×
张新帅;季廷伟;谢方芳;郑宏宇;郑、姚

通过压缩传感降阶模型从稀疏测量值预测非恒定流。 （英语） Zbl 1507.76082号

计算。方法应用。机械。工程师。 393，文章ID 114800，28 p.（2022）.
摘要：基于稀疏和噪声传感器测量的复杂流体流动预测在许多工程领域得到了广泛应用。在本研究中，提出了一种新的压缩传感降阶建模框架，用于根据稀疏和噪声传感器观测值预测非定常流场，包括离线学习和在线预测。在离线学习阶段，使用长短期记忆（LSTM）模型对传感器信号的动态演化进行建模。此外，应用稀疏性提升的动态模式分解（DMD）算法从高维流体动力系统中提取时空相干结构，并选择最优的DMD模式进行流动重建。为了建立传感器空间和基于特征的相干结构空间之间的相关性，采用了深度神经网络（DNN）。在在线预测阶段，使用训练好的框架从实际实验装置中的有限传感器测量值预测流场。在目前的工作中，所提出的框架被应用于两个数值例子中，包括在以层流为特征的（Re=100）和以湍流为特征的在（Re=3900）时通过圆柱的流动。结果表明，该框架在传感器测量和非定常流场的预测方面都具有准确和稳健的性能。特别是，对于层流和湍流，即使涉及高水平噪声，也可以很好地保持重要的物理特征和数量。因此，该框架是在实际实验中对复杂流场进行稀疏表示的一个很有前途的工具。

引用于2文件

MSC公司：

76层65 湍流的直接数值模拟和大涡模拟

关键词：

压缩感知;机器学习;直接数值模拟;降阶模型;湍流

软件：

开放式泡沫;PPINN公司;DeepONet（深度网络）
PDF格式BibTeX公司 XML格式引用
\textit{X.Zhang}等人，计算。方法应用。机械。工程393，文章ID 114800，28 p.（2022；Zbl 1507.76082）
全文： 内政部

