A Database for Reduced-Complexity Modeling of Fluid Flows
我们提出了一个公开访问的数据库，旨在帮助概念，培训，演示，评估和比较的复杂性降低模型流体力学。高质量流量数据的可用性对于数据驱动和基于物理的方法的模型开发的所有这些方面都是必不可少的。该数据库包含六个不同数据集的时间分辨数据：紊流射流的大涡模拟，零压力梯度紊流边界层的直接数值模拟，同一边界层在几个雷诺数下的粒子图像测速测量，层流静止和俯仰平板翼型的直接数值模拟，遇到阵风的翼型的粒子图像测速和力测量，以及翼型上分离的湍流的大涡模拟。这六种情况跨越几个关键的流动类别：层流和湍流，统计上的平稳和瞬态，音调和宽带频谱内容，规范和面向应用，壁边界和自由剪切流，模拟和实验测量。对于每个数据集，我们描述了流程设置和计算/实验方法，对数据库中可用的数据进行编目，并提供了如何将这些数据用于降低复杂性建模的示例。所有数据都可以使用浏览器界面或Globus下载。我们的愿景是，该数据库提供的通用测试平台将有助于流体力学社区澄清新的和现有的方法的不同能力。
2022-06-23 physics.flu-dyn
An improved model for reduced-order physiological fluid flows
基于脉冲流方程（Pulsed Flow Equations，PFE），通过对动量方程的轴向分量在Womersley速度剖面上积分，得到了一个动量方程，其系数是空间变量的光滑函数，从而建立了一个改进的一维数学模型。由此产生的动量方程以及连续性方程和压力-面积关系形成我们的降阶模型的生理流体流动在一个维度上，并旨在提供准确和快速计算的全球模型的生理系统表示为网络的准一维流体流动。随后的非线性耦合方程组的Lax-Wendroff计划求解，然后应用到一个开放的模型动脉网络的人体血管系统包含最大的55动脉。建议的模型与功能系数相比，目前的经典一维理论，假设稳态哈根Poiffille速度分布，抛物线或插头状，在整个动脉树。还分析了动量方程中的非线性项和网络中分叉点的不同策略以及远端端点的各种集总参数流出边界条件的影响。结果表明，该模型可以作为一个有效的工具，用于调查降阶模型的生理系统中的流动的动力学，特别是，将是一个很好的候选人的一维，系统级组件的几何多尺度模型的生理系统。
2012-12-02 physics.flu-dyn
Geometrically Parametrised Reduced Order Models for the Study of Hysteresis of the Coanda Effect in Finite Element-based Incompressible Fluid Dynamics
本文提出结合POD与ECM的几何参数化降阶模型框架，用于研究不可压缩流体中柯恩达效应在时变几何下的迟滞现象，并通过仿真验证ROM和HROM在重现解场与感兴趣量方面的精度和加速效果。
2024-05-02 physics.flu-dyn
Validation strategy of reduced-order two-fluid flow models based on a hierarchy of direct numerical simulations
尽管直接数值模拟（DNS）在雾化过程领域已经达到了高水平的描述，但是它们还不能满足工业需求，因为它们缺乏分辨率并且成本太高。从低温技术到航空炉膛液体喷射，依赖于降阶模型的预测模拟已经成为强制性的应用。双流体模型提供了一个良好的基础，以进行这样的模拟，即使最近的进展允许使用几何变量来细化子尺度建模，以达到统一的模型，包括基于高阶矩方法的分离相和分散相描述。这种模型的模拟必须依赖于专门的数值方法，仍然缺乏对其预测能力的评估。本文件构成了一个积木的层次结构的测试用例的调查，旨在服从DNS，同时足够接近工业配置，为此，我们提出了一个比较双流体可压缩模拟与DNS数据库。我们集中在目前的贡献上的空气辅助水雾化使用平面液膜喷射器。与不可压缩DNS的定性和定量比较使我们能够识别和分析这种特定配置中降阶建模和数值方法的优势和劣势，并为更精细的模型建立框架，因为它们已经提供了一个非常有趣的平均数量比较水平。
2020-05-14 physics.flu-dyn
Non-intrusive inference reduced order model for fluids using linear multistep neural network
在这项工作中，我们提出了一个数据驱动的学习框架降阶建模的流体动力学。对于许多实际的工程应用，设计精确而有效的非线性流体动力学问题的降阶模型是具有挑战性的。经典的基于投影的模型降阶方法通过将全阶微分算子投影到低维子空间来生成降阶系统。然而，这些技术通常会导致严重的不稳定性存在的高度非线性动力学，这大大降低了降阶模型的精度。相比之下，我们的新框架利用线性多步网络，隐式亚当斯-莫尔顿计划的基础上，构建简化系统。其优点是，该方法在低维空间中以给定的监督学习任务最佳地逼近全阶模型。此外，我们的方法是非侵入性的，这样它可以应用到其他复杂的非线性动力系统与复杂的遗留代码。我们证明了我们的方法的性能，通过数值模拟的二维流动与雷诺数Re = 100的圆柱。结果表明，新的数据驱动模型比标准的基于投影的方法更准确。
