阿尔贝托·拉卡;阮安坤道;卢卡·马格里 用卷积自动编码器回波状态网络预测湍流动力学。 （英语） Zbl 07767384号 J.流体力学。 975，论文编号A2，29 p.（2023）. 概述：湍流的动力学是混沌的，很难预测。这使得精确降阶模型的设计具有挑战性。本文的首要目标是提出湍流状态的非线性分解，以根据动力学的降阶表示预测流量。我们将湍流分为空间问题和时间问题。首先，我们计算潜在空间，这是湍流动力学所处的流形。潜空间是通过卷积自动编码器（CAE）执行的一系列非线性滤波操作来发现的。CAE提供了空间分解。其次，我们预测了由回波状态网络（ESN）执行的潜在空间中湍流状态的时间演化。ESN提供了时间演变。第三，通过将CAE和ESN相结合，我们得到了一个自治的动力学系统：CAE-ESN。这是湍流的降阶模型。我们在二维Kolmogorov流和三维最小流单元上测试了CAE-ESN。我们表明，CAE-ESN：（i）发现湍流的潜在空间表示，其自由度小于物理空间的1%；（ii）在不同雷诺数下，时间准确且统计地预测流量；和（iii）就求解控制方程而言，预测流量所需的计算时间小于1%。这项工作为数据湍流的非线性分解和降阶建模提供了可能性。 MSC公司： 76倍 流体力学 关键词：机器学习;混乱;湍流模拟 软件：TensorFlow公司 PDF格式BibTeX公司 XML格式引用 \textit｛A.Racca｝等人，《流体力学杂志》。975，论文编号A2，29页（2023；Zbl 07767384） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] Abadi，M.等人.2015 TensorFlow：异构系统上的大规模机器学习。arXiv:1603.04467。 [2] Agostini，L.2020使用自动编码器技术探索和预测流体动力系统。物理学。流体32（6），067103。 [3] Alfonsi，G.&Primavera，L.2007平面通道流壁区湍流边界层的结构。程序。R.Soc.伦敦。A463（2078），593-612·Zbl 1129.76027号 [4] Antoulas，A.C.2005大尺度动力系统的近似。SIAM公司·Zbl 1112.93002号 [5] Baldi，P.&Hornik，K.1989神经网络和主成分分析：从没有局部极小值的示例中学习。神经网络2（1），53-58。 [6] Benettin，G.，Galgani，L.，Giorgilli，A.&Strelcyn，J.-M.1980光滑动力系统和哈密顿系统的Lyapunov特征指数；一种计算所有这些参数的方法。第一部分：理论。《机械》15（1），9-20·Zbl 0488.70015号 [7] Bernardini，M.，Pirozzoli，S.&Orlandi，P.，2014湍流道流中的速度统计，高达（Re_{tau}=4000\）。《流体力学杂志》742171-191。 [8] Blonigan，P.J.，Farazmand，M.&Sapsis，T.P.2019湍流中极端耗散事件可预测吗？物理学。流体版本4（4），044606。 [9] Boffetta，G.、Cencini，M.、Falcioni，M.和Vulpiani，A.2002可预测性：表征复杂性的一种方法。物理学。代表356（6），367-474·Zbl 0977.37005号 [10] Brochu，E.，Cora，V.M.&De Freitas，N.2010昂贵成本函数的贝叶斯优化教程，应用于主动用户建模和分层强化学习。arXiv:1012.2599。 [11] Brunton，S.L.&Noack，B.R.2015闭环湍流控制：进展与挑战。申请。机械。版次67（5），050801。 [12] Brunton，S.L.、Noack，B.R.和Koumoutsakos，P.2020流体力学机器学习。每年。修订版流体机械52、477-508·Zbl 1439.76138号 [13] Canuto，C.，Hussaini，M.Y.，Quarteroni，A.&Zang，T.A.1988流体动力学中的光谱方法，科学计算系列。斯普林格·兹比尔0658.76001 [14] Chandler，G.J.&Kerswell，R.R.2013嵌入湍流二维Kolmogorov流中的不变递归解。《流体力学杂志》722，554-595·Zbl 1287.76124号 [15] Chattopadhyay，A.、Hassanzadeh，P.和Subramanian，D.2020使用机器学习方法对多尺度Lorenz 96混沌系统进行数据驱动预测：水库计算、人工神经网络和长短记忆网络。