara；Lundsröm，T.Staffan；Goel，T。；Mack，Y。；Shy，W.，通过帕累托前沿的多重替代模型近似进行水轮机扩压器形状优化，流体工程杂志，129，91228-1240（2007） [49] 黄，F。；王，L。；Yang，C.，使用基于代理的方法对船体形状进行优化，以减少阻力并改善耐波性，（第二十五届国际海洋和极地工程会议。第二十五届世界海洋和极面工程会议，OnePetro（2015）） [50] 韩，Z.-H。；Görtz，S。；Zimmermann，R.，通过梯度增强kriging和广义混合桥函数改进可变精度代理建模，Aerosp。科学。技术。，25, 1, 177-189 (2013) [51] 韩，Z.-H。；Görtz，S.，变丰度代理建模的层次克里金模型，AIAA J.，50，9，1885-1896（2012） [52] 博克，F.E。；艾丁，R.C。；Cyron，C.J。；N.Huber。；Kalidindi，S.R。；Klusemann，B.，机器学习和数据挖掘方法在连续体材料力学中的应用综述，Frontiers Mater。，6, 110 (2019) [53] Kutz，J.N.，流体动力学中的深度学习，流体力学杂志。，814, 1-4 (2017) ·Zbl 1383.76380号 [54] 帕格尼尼，M。；de Oliveira，L。；Nachman，B.，Calogan：利用生成对抗网络在多层电磁量热计中模拟三维高能粒子簇射，Phys。D版，97，1，第014021条，pp.（2018） [55] 最小值，S。；Lee，B。；Yoon，S.，《生物信息学的深度学习》，简介。生物信息。，18, 5, 851-869 (2017) [56] J.莫顿。；A.詹姆逊。；M.J.Kochenderfer。；Witherden，F.，《非定常流体流动的深层动力学建模和控制》，高级神经网络过程。系统。，31 (2018) [57] Kadeethum，T。；奥马利，D。；Fuhg，J.N。；Choi，Y。；Lee，J。；Viswanathan，H.S。；Bouklas，N.，《使用条件生成对抗网络的pde数据驱动解决方案和参数估计框架》，《自然计算》。科学。，1, 12, 819-829 (2021) [58] Kadeethum，T。；奥马利，D。；Choi，Y。；Viswanathan，H。；北Bouklas。；Yoon，H.，具有异质材料特性的多孔弹性数据驱动解决方案的连续条件生成对抗网络（2021），arXiv预印本 [59] 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） [60] Kadeethum，T。；巴拉林，F。；奥马利，D。；Choi，Y。；北Bouklas。；Yoon，H.，用barlow孪生自监督学习对流动和输运问题进行降阶建模（2022），arXiv预印本 [61] 瑞士R。；Mainini，L。；佩赫斯托弗，B。；Willcox，K.，基于投影的模型约简：基于物理的机器学习的公式，Comput。流体，179，704-717（2019）·Zbl 1411.65061号 [62] Kim，B。；阿泽夫多，V.C。；北卡罗来纳州瑟雷。；Kim，T。；毛重，M。；Solenthaler，B.，《深层流体：参数化流体模拟的生成网络》（Computer Graphics Forum.Computer Graphics Forum，Wiley Online Library，第38卷（2019年）），59-70 [63] 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） [64] Hoang，C。；Chowdhary，K。；Lee，K。；Ray，J.，使用时空子空间和机器学习的动态系统基于投影的模型简化，计算。方法应用。机械。工程，389，第114341条pp.（2022）·Zbl 1507.65292号 [65] Koza，J.R.，《通过自然选择为计算机编程的一种方法——遗传编程》，《统计计算》。，4, 2, 87-112 (1994) [66] 施密特，M。；Lipson，H.，《从实验数据中提取自由形式自然法则》，《科学》，324592381-85（2009） [67] 布伦顿，S.L。；Proctor，J.L。；Kutz，J.N.，通过非线性动力系统的稀疏识别从数据中发现控制方程，Proc。国家。阿卡德。科学。，113, 15, 3932-3937 (2016) ·Zbl 1355.94013号 [68] 佩赫斯托弗，B。；Willcox，K.，基于非侵入投影模型简化的数据驱动算子推断，计算。方法应用。机械。工程，306196-215（2016）·Zbl 1436.93062号 [69] 钱，E。；Kramer，B。；佩赫斯托弗，B。；Willcox，K.，Lift&learn:大型非线性动力系统的基于物理的机器学习，Physica D，406，Article 132401 pp.（2020）·Zbl 1493.62512号 [70] 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）·兹比尔1506.93015 [71] 克兰默，M。；Sanchez Gonzalez，A。；巴塔利亚，P。；Xu，R。；克兰默，K。；斯佩格尔，D。；Ho，S.，《利用归纳偏差从深度学习中发现符号模型》，《高级神经信息处理》。系统。，33, 17429-17442 (2020) [72] Cranmer，M.，Pysr：《Python/Julia中的快速并行符号回归》（2020） [73] 萨胡，S。；兰伯特，C。；Martius，G.，外推和控制的学习方程，（机器学习国际会议（2018），PMLR），4442-4450 [74] Kusner，M.J。；佩奇，B。；Hernández-Lobato，J.M.