参考文献：

[1] Brunton，S.L。；Noack，B.R.，《闭环湍流控制：进展与挑战》，应用。机械。版次：67，5（2015）
[2] 卡拉汉，J.L。；Maeda，K。；Brunton，S.L.，通过稀疏表示从有限测量值进行稳健流重建，Phys。Rev.流体，4，10，文章103907 pp.（2019）
[3] Sipp，D。；Schmid，P.J.，流体不稳定性和噪声诱导扰动的线性闭环控制：方法和工具综述，应用。机械。修订版，68，2（2016）
[4] 风扇，D。；Yang，L。；王，Z。；Triantafylou，M.S。；Karniadakis，G.E.，实验和模拟中钝体主动流控制的强化学习，Proc。国家。阿卡德。科学。，117, 42, 26091-26098 (2020)
[5] 朱，H。；郝伟（Hao，W.）。；李，C。；丁，Q。；Wu，B.，吹风、合成和等离子射流执行器流量控制策略在垂直轴风力涡轮机中的应用，Aerosp。科学。技术。，88, 468-480 (2019)
[6] 斯特罗姆，B。；Brunton，S.L。；Polagye，B.，横流式涡轮机的周期内角速度控制，《自然能源》，第2、8、1-9页（2017年）
[7] Umetani，N。；Bickel，B.，《学习交互式空气动力学设计的三维流》，ACM Trans。图表。，37, 4, 1-10 (2018)
[8] 塞卡尔，V。；姜强。；舒，C。；Khoo，B.C.，《使用深度学习方法进行翼型快速流场预测》，Phys。流体，31，5，第057103条pp.（2019）
[9] Loiseau，J.-C。；Noack，B.R。；Brunton，S.L.，《稀疏降阶建模：基于传感器的动力学到全状态估计》，《流体力学杂志》。，844, 459-490 (2018) ·Zbl 1461.76369号
[10] 毛，Z。；雅格塔普，A.D。；Karniadakis，G.E.，用于高速流动的物理信息神经网络，Comput。方法应用。机械。工程，360，第112789条pp.（2020）·Zbl 1442.76092号
[11] X孟。；李，Z。；张，D。；Karniadakis，G.E.，PPINN：用于时间相关偏微分方程的准真实物理知情神经网络，计算。方法应用。机械。工程，370，第113250条pp.（2020）·Zbl 1506.65181号
[12] Yang，L。；X孟。；Karniadakis，G.E.，B-PINNs:带噪声数据的正向和反向PDE问题的贝叶斯物理信息神经网络，J.Compute。物理。，425，第109913条pp.（2021）·Zbl 07508507号
[13] Wu，J.-L。；Sun，R。；Laizet，S。；Xiao，H.，应力张量扰动的表示及其在机器学习辅助湍流建模中的应用，计算。方法应用。机械。工程，346707-726（2019）·兹比尔1440.76042
[14] 小林，W。；Shimura，T。；Mitsuishi，A。；岩本，K。；Murata，A.，《基于机器学习的脉动管流减阻效果预测》，《国际热流学杂志》，88，第108783页，（2021）
[15] Kim，D。；Zohdi，T。；Singh，R.，《多相流动食品快速过程控制的建模、仿真和机器学习》，计算机。方法应用。机械。工程，371，第113286条pp.（2020）·Zbl 1506.76194号
[16] Duraisamy，K。；艾卡里诺，G。；Xiao，H.，《数据时代的湍流建模》，年。流体力学版次。，51, 1, 357-377 (2019) ·Zbl 1412.76040号
[17] Lee，S。；You，D.，《使用深度学习对圆柱上方非定常流动进行数据驱动预测》，J.流体力学。，879, 217-254 (2019) ·Zbl 1430.76311号
[18] 埃瓦齐，H。；韦西，H。；Naderi，M.H。；Esfahanian，V.，非恒定流非线性模型降阶的深度神经网络，Phys。流体，32，10，第105104条pp.（2020）
[19] Fukami，K。；Nabae，Y。；卡瓦伊，K。；Fukagata，K.，使用机器学习的合成湍流流入发生器，Phys。《流体》第4版，第064603条，pp.（2019）
[20] 邓，Z。；他，C。；刘，Y。；Kim，K.C.，使用基于生成性对抗网络的人工智能框架超分辨率重建湍流速度场，Phys。流体，31，12，文章125111 pp.（2019）
[21] Fukami，K。；Fukagata，K。；Taira，K.，用机器学习超分辨率重建湍流，J.流体力学。，870106-120（2019）
[22] Kim，H。；Kim，J。；韩国元。；Lee，C.，湍流超分辨率重建的无监督深度学习，J.流体力学。，910、A29（2021）·Zbl 1461.76308号
[23] 邓，Z。；陈，Y。；刘，Y。；Kim，K.C.，使用基于长短期记忆（LSTM）的人工智能框架的时间分辨湍流速度场重建，Phys。流体，31，7，第075108条pp.（2019）
[24] Lui，H.F.S。；Wolf，W.R.，使用深度前馈神经网络构建流体流动的降阶模型，J.fluid Mech。，872, 963-994 (2019) ·Zbl 1430.76407号
[25] 帕瓦尔，S。；拉赫曼，S。；瓦迪雷迪，H。；圣马力诺。；拉希德，A。；Vedula，P.，《流体流动非侵入降阶建模的深度学习促成因素》，Phys。流体，31，8，第085101条pp.（2019）
[26] 巴卡，S.R。；古普塔，R。；马吉，A.R。；Jaiman，R.K.，使用基于混合深度学习的降阶模型评估非恒定流预测，Phys。流体，33，1，第013601条pp.（2021）
[27] 光明，我。；林·G。；Kutz，J.N.，《利用有限压力测量表征圆柱体周围流动的基于压缩传感的机器学习策略》，Phys。流体，第25、12条，第127102页（2013年）·Zbl 1320.76003号