非线性过程。《地球物理学》27（3），373-389。 [16] Doan，N.A.K.、Polifke，W.和Magri，L.2021混沌流和极端事件的短期和长期预测：物理约束油藏计算方法。程序。R.Soc.伦敦。A477（2253），20210135。 [17] Du，X.，Qu，X.，He，Y.&Guo，D.2018基于多尺度竞争卷积神经网络的单图像超分辨率。传感器18（3），789。 [18] Duraisamy，K.、Iacarino，G.和Xiao，H.2019数据时代的湍流建模。每年。《流体力学评论》51（1），357-377·Zbl 1412.76040号 [19] Eckmann，J.-P.&Ruelle，D.1985混沌和奇异吸引子的遍历理论。修订版Mod。《物理学》57（3），617-656·Zbl 0989.37516号 [20] Farazmand，M.2016一种基于伴随的方法，用于寻找Navier-Stokes方程的不变解。《流体力学杂志》795278-312·Zbl 1359.76077号 [21] Fernex，D.、Noack，B.R.和Semaan，R.2021基于集群的网络建模——从快照到复杂动力系统。科学。Adv.7（25），eabf5006。 [22] Fukami，K.、Fukagata，K.和Taira，K.2019使用机器学习对湍流进行超分辨率重建。《流体力学杂志》870，106-120·Zbl 1461.76306号 [23] Galton，F.1886遗传地位向平庸回归。J.蒽索波尔。英国和爱尔兰研究所15，246-263。 [24] Glrot，X.和Bengio，Y.2010了解训练深度前馈神经网络的困难。《第十三届国际人工智能与统计会议论文集》（编辑：Y.W.Teh&M.Titterington），《机器学习研究论文集》，第9卷，第249-256页。PMLR公司。 [25] Goodfellow，I.、Bengio，Y.和Courville，A.2016深度学习。麻省理工学院·Zbl 1373.68009号 [26] Grigoryeva，L.&Ortega，J.-P.2018回声状态网络是通用的。神经网络108495-508·兹比尔1434.68409 [27] Hart，A.G.、Hook，J.L.和Dawes，J.H.P.2021Echo状态网络是遍历动力系统的近似值。《物理》D421132882·Zbl 1491.37075号 [28] Hasegawa，K.、Fukami，K.Murata，T.和Fukagata，K.2020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。西奥。计算。流体动力学34（4），367-383。 [29] Hinton，G.E.&Salakhutdinov，R.R.2006使用神经网络降低数据的维数。科学313（5786），504-507·Zbl 1226.68083号 [30] Huhn，F.&Magri，L.2022利用水库计算对混沌声学进行无梯度优化。物理学。修订版流体7，014402。 [31] Jaeger，H.和Haas，H.2004《利用非线性：预测混沌系统和无线通信中的节能》。科学304（5667），78-80。 [32] Jimenez，J.&Moin，P.1991近壁湍流中的最小流量单位。《流体力学杂志》225，213-240·Zbl 0721.76040号 [33] Kaiser，E.等人.2014混合层的基于聚类的降阶建模。《流体力学杂志》754、365-414·兹比尔1329.76177 [34] Kantorovich，L.V.1960组织和规划生产的数学方法。管理科学6（4），366-422·Zbl 0995.90532号 [35] Kantz，H.&Schreiber，T.2004非线性时间序列分析，第7卷。剑桥大学出版社·Zbl 1050.62093号 [36] Kaplan，J.L.和Yorke，J.A.1979多维差分方程的混沌行为。在泛函微分方程和不动点逼近（编辑H.O.Peitgen和H.O.Walther）中，数学课堂讲稿，第730卷，第204-227页。斯普林格·Zbl 0448.58020号 [37] Kelshaw，D.，Rigas，G.&Magri，L.2022 Physics-向CNNS通报了动力学系统稀疏观测的超分辨率。arXiv:2210.17319。 [38] Kingma，D.P.&Ba，J.L.2017 Adam：随机梯度下降法。arXiv:1412.6980。 [39] Kramer，M.A.1991使用自联想神经网络进行非线性主成分分析。AIChE期刊37（2），233-243。 [40] Lecun，Y.，Bottou，L.，Bengio，Y.&Haffner，P.1998基于梯度的学习应用于文档识别。程序。IEEE86（11），2278-2324。 [41] Loiseau，J.-C.，Noack，B.R.&Brunton，S.L.2018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·Zbl 1461.76369号 [42] Lu，Z.，Pathak，J.，Hunt，B.，Girvan，M.，Brockett，R.&Ott，E.2017水库观测者：混沌系统中未测量变量的无模型推断。Chaos27（4），041102。 [43] Lukoševičius，M.2012应用回声状态网络的实用指南。《神经网络：贸易的诡计》（编辑G.Montavon、G.B.Orr和K.R.Müller），《计算机科学讲义》，第7700卷，第659-686页。斯普林格。 [44] Lumley，J.L.1970湍流中的随机工具。学术·Zbl 0273.76035号 [45] Maass，W.，Natschläger，T.&Markram，H.2002《无稳定状态的实时计算：基于扰动的神经计算的新框架》。神经计算14（11），2531-2560·兹比尔1057.68618 [46] Magri，L.&Doan，A.K.2022关于自编码器的可解释性和适当的潜在分解。2022年夏季计划湍流研究中心会议记录，第107-115页。湍流研究中心。 [47] Margazoglou，G.&Magri，L.2023从数据中分析混沌系统的稳定性。非线性Dyn.1118799-8819·Zbl 1517.37086号 [48] Milano，M.&Koumoutsakos，P.2002近壁湍流的神经网络建模。J.计算。《物理学》182（1），1-26·Zbl 1090.76535号 [49] Muralidhar，S.D.、Podvin，B.、Mathelin，L.和Fraigneau，Y.2019湍流通道流的时空适当正交分解。《流体力学杂志》864614-639·Zbl 1415.76332号 [50] Murata，T.、Fukami，K.和Fukagata，K.2020流体动力学卷积神经网络非线性模式分解。J.流体。机械882，A13·Zbl 1430.76395号 [51] Nakamura，T.、Fukami，K.、Hasegawa，K.Nabae，Y.和Fukagata，K.2021最小湍流道流的卷积神经网络和基于长短期记忆的降阶代理。物理学。流体33（2），025116。 [52] Novati，G.、Mahadevan，L.和Koumoutsakos，P.2019通过深度信息学习控制滑翔和栖息。物理学。修订版流体493902。 [53] Nóvoa，A.，Racca，A.&Magri，L.2023推断未知未知：正则偏差感知集合卡尔曼滤波器。arXiv:2306.04315。 [54] Nóvoa，A.&Magri，L.2022实时热声数据同化。《流体力学杂志》948，A35·Zbl 1521.76751号 [55] Pathak，J.、Hunt，B.、Girvan，M.、Lu，Z.和Ott，E.2018a基于数据的大型时空混沌系统的无模型预测：水库计算方法。物理学。修订稿120（2），024102。 [56] Pathak，J.、Wikner，A.、Fussell，R.、Chandra，S.、Hunt，B.R.、Girvan，M.和Ott，E.2018b混沌过程的混合预测：结合基于知识的模型使用机器学习。混沌28（4），041101。 [57] 皮尔逊，K.1895VII。关于双亲回归和遗传的注释。程序。伦敦皇家学会第58卷（347-352页），240-242页。 [58] 皮尔逊，K.1901LIII。在与空间中的点系统最接近的直线和平面上。伦敦。爱丁堡。都柏林菲洛斯。《科学杂志》2（11），559-572。 [59] Pedregosa，F.、Varoqueux，G.、Gramfort，A.、Michel，V.、Thirion，B.、Grisel，O.、Blondel，M.、Prettenhofer，P.、Weiss，R.、Dubourg，V.等。2011科学基础学习：Python中的机器学习。J.马赫。学习研究12，2825-2830·Zbl 1280.68189号 [60] Platt，N.、Sirovich，L.和Fitzmaurice，N.1991混沌Kolmogorov流的研究。