2018-12-03 physics.comp-ph physics.flu-dyn
A spatially adaptive high-order meshless method for fluid-structure interactions
我们提出了一个计划，实现了一个后验细化策略的上下文中的高阶无网格方法的问题，涉及点奇点和流固界面。在这项工作中使用的广义移动最小二乘（GMLS）离散化先前已被证明提供高阶兼容的离散化的斯托克斯和达西问题，提供了一个高保真的模拟工具，移动边界的问题。离散化的无网格性质是特别有吸引力的自适应h-细化，特别是当解决近场方面的变量和点奇点控制流体-结构相互作用中的润滑效果。我们证明了所得到的空间自适应GMLS方法是能够实现最佳收敛的存在下的奇异的div-grad和斯托克斯问题。此外，我们提出了一系列的模拟流动的胶体悬浮液，其中的细化策略有效地实现了高度准确的解决方案，特别是对于具有复杂几何形状的胶体。
2019-01-25 physics.comp-ph physics.flu-dyn
An Adaptive Real-Time Forecasting Framework for Cryogenic Fluid Management in Space Systems
Rensselaer Polytechnic Institute（伦斯勒理工学院）
本文提出ARCTIC框架，通过数据驱动修正层提升低温储罐预测精度，适用于自主流体管理操作，验证显示其在模型不完善和噪声干扰下表现优异。
2026-05-13 physics.flu-dyn
Highly parallelisable simulations of time-dependent viscoplastic fluid flow simulations with structured adaptive mesh refinement
我们提出了一个有效的和高度并行化的框架不可压缩流体流动模拟粘塑性流体的扩展。该系统是由不可压缩的质量守恒，柯西动量方程和广义牛顿本构律。为了模拟范围广泛的粘塑性流体，我们采用Herschel-Bulkley模型的屈服应力流体的非线性应力应变依赖性以上的屈服极限。我们利用Papanastasiou正则化在我们的算法来处理的奇异性表观粘度。使用IAMR代码（不可压缩自适应网格细化），它使用二阶Goddom方法的平流项和半隐式扩散的近似投影法的上下文中解决自适应细化网格的偏微分方程求解。通过增强的IAMR代码的能力，以模拟正则化的赫歇尔-Bulkley流体，我们获得了有效的数值软件的时间依赖性粘塑性流动在三维空间，它可以用来调查系统以前没有考虑由于计算费用。我们验证了使用这种新的能力对先前公布的数据宾汉塑料和幂律流体在二维盖驱动腔模拟的结果。在这样做时，我们扩大了宾汉和雷诺数的范围，已被认为是在基准测试。此外，扩展到随时间变化的流动Herschel-Bulkley流体和三个空间维度提供了新的见解粘塑性流体在这个测试案例中的流动，我们提供了这些扩展缺失的基准结果。
2018-08-20 physics.comp-ph physics.flu-dyn
Intrusive versus non-intrusive reduced-order modeling of generalized Newtonian fluid flows
Eindhoven University of Technology（埃因霍温理工大学）
本研究对比三种ROM方法（ROM-FULL、ROM-DEIM、ROM-RBF），在两种基准流动中验证后，为选择合适的ROM策略提供了指南。
2026-08-20 physics.flu-dyn
A Consistent Spatially Adaptive Smoothed Particle Hydrodynamics Method for Fluid-Structure Interactions
提出了一种新的流固耦合问题的自适应光滑粒子流体动力学方法。该方法结合了其他SPH方法不能同时满足的几个属性。具体地说，它是二阶收敛的;它允许在空间上适应于任意几何形状的移动（平移和旋转）边界的分辨率;并且，它加速了FSI解决方案，因为自适应方法导致更少的自由度而不牺牲精度。在该方法中的关键成分是一个一致的离散微分算子，一个\textit{posteriori}误差估计/基于距离的自适应标准，和粒子移位技术。应用该方法模拟了六种不同的流动或流固耦合问题。新方法的收敛性，准确性和效率属性进行评估，通过比较它产生的结果与分析，有限元和一致的SPH均匀高分辨率的解决方案，以及实验数据。
2018-03-09 physics.comp-ph physics.flu-dyn
Adaptive Immersed Mesh Method (AIMM) for Fluid Structure Interaction