[28] 马，Z。；Pan，W.，使用高斯过程回归对具有移动边界的动力系统进行数据驱动的非侵入降阶建模，计算。方法应用。机械。工程，373，第113495条pp.（2021）·Zbl 1506.65137号
[29] 佩戈洛蒂，L。；Pfaller，M.R。；马斯登，A.L。；Deparis，S.，基于血管模块几何近似的流量降阶模型，计算。方法应用。机械。工程，380，第113762条pp.（2021）·Zbl 1506.76228号
[30] Alsayyari，F。；邮编：Perkó。；蒂贝加，M。；Kloosterman，J.L。；Lathouwers，D.，参数化时间相关问题的完全自适应非侵入降阶建模方法，计算。方法应用。机械。工程，373，第113483条pp.（2021）·兹比尔1506.74384
[31] Sirovich，L.，湍流和相干结构动力学。I.相干结构，夸脱。申请。数学。，45,3561-571（1987）·Zbl 0676.76047号
[32] Lumley，J.L.，《湍流中的随机工具》（2007），Courier Corporation·Zbl 1230.76004号
[33] 罗利，C.W。；Mezi？，一、。；Bagheri，S。；施拉特，P。；Henningson，D.，非线性流动的谱分析，J.流体力学。，641, 1, 115-127 (2009) ·Zbl 1183.76833号
[34] Mezić，I.，通过Koopman算子的光谱特性分析流体流动，Annu。流体力学版次。，45, 357-378 (2013) ·Zbl 1359.76271号
[35] 佩茨，S。；Klus，S.，Koopman基于操作员的PDE开关系统控制模型简化，Automatica，106，184-191（2019）·Zbl 1429.93043号
[36] Berkooz，G.等人。；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)
[37] Bui-Thanh，T。；Damodaran，M。；Willcox，K.，使用适当正交分解的气动数据重建和逆向设计，AIAA J.，42，8，1505-1516（2004）
[38] 文丘里，D。；Karniadakis，G.E.，《圆柱体流动的间隙数据和重建程序》，J.流体力学。，519, 315-336 (2004) ·Zbl 1065.76159号
[39] Giannopoulos，A。；Aider，J.-L.，《使用神经网络的数据驱动降阶和速度场重建：湍流边界层的情况》，Phys。流体，32，9，第095117条pp.（2020）
[40] Jovanović，M.R。；Bamieh，B.，通道流中的组件能量放大，J.流体力学。，534, 145-183 (2005) ·Zbl 1074.76016号
[41] Schmid，P.J.，非模态稳定性理论，Annu。流体力学版次。，39, 129-162 (2007) ·Zbl 1296.76055号
[42] Jovanović，M.R。；施密德·P·J。；Nichols，J.W.，《稀疏促进动态模式分解》，Phys。流体，26，2，第024103条pp.（2014）
[43] Askham，T。；Kutz，J.N.，优化动态模式分解的变量投影方法，SIAM J.Appl。动态。系统。，17, 1, 380-416 (2018) ·Zbl 1384.37122号
[44] Rumelhart，D.E。；辛顿，G.E。；Williams，R.J.，《通过反向传播错误学习表征》，《自然》，3236088533-536（1986）·Zbl 1369.68284号
[45] Hochreiter，S.，Untersuchungen zu dynamicschen neuronalen netzen，密歇根理工大学文凭，91，1（1991）
[46] 科伦，J.F。；Kremer，S.C.，递归网络中的梯度流：学习长期依赖性的困难，（动态递归网络实地指南（2001）），237-243
[47] Y.本吉奥。；Simard，P。；Frasconi，P.，学习梯度下降的长期依赖性是困难的，IEEE Trans。神经网络。，5, 2, 157-166 (1994)
[48] Hochreiter，S。；Schmidhuber，J.，长短期记忆，9，8，1735-1780（1997）
[49] 杨，J。；郭毅。；赵伟，基于长短期记忆神经网络的机电执行器故障检测与隔离，神经计算，360，85-96（2019）
[50] Ryu，S。；Kim，S。；Choi，J。；Yu，H。；Lee，G.G.，在对话系统中仅使用域内句子进行域外句子检测的神经句子嵌入，模式识别。莱特。，88, 26-32 (2017)
[51] 努涅斯，J.C。；卡比多，R。；Vélez，J.F。；Montemayor，A.S。；Pantrigo，J.J.，使用改进的最小二乘法和LSTM网络进行Multiview 3D人体姿势估计，神经计算，32335-343（2019）
[52] 何，X。；Shi，B。；Bai，X。；夏，G.-S。；张，Z。；Dong，W.，带语音引导的图像字幕生成，模式识别。莱特。，119, 229-237 (2019)
[53] 帕瓦尔，S。；艾哈迈德，S.E。；圣马力诺。；Rasheed，A.，流体流动降阶建模中隐藏物理的数据驱动恢复，Phys。流体，32，3，第036602条pp.（2020）
[54] 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)
[55] 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，52，6，第065501条pp.（2020）
[56] 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，33，3，第037106条pp.（2021）
