Statistics of the Navier-Stokes-alpha-beta regularization model for fluid turbulence
本文研究了均匀各向同性湍流中中等雷诺数下Navier-Stokes-alpha-beta正则化模型的一点和两点统计特性。结果进行了比较的极限情况下的Navier-Stokes-α模型和Navier-Stokes-α-β模型没有亚网格尺度应力,以及高分辨率的直接数值模拟。在回顾了Navier-Stokes-α-β模型、Navier-Stokes-α模型和无子尺度应力的Navier-Stokes-α-β模型的不同能量范数谱后,给出了滤波和未滤波速度增量的概率密度函数和归一化概率密度函数以及正则化模型的纵向速度结构函数和直接数值模拟结果。我们突出的统计特性的未过滤和过滤的速度场进入Navier-Stokes-alpha和Navier-Stokes-alpha-beta模型的控制方程的差异,并讨论了现实的流量预测的可用性的速度场。通过与忽略亚网格尺度应力张量的情况进行比较,研究了Navier-Stokes-α-β模型中修正粘性项的影响。过滤后的速度场被发现有物理上更可行的概率密度函数和结构函数的近似直接数值模拟结果,而未过滤的速度场被发现有接近直接数值模拟结果的平坦度因子。
2013-09-27 physics.flu-dyn
Inertial Frame Independent Forcing for Discrete Velocity Boltzmann Equation: Implications for Filtered Turbulence Simulation
我们提出了一个系统的推导中心矩格子玻尔兹曼方程的基础上,严格保持伽利略不变性的力量来模拟惯性系独立的流场的模型。在这方面,中心的时刻,即移动的局部流体速度,格子玻尔兹曼方程的离散源项的时刻是通过匹配的连续的完整的玻尔兹曼方程的各种订单。这导致了给定阶次的源项的中心矩与分布函数和低阶源的中心矩的分量之间的精确的分层恒等式。然后,由于适当地选择矩的正交基,从精确的逆变换获得速度空间中的相应源项。此外,这种基于中心矩的动力学模型进一步扩展,将减少压缩性的影响,以代表不可压缩流。此外,对于全部或任何尺度子集或其平均行为的流体湍流的描述和模拟应保持独立于任何惯性参考系。因此,基于上述公式,一个新的方法在格子Boltzmann框架,将湍流模型模拟伽利略不变的统计平均或过滤湍流流体运动进行了讨论。
2012-02-27 nlin.CG physics.flu-dyn
Lagrangian filtered density function for LES-based stochastic modelling of turbulent dispersed flows
当直接数值模拟(DNS)的计算费用变得过于昂贵时,基于大涡模拟(LES)的欧拉-拉格朗日方法是研究湍流离散流动最有前途和可行的数值工具之一。然而,这种方法的适用性是有限的,如果子网格尺度(SGS)的流动粒子动力学的影响被忽略。在本文中,我们建议考虑到这些影响的拉格朗日随机SGS模型的粒子运动方程。该模型扩展到颗粒负载流的速度过滤密度函数方法最初开发的反应流。基本的过滤密度函数模拟通过拉格朗日蒙特卡罗程序,解决了一组随机微分方程(SDES)沿个别粒子的轨迹。由此产生的模型进行测试的参考情况下,湍流槽流,使用混合算法,其中的流体速度场是由大涡模拟提供的,然后用于提前的SDES的时间。模型的一致性进行评估,在零惯性粒子的限制,当“重复字段”可从欧拉LES和拉格朗日跟踪。惯性粒子的测试进行了检查的模型捕捉粒子的优先浓度和近壁偏析的能力。与DNS为基础的统计相比,我们的结果表明,提高了精度和显着减少的错误的情况下,没有SGS模型中使用的粒子运动方程。
2016-07-07 physics.flu-dyn
Initiation of a validation strategy of reduced-order two-fluid flow models using direct numerical simulations in the context of jet atomization
在工业应用中,开发依赖于使用降阶模型的数值模拟的预测工具,滋养了构建验证策略的需求。在低温雾化的背景下,我们建议建立一个层次的直接数值模拟测试用例,定性和定量评估扩散界面模型。目前的工作提出了一个启动的验证策略与空气辅助水雾化使用同轴注射器。
2019-11-06 physics.flu-dyn
Adaptive Reduced-Order Modeling for Non-Linear Fluid-Structure Interaction
提出了一种自适应降阶模型,用于复杂非线性变形的流固耦合问题的有效时间分辨仿真。该模型是基于结构平衡方程的重复线性化。在每个线性化步骤中,未知数的数量大大减少,通过使用模态减少,这导致了计算效率的大幅提高。通过自适应重新校准和截断增强,每当超过无量纲变形阈值,我们确保减少模态基础保持任意精度的小和大的变形。我们的新模型被嵌入到一个分区,松散耦合的有限体积-有限元框架,其中的欧拉流体求解器内的结构界面运动是由保守的割元浸没边界法。应用于超音速平板的气动弹性不稳定性、置于激波管中的弹性壁板以及充气薄半球的激波诱导屈曲,证明了该方法的有效性和准确性。
2020-04-10 physics.flu-dyn