本文提出自适应浸入网格方法（AIMM），结合整体式与分区式途径，利用各向异性网格自适应、水平集方法和变分多尺度方法求解流固耦合问题，并通过二维及三维算例验证其精度与鲁棒性。
2024-01-12 cs.NA math.NA physics.flu-dyn
An adaptive Cartesian embedded boundary approach for fluid simulations of two- and three-dimensional low temperature plasma filaments in complex geometries
我们回顾了一个可扩展的二维和三维计算机代码的低温等离子体模拟在多材料复杂的几何形状。我们的方法是基于嵌入式边界（EB）有限体积离散的最小流体等离子体模型的自适应笛卡尔网格，扩展到也考虑充电的绝缘表面。我们讨论了空间和时间的离散化方法，并表明所得到的整体方法是二阶收敛，单调，和保守的（光滑的解决方案）。在8192个核和超过10亿个单元的情况下，并行效率超过70%，可扩展性较弱。然后，我们展示了使用自适应网格细化在多个二维和三维模拟的例子在适度的核心数。这些例子包括沿绝缘体的表面流与表面粗糙度的二维模拟;完全三维模拟实验可实现的针平面几何形状的细丝，和三维模拟的正等离子体放电在多材料复杂的几何形状。最大的计算示例在$4096$计算核心上使用多达$800$百万个网格单元和数十亿个未知数。我们使用计算机辅助设计（CAD）和建设性的立体几何（CSG）结合并行计算的能力提供了执行三维瞬态等离子体流体模拟的可能性，也在多材料复杂的几何形状在中等压力和相对较大的规模。
2019-03-19 physics.comp-ph physics.flu-dyn
AAROC: Reduced Over-Collocation Method with Adaptive Time Partitioning and Adaptive Enrichment for Parametric Time-Dependent Equations
针对R2-ROC在参数化时间相关流体问题中不稳定且自适应富集易增加配置点的问题，本文提出AAROC，通过自适应时间划分与富集兼顾稳定性、精度和在线效率。
2024-12-03 cs.NA math.NA physics.flu-dyn
Deep Learning for Reduced Order Modelling and Efficient Temporal Evolution of Fluid Simulations
Carnegie Mellon University（卡内基梅隆大学）
降阶建模（ROM）已被广泛用于创建高阶动力系统的低阶，计算成本低的表示。使用这些表示，ROM可以有效地模拟流场，同时使用显着较少的参数。传统的ROM通过使用降维技术（例如适当正交分解（POD））将高阶流形线性投影到低维空间来实现这一点。在这项工作中，我们开发了一个新的深度学习框架DL-ROM（深度学习-降阶建模）来创建一个能够非线性投影到降阶状态的神经网络。然后，我们使用学习的简化状态来有效地预测使用3D Autoencoder和基于3D U-Net的架构的模拟的未来时间步长。我们的模型DL-ROM能够从学习的ROM创建高度准确的重建，因此能够通过在学习的简化状态下进行时间遍历来有效地预测未来的时间步长。所有这些都是在没有地面实况监督或需要迭代求解昂贵的Navier-Stokes（NS）方程的情况下实现的，从而节省了大量的计算。为了测试我们的方法的有效性和性能，我们评估了我们的实施五个不同的计算流体动力学（CFD）数据集，使用重建性能和计算运行时的指标。DL-ROM可以将迭代求解器的计算运行时间减少近两个数量级，同时保持可接受的误差阈值。
2021-07-09 cs.LG physics.flu-dyn
A deep learning enabler for non-intrusive reduced order modeling of fluid flows
在本文中，我们介绍了一个模块化深度神经网络（DNN）框架，用于与流体流动相关的动态系统的数据驱动降阶建模。我们提出了各种深度神经网络架构，通过使用系统的离散状态或斜率信息进行学习，在数值上预测动力系统的演化。我们的方法已被证明使用残差公式和向后差分格式公式。然而，它也可以很容易地推广到许多不同的数值格式。我们给出了我们的框架的演示三个例子：（i）Kraichnan-Orszag系统，一个说明性的耦合非线性常微分方程，（ii）Lorenz系统表现出混沌行为，和（iii）非侵入模型降阶框架的二维Boussinesq方程与差分加热腔流设置在不同的瑞利数。仅使用离散时间实例的状态变量的快照，我们的数据驱动方法可以被认为是真正的非侵入性的，因为生成降阶模型不需要关于底层控制方程的任何先验信息。我们的\textit{a posteriori}分析表明，所提出的数据驱动的方法是非常准确的，并可以作为一个强大的预测工具，非侵入性的模型阶减少复杂的流体流动。