物理学。流体A3（4），681-696·Zbl 0735.76038号 [61] Racca，A.2023混沌和湍流预测的神经网络。博士论文，阿波罗-剑桥大学知识库。 [62] Racca，A.和Magri，L.2021用于学习混沌动力学的回波状态网络的稳健优化和验证。神经网络142，252-268·Zbl 1521.68153号 [63] Racca，A.&Magri，L.2022《数据驱动的混沌流中极端事件的预测和控制》。物理学。流体版本7104402·Zbl 1521.68153号 [64] Racca，A.和Magri，L.2022b小型数据集对极端事件的统计预测。《计算科学-ICCS 2022》（编辑：D.Groen、C.de Mulatier、M.Paszynski、V.V.Krzhizhanovskaya、J.J.Dongarra和P.M.A.Sloot），第707-713页。斯普林格。 [65] Racca，A.&Magri，L.2023用于抑制极端事件的控制软件回波状态网络（Ca-ESN）。arXiv:2308.03095。 [66] Reddi，S.J.，Kale，S.&Kumar，S.2019《亚当与超越的融合》。arXiv:1904.09237。 [67] Rowley，C.W.，Colonius，T.&Murray，R.M.2004使用POD和Galerkin投影对可压缩流进行模型简化。《物理学》D189（1），115-129·Zbl 1098.76602号 [68] Rowley，C.W.&Dawson，S.T.M.2017流量分析和控制的模型简化。每年。《流体力学评论》49（1），387-417·Zbl 1359.76111号 [69] Rumelhart，D.E.，Hinton，G.E.&Williams，R.J.1986通过反向传播错误学习表征。《自然》323（6088），533-536·Zbl 1369.68284号 [70] Schmid，P.J.2010数值和实验数据的动态模式分解。《流体力学杂志》656，5-28·兹比尔1197.76091 [71] Schmidt，M.&Lipson，H.2009从实验数据中提取自由形式的自然法则。《科学》324（5923），81-85。 [72] Springenberg，J.T.，Dosovitskiy，A.，Brox，T.&Riedmiller，M.2014努力简化：全卷积网络。arXiv:1412.6806。 [73] Srinivasan，P.A.，Guastoni，L.，Azizpour，H.，Schlater，P.&Vinuesa，R.2019使用深层神经网络预测湍流剪切流。物理学。修订流体4054603。 [74] Taira，K.，Brunton，S.L.，Dawson，S.T.M.，Rowley，C.W.，Colonius，T.，Mckeon，B.J.，Schmidt，O.T.，Gordeyev，S.，Theofilis，V.&Ukeiley，L.S.2017流体流动的模态分析：概述。AIAA J.55（12），4013-4041。 [75] 拍摄，F.1981在湍流中检测奇怪吸引子。《动力系统与湍流》，沃里克1980（编辑：D.Rand&L.S.Young），数学课堂讲稿，第898卷，第366-381页。斯普林格·Zbl 0513.58032号 [76] Tikhonov，A.N.，Goncharsky，A.V.，Stepanov，V.V.&Yagola，A.G.2013《求解不适定问题的数值方法》，第328卷。斯普林格·Zbl 0831.65059号 [77] Vlachas，P.R.，Pathak，J.，Hunt，B.R.，Sapsis，T.P.，Girvan，M.，Ott，E.&Koumoutsakos，P.2020用于复杂时空动力学预测的递归神经网络中的反向传播算法和水库计算。神经网络126191-217。 [78] Werbos，P.J.1990《穿越时间的反向传播：它做什么和如何做》，Proc。IEEE78（10），1550-1560。 [79] Yu，J.，Yan，C.&Guo，M.2019流体问题的非侵入降阶建模：简要回顾。程序。仪器机械。工程师233（16），5896-5912。 [80] Zeiler，M.D.、Krishnan，D.、Taylor，G.W.和Fergus，R.2010反褶积网络。2010年IEEE计算机学会计算机视觉和模式识别会议，第2528-2535页。IEEE标准。 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。