，语法变分自动编码器，（机器学习国际会议（2017），PMLR），1945-1954年 [75] 李，L。；范，M。；辛格，R。；Riley，P.，带渐近约束的神经引导符号回归（2019），arXiv预印本 [76] 冠军K。；Lusch，B。；库茨，J.N。；Brunton，S.L.，数据驱动的坐标和控制方程发现，Proc。国家。阿卡德。科学。，116, 45, 22445-22451 (2019) ·Zbl 1433.68396号 [77] Bai，Z。；Peng，L.，通过机器学习逼近低维算子的非侵入式非线性模型约简，Adv.model。模拟。工程科学。，8, 1, 1-24 (2021) [78] Geelen，R。；赖特，S。；Willcox，K.，非线性流形非侵入模型简化的算子推断（2022），arXiv预印本 [79] 郭，M。；McQuarrie，S。；Willcox，K.，数据驱动降阶建模的贝叶斯算子推断（2022），arXiv预印本·Zbl 1507.65105号 [80] Geelen，R。；Willcox，K.，《算子推理框架中的局部非侵入降阶建模》，Philos。事务处理。R.Soc.，A，380，2229，第20210206条pp.（2022） [81] McQuarrie，S.A。；Khodabakhshi，P。；Willcox，K.E.，通过数据驱动算子推断的参数偏微分方程的非侵入降阶模型（2021），arXiv预印本 [82] 瑞士R。；Kramer，B。；黄，C。；Willcox，K.，《学习单喷射器燃烧过程的基于物理的降阶模型》，AIAA J.，58，6，2658-2672（2020） [83] Jain，P。；McQuarrie，S。；Kramer，B.，单喷射器燃烧过程数据驱动简化模型的性能比较，（AIAA推进与能源2021论坛（2021）），3633 [84] McQuarrie，S.A。；黄，C。；Willcox，K.E.，《通过单喷射器燃烧过程的规则化操作员推断实现的数据驱动降阶模型》，J.R.Soc.N.Z.，51，2，194-211（2021） [85] Peherstorfer，B.，《利用操作员推断从数据中采样低维马尔可夫动力学以预症状恢复简化模型》，SIAM J.Sci。计算。，42、5、A3489-A3515（2020）·Zbl 1456.65120号 [86] Khodabakhshi，P。；Willcox，K.E.，从提升变换导出的微分代数方程的非侵入式数据驱动模型约简，计算。方法应用。机械。工程，389，第114296条pp.（2022）·Zbl 1507.65135号 [87] Y’d’z，S。；戈亚尔，P。；本纳，P。；Karasözen，B.，从数据中学习参数化浅水方程的降阶动力学，Int.J.Numer。方法流体，93，8，2803-2821（2021） [88] O.Issan。；Kramer，B.，《通过移位算符推断预测从内高层到地球的太阳风流》（2022年），arXiv预印本·Zbl 07625381号 [89] Settles，B.，《主动学习文献调查》（2009年） [90] P.梅尔维尔。；Mooney，R.J.，《主动学习的多样集成》（2004年第二十届国际机器学习会议论文集），74 [91] Paszke，A。；毛重，S。；钦塔拉，S。；Chanan，G。；杨，E。；德维托，Z。；Lin，Z。；Desmaison，A。；安提瓜，L。；Lerer，A.，《PyTorch中的自动区分》（2017） [92] Shepard，D.，不规则空间数据的二维插值函数，（1968年第23届ACM全国会议论文集（1968）），517-524 [93] 巴布什卡，I。；Melenk，J.M.，单位分割法，国际数字杂志。方法工程，40，4，727-758（1997）·Zbl 0949.65117号 [94] Wendland，H.，《分散数据近似》，第17卷（2004），剑桥大学出版社 [95] 何，Q。；康，Z。；Wang，Y.，具有无网格分析和独立密度场插值的几何非线性结构拓扑优化方法，计算。机械。，54, 3, 629-644 (2014) ·Zbl 1311.74098号 [96] 何，X。；何，Q。；Chen，J.-S.，《物理约束数据驱动非线性材料建模的深度自动编码器》，计算。方法应用。机械。工程，385，第114034条pp.（2021）·Zbl 1502.74109号 [97] 罗维斯，S.T。；Saul，L.K.，通过局部线性嵌入降低非线性维数，《科学》，290，5500，2323-2326（2000） [98] 何，Q。；Chen，J.-S.，一种基于局部凸重建的物理约束数据驱动方法，用于噪声数据库，计算。方法应用。机械。工程，363，第112791条pp.（2020）·Zbl 1436.62725号 [99] 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：一个用于大规模机器学习的系统，（第12届USENIX操作系统设计与实现研讨会（OSDI 16）（2016）），265-283 [100] Kingma，D.P。；Ba，J.，Adam：随机优化方法（2014），arXiv预印本 [101] 安德森，R。；安德烈·J。；巴克，A。；Bramwell，J。；卡米尔，J.-S。；塞维尼，J。；Dobrev，V。；Y.杜杜伊特。；费希尔，A。；Kolev，T.，Mfem：模块化有限元方法库，计算。数学。申请。，81, 42-74 (2021) ·Zbl 1524.65001号 [102] 埃尔斯肯，T。；Metzen，J.H。；Hutter，F.，《神经架构搜索：调查》，J.Mach。学习。1997年至2017年（2019年）第20、1号决议·Zbl 1485.68229号 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。