2019-07-10 physics.comp-ph physics.flu-dyn
Real-time simulation of parameter-dependent fluid flows through deep learning-based reduced order models
Politecnico di Milano（米兰理工大学）
在不同的虚拟场景中模拟流体流动在工程应用中具有关键重要性。然而，高保真度、全阶模型依赖于，例如，在有限元方法上，当流体流动必须几乎实时地模拟时，是无法承受的。降阶模型（ROM）依赖于，例如，本征正交分解（POD）为快速求解参数依赖的流体动力学问题提供了可靠的近似方法。然而，它们可能需要昂贵的超约化策略来处理参数化的非线性项，并且如果考虑混合速度-压力公式，则需要丰富的约化空间（或Petrov-Galerkin投影），这可能会妨碍实时评估可靠的解决方案。处理流体-结构相互作用需要更高的难度。所提出的基于深度学习（DL）的ROM通过以非侵入式方式学习非线性试验流形和简化动力学来克服所有这些限制。为此，他们依赖于深度神经网络，在通过POD进行前降维后，大大提高了训练时间。所得到的POD-DL-ROM显示提供准确的结果，在几乎实时的圆柱体基准周围的流动，连接到一个固定的，刚性块和层流不可压缩流的弹性梁之间的流体-结构相互作用，和脑动脉瘤中的血流。
2021-06-10 cs.CE cs.LG cs.NA
A hybrid reduced-order model for segregated fluid-structure interaction solvers in an ALE approach at high Reynolds number
本文提出一种结合POD、Galerkin投影与数据驱动方法的混合降阶模型，用于高雷诺数ALE框架下的分离式流固耦合求解，并在雷诺数10000000的俯仰-沉浮翼型流致振动案例中验证了其准确性。
2024-06-18 cs.NA math.NA physics.flu-dyn
Fast fluid heating by adaptive flow reorientation
层流中的标量传输（例如，热或化学物质）是许多工业活动的关键，并且通过流动重定向的流体搅拌是增强该过程的常见方式。然而，“如何最好地搅拌？“仍然是一个重大挑战。本研究的目的是促进现有的解决方案的发展，通过一个有代表性的案例研究中的热边界的冷流体的快速加热的专用流量控制策略。流体变形充当“热致动器”，流动经由该热致动器影响热传递，然而这可能既增强又减弱流体包裹之间的热交换，并且因此限制流动的有益影响。此外，流体变形对全球流体加热的影响主要局限于驱动流动的移动边界附近。这些见解使得热行为的结合对于有效的基于流动的增强策略至关重要，并且暴露了流体混合，工业中的传统方法，可能是次优的。全球加热包括两个并发的过程，即增加能量含量和热均匀化的概念，产生相关的指标制定的控制问题作为一个专用的成本函数的最小化。这有助于逐步确定的“最佳”流重新定向从预测的未来演变的实际中间状态，从而铺平了道路（实时）调节标量传输流量控制。性能分析表明，这种“自适应流重定向”显着加速流体加热，因此优于传统的周期性计划（设计用于有效的流体混合）的一致性和有效性。控制器实际上从不选择这些周期性方案，并且对于所有流动条件都实现相同的优越性能，而不管是否发生所述混合。
2021-12-21 nlin.CD physics.app-ph physics.flu-dyn
Geometrically reduced modelling of pulsatile flow in perivascular networks
脑脊髓液在血管周围空间的流动是脑运输和清除的关键机制。本文提出了一种适用于广义环形圆柱网络中粘性流体脉动流简化模型的数学和数值形式。我们应用这一框架来研究脑脊髓液流在血管周围空间引起的压力差，心脏脉搏波引起的血管壁运动和血管运动。简化模型提供了截面平均压力和截面通量的近似值，两者都定义在网络几何形状的拓扑一维中心线上。比较完整和简化模型的预测，我们发现，简化模型捕捉脉动流的特性，并提供准确的压力和流量预测的范围内的理想化和基于图像的情况下，在一小部分的相应的完整模型的计算成本的调查。因此，提出的框架提供了一个强大的和有效的计算方法，大规模的计算机研究脉动血管周围流体流动和运输。
2021-11-24 cs.NA math.NA physics.flu-dyn
An evolve-then-correct reduced order model for hidden fluid dynamics
在本文中，我们提出了一个进化然后正确的降阶建模方法，结合侵入式和非侵入式模型，以考虑隐藏的物理过程。具体来说，我们将潜在的动力学分为已知和未知的组件。在已知的部分，我们首先利用一个侵入Galerkin方法投影在一组基函数通过适当的正交分解。然后，我们制定了一个循环神经网络仿真器的基础上的假设，观察到的数据是所有相关过程的表现。我们进一步加强我们的方法，使用正交规范一致的基础插值方法的格拉斯曼流形，以解决非设计条件。所提出的框架在这里说明了二维同向旋转涡模拟建模不确定性的应用。结果表明，高度准确的预测强调的有效性的演变，然后正确的方法对实时模拟，其中的全过程模型是未知的先验。