[57] Han，R。；Wang，Y。；Zhang，Y。；Chen，G.，基于混合深度神经网络的非定常尾流时空预测新方法，Phys。流体，31，12，第127101条pp.（2019）
[58] 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，第（2021）页
[59] 辛顿，G.E。；北斯利瓦斯塔瓦。；克里日夫斯基，A。；Sutskever，I。；Salakhutdinov，R.R.，《通过防止特征检测器的联合自适应改进神经网络》（2012），arXiv预印本arXiv:1207.0580
[60] 加迪米，E。；Teixeira，A。；羞耻，I。；Johansson，M.，交替方向乘数法（ADMM）的最佳参数选择：二次问题，IEEE Trans。自动化。控制，60，3，644-658（2015）·Zbl 1360.90182号
[61] 张，X。；谢，F。；季涛（Ji，T.）。；朱，Z。；郑毅，气动外形优化的多精度深度神经网络替代模型，计算。方法应用。机械。工程，373，第113485条pp.（2021）·Zbl 1506.74324号
[62] 卡尼亚达基斯，G。；Sherwin，S.，《计算流体动力学的谱/Hp元素方法》（2013），牛津大学出版社·Zbl 1256.76003号
[63] 北卡罗来纳州加达。；卡尼亚达基斯，G。；Patera，A.，强迫对流的保守等参谱元方法；应用于周期几何中充分发展的流动，数值。热传输。A、 9、3、277-300（1986）
[64] Karniadakis，G.，不可压缩湍流的谱元-源方法，计算。方法应用。机械。工程，80，1-3，367-380（1990）·Zbl 0722.76053号
[65] 李，X。；毛，Z。；王，N。；宋，F。；Wang，H。；Karniadakis，G.E.，使用层次矩阵近似法应用于分数阶微分方程的谱元快速求解器，计算。方法应用。机械。工程，366，第113053条pp.（2020）·Zbl 1442.65144号
[66] Karniadakis，G.E。；以色列，M。；Orszag，S.A.，《不可压缩Navier-Stokes方程的高阶分裂方法》，J.Compute。物理。，97, 2, 414-443 (1991) ·Zbl 0738.76050号
[67] J.Guermond。；Shen，J.，一类新的不可压缩流的真正一致分裂方案，J.Comput。物理。，192, 1, 262-276 (2003) ·Zbl 1032.76529号
[68] Maday，Y。；Tadmor，E.，周期守恒定律的谱消失粘度法的分析，SIAM J.Numer。分析。，26, 4, 854-870 (1989) ·Zbl 0678.65066号
[69] Kirby，R.M。；Sherwin，S.J.，通过谱消失粘度稳定谱/hp元素方法：流体力学建模应用，计算。方法应用。机械。工程，195，23-24，3128-3144（2006）·Zbl 1115.76060号
[70] 帕尔纳多，P。；Carlier，J。；海茨，D。；Lamballais，E.，雷诺数为3900的圆柱体上流动的实验和数值研究，Phys。流体，20，8，第085101条pp.（2008）·Zbl 1182.76591号
[71] 杨，J。；Wright，J。；Huang，T.S。；Ma，Y.，通过稀疏表示的图像超分辨率，IEEE Trans。图像处理。，19, 11, 2861-2873 (2010) ·Zbl 1371.94429号
[72] Fukami，K。；Fukagata，K。；Taira，K.，基于机器学习的湍流时空超分辨率重建，J.流体力学。，909，A9（2021）·Zbl 1461.76306号
[73] 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，A13（2020）·Zbl 1430.76395号
[74] Fukami，K。；Nakamura，T。；Fukagata，K.，基于卷积神经网络的分层自动编码器，用于流场数据的非线性模式分解，Phys。流体，32，9，第095110条pp.（2020）
[75] 卢，L。；Jin，P。；庞，G。；张，Z。；Karniadakis，G.E.，基于算子的普遍逼近定理，通过DeepONet学习非线性算子，Nat.Mach。智力。，3, 3, 218-229 (2021)
[76] 维拉尔塔，R。；Drissi，Y.，元学习的透视图和调查，Artif。智力。修订版，18、2、77-95（2002）
[77] Williamson，C.H.，《定义圆柱体层流涡旋脱落的通用连续斯特劳哈-雷诺数关系》，Phys。流体，31，10，2742-2744（1988）
[78] Tritton，D.J.，《低雷诺数圆柱绕流实验》，J.流体力学。，6, 4, 547-567 (1959) ·Zbl 0092.19502号
[79] Lysenko，D.A。；埃尔特斯瓦格，I.S。；Rian，K.E.，使用OpenFOAM工具箱对雷诺数为3900的圆柱体上的流动进行大涡模拟，flow Turbul。库布斯特。，89, 4, 491-518 (2012)
[80] Persillon，H。；Braza，M.，通过三维Navier-Stokes模拟对圆柱体尾流中向湍流过渡的物理分析，J.流体力学。，365, 23-88 (1998) ·Zbl 0924.76039号
[81] Posdziech，O。；Grundmann，R.，《数值计算圆柱二维流动基本量的系统方法》，J.Fluids Struct。，23, 3, 479-499 (2007)
[82] Lourenco，L.M。；Shih，C.，圆柱尾迹附近平面湍流的特征。粒子图像测速研究，私人公社。（1993年）
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。