2019-11-05 physics.comp-ph physics.flu-dyn
Reduced dimensional description of hydromagnetic turbulence capturing higher order fluid moments
本文将Chandrasekhar湍流理论推广至磁流体，引入时空两点关联张量以描述模式间能量传递，基于Vlasov方程前三阶矩推导守恒关系，并给出关联张量的标量表示，以解决能谱无法解释的观测问题。
2025-09-10 astro-ph.SR physics.flu-dyn physics.plasm-ph
Reduced-order Model for Fluid Flows via Neural Ordinary Differential Equations
降阶模型在动力系统的设计、优化和控制中起着重要的作用。近年来，人们越来越关注应用数据驱动技术进行模型简化，可以减少数值解的计算负担，同时保留复杂物理问题的最重要特征。在本文中，我们使用适当的正交分解来降低模型的维数，并引入一种新的生成神经ODE（NODE）架构来预测时间系数的行为。有了这种方法，我们取代了经典的伽辽金投影与建筑的特点是使用一个连续的潜在空间。本文采用基于大涡模拟（LES）的方法研究了圆柱绕流的Von Karman涡街动力学。我们将NODE方法与LSTM基线进行了比较，以评估生成模型的外推能力，并对流重建进行了一些定性评估。
2021-02-20 physics.comp-ph physics.flu-dyn
Inertial effects in three dimensional spinodal decomposition of a symmetric binary fluid mixture: A lattice Boltzmann study
本文采用热力学自洽的格子玻尔兹曼方法，对三维对称二元流体混合物旋节线分解后的后期分层进行了数值研究。我们结合不同的数值参数的模拟结果，以获得一个unprecendented范围内的长度和时间尺度时，表示在减少的物理单位。使用八次大的（256^3）运行，所得到的减小的域大小l对减小的时间t的合成图覆盖1 <l <10^5，10 <t <10^8。我们的数据与动力学标度假设一致，即l（t）是一个普适的标度曲线。我们给出了第一个详细的流体运动的统计分析，而不仅仅是域的演变，在这种模拟，并引入缩放图的几个量来自流体的速度和速度梯度场。
2000-06-01 cond-mat physics.flu-dyn
Adjacency-based, Non-intrusive Reduced-order Modeling for Fluid-Structure Interactions
本文提出一种基于网格邻接稀疏性的非侵入式流固耦合降阶建模方法，通过局部正则化最小二乘推断稀疏全阶算子并结合POD构建降阶模型，在Hron-Turek FSI3基准上验证了双向耦合动力学预测能力。
2023-06-26 math.DS physics.flu-dyn
Construction of Reduced Order Models for Fluid Flows Using Deep Feedforward Neural Networks
我们提出了一种数值方法，通过流动模态分解和回归分析相结合的降阶模型，ROM，流体流动的建设。采用谱本征正交分解（SPOD）对模型进行降维，同时滤除POD时域模式。回归步骤由深度前馈神经网络DNN执行，并且当前框架在类似于非线性动态算法SINDy的稀疏识别的上下文中实现。DNN超参数的优化提供了一个讨论，以获得最好的ROM和评估这些模型提出了一个典型的非线性振荡器和可压缩流通过一个气缸。最后，通过对一个动态失速下的纵倾翼型的大涡模拟计算，对该方法进行了验证。降阶模型能够捕捉前缘失速涡和随后的后缘涡的动态。对于分析的情况下，数值框架允许使用比全阶模型所采用的时间增量更大的时间增量来预测训练窗口之外的流场。我们还通过与稀疏回归的比较，证明了通过深度前馈神经网络构建的当前ROM的鲁棒性。DNN方法能够学习流的瞬态特征，并与稀疏回归相比提供更准确和稳定的长期预测。
2019-03-12 physics.comp-ph physics.flu-dyn
Adaptive coupling of 3D and 2D fluid flow models
本文提出三维体流与二维薄膜模型的自适应混合耦合框架，依据局部分辨率和主成分分析逐粒子切换模型并即时映射数据，实现3倍加速且保持精度。
2024-05-21 cs.NA math.NA physics.flu-dyn
$β$-Variational autoencoders and transformers for reduced-order modelling of fluid flows
Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；Spanish National Institute for Aerospace Technology (INTA)（西班牙国家航空航天技术研究院）；Illinois Institute of Technology（伊利诺伊理工学院）；KTH Royal Institute of Technology（瑞典皇家理工学院）
本文提出结合$β$-VAE与Transformer的方法，为混沌流体流动学习紧凑且近似正交的降阶模型，在二维粘性流动数据上验证，能更高效地捕捉动态，优于其他预测模型。
2023-11-15 cs.LG physics.flu-dyn
A p-adaptive high-order mesh-free framework for fluid simulations in complex geometries
University of Manchester（曼彻斯特大学）；Cardiff University（卡迪夫大学）
本文提出了一种p自适应高阶无网格方法，用于高效准确模拟复杂几何中流体流动，通过动态p细化策略节省计算成本并保持精度。
2025-11-26 cs.NA math.NA physics.flu-dyn
Adaptive Mesh Refinement for Two-Phase Viscoelastic Fluid Mixture Models
针对两相黏弹性流体多相流模型的数值计算难题，提出基于自适应网格细化与多重网格预处理的高效求解方法，达二阶精度且迭代与网格无关，最高实现十倍加速。
2025-08-01 cs.NA math.NA physics.flu-dyn
Reduced order modeling of fluid flows: Machine learning, Kolmogorov barrier, closure modeling, and partitioning
在本文中，我们提出了一个长短期记忆（LSTM）轻推框架，用于利用噪声测量增强流体流动的降阶模型（ROM）。我们建立在这样一个事实，即在实际应用中，有初始条件，边界条件，模型参数和/或现场测量的不确定性。此外，传统的基于Galerkin投影的非线性ROM（GROMs）由于模态截断而遭受不完美性和解的不稳定性，特别是对于Kolmogorov宽度衰减缓慢的对流主导流。在所提出的LSTM-Nudge方法中，我们融合了不完美的GROM和不确定状态估计的组合预测，稀疏欧拉传感器测量，在动态数据同化框架中提供更可靠的预测。我们说明了这个想法与粘性Burgers问题，作为一个基准测试床与二次非线性和拉普拉斯耗散。我们研究了测量噪声和状态估计不确定性对LSTM Nudge行为性能的影响。我们还表明，它可以充分处理不同水平的时间和空间测量稀疏。我们对所提出的模型进行评估的第一步表明，LSTM轻推可以代表新兴数字孪生系统中可行的实时预测工具。
2020-05-28 math.DS physics.comp-ph physics.flu-dyn
Nonlinear parametric models of viscoelastic fluid flows
本文利用非线性动力学稀疏辨识算法为粘弹性流体流动建立可解释的降阶模型，并在四辊磨 Oldroyd-B 基准流动上验证其瞬态预测与参数化外推能力，实现对高 Weissenberg 数下主导动力学的准确预测。
2023-12-01 cs.NA math.NA physics.comp-ph
Simulating incompressible flows over complex geometries using the shifted boundary method with incomplete adaptive octree meshes
本研究将移位边界法（SBM）扩展至浸入式八叉树网格场景，通过构建高效的最优近似代理边界，实现了无需边界拟合网格的复杂几何不可压缩流动模拟，经基准测试验证该方法鲁棒、准确且高效。
2024-12-11 cs.NA math.NA physics.flu-dyn
Stable self-adaptive timestepping for Reduced Order Models for incompressible flows
Technical University of Catalonia（加泰罗尼亚理工大学）；Centrum Wiskunde & Informatica（荷兰数学与计算机科学中心）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出RedEigCD方法，通过线性稳定性理论为降阶模型提供自适应时间步长，证明降阶模型的时间步长不小于全阶模型，实验显示其时间步长可提升40倍而不影响精度。
2026-04-21 cs.NA math.NA physics.comp-ph