Physically consistent immersed boundary method: a framework for predicting hydrodynamic forces on particles with coarse meshes
本文提出一种物理一致的浸入边界方法(PC-IBM),通过体积过滤推导并兼容大涡模拟,在粗网格下准确预测颗粒流体动力,阻力偏差小于10%。
2024-06-07 physics.comp-ph physics.flu-dyn
Projection-based reduced order modeling and data-driven artificial viscosity closures for incompressible fluid flows
针对不可压缩流体降阶模型在线求解精度与效率的平衡问题,验证了增量压力修正方案的适用性,并对比三种人工粘性封闭模型及两种参数校准方法,为实现高精度动力学预测提供方案参考。
2024-01-30 physics.flu-dyn
Effective Block Preconditioners for Fluid Dynamics Coupled to Reduced Models of a Non-Local Nature
针对心血管血流模拟中CFD与非局部降阶模型耦合的计算成本问题,本文设计3×3块预条件子,在患者特异性左心模拟中比常用2×2方案计算时间最多缩短六倍、线性迭代次数减半。
2024-12-04 physics.flu-dyn
Reduced-order modeling of the fluidic pinball
流体弹球是一个几何简单的流动配置与三个旋转的圆柱体上的一个等边三角形的顶点。然而,它仍然足够丰富的物理主机范围内的相互作用的频率,并允许在几分钟内在笔记本电脑上测试控制律。该系统具有多个输入(三个气缸可以独立地绕其轴线旋转)和多个输出(下游速度传感器)。调查自然流动动力学,我们发现,第一个不稳定的转变所经历的尾流,当增加雷诺数,是一个霍普夫分叉导致通常的时间周期性的旋涡脱落现象,典型的圆柱体尾流,其中的平均流场保持轴对称。我们从流动数据中提取动态一致的模式,以建立一个降阶模型(ROM)的这种流动状态。我们表明,主要的Hopf分岔的动力学特征可以描述由三个自由度的非平凡的最低阶模型。
2021-04-11 physics.flu-dyn
Mixed modeling for large-eddy simulation: the minimum-dissipation-bardina model
纳维-斯托克斯方程描述粘性流体的运动。为了以合理的计算时间和精度预测湍流,根据大涡模拟(LES)方法对这些方程进行空间滤波。目前的工作应用根据Schumann(1975)的体积过滤程序。为了演示的程序舒曼过滤器首先适用于对流扩散方程。舒曼滤波器导致体积平均方程,其不是封闭的。为了关闭这些方程的模型,它代表了解决尺度和小的次网格尺度之间的相互作用。在这里,考虑Roxie等人的各向异性最小耗散模型。(2015)。计算单元面对流通量所需的插值方案可视为第二个过滤器。因此,过滤对流扩散方程的对流项可以解释为双重过滤项。这一项由Bardina等人(1983)的尺度相似性模型近似。从而得到一个混合最小耗散Bardina模型。其次,将数学方法推广到纳维-斯托克斯方程。在这里,压力项被单独分析,并添加到对流扩散方程作为汇项。最后,得到了空间滤波的纳维-斯托克斯方程,该方程依赖于由Roxley等人(2015)提出的各向异性最小耗散(AMD)模型和Bardina等人(1983)的尺度相似模型。因此,实现了混合AMD模型和Bardina模型的数学上一致的方法。
2018-06-29 physics.flu-dyn
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
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
Two-point stress-strain rate correlation structure and non-local eddy viscosity in turbulent flows
通过分析湍流中滤波速度场的Karman-Howarth方程,我们发现滤波应变率和子滤波应力张量之间的两点关联在滤波速度关联函数的演化中起着核心作用。因此,基于两点相关的{ \it统计先验检验}使得能够对湍流模型进行严格的和物理上有意义的研究。使用的数据从直接数值模拟的各向同性和通道流湍流,我们表明,当地的涡粘性模型未能表现出长尾观察到的真正的子过滤器应力-应变率关联函数。通过基于$0<α<1$阶的分数梯度而不是对应于$α=1$的经典梯度来定义涡流粘度模型,可以实现更强的非局部相关性。分析了这种关联函数的分数阶梯度算子的各种订单。它被发现,在各向同性湍流分数阶导数$α\sim 0.5$产生最好的结果,而通道流$α\sim 0.2$产生更好的结果,在流向方向的相关性,甚至进入核心通道区域。在展向方向,槽道流结果显示出明显更多的局部相互作用。整体结果证实了强非局部性的子过滤器应力和分辨率尺度流体变形率之间的相互作用,但在非各向同性流的非平凡的方向依赖性。
2020-06-03 physics.flu-dyn
Reduced particle settling speed in turbulence
我们研究了有限大小的刚性球体在持续均匀各向同性湍流(HIT)中的沉降,采用浸没边界法来考虑分散的固相。我们研究了不同伽利略数,Ga。伽利略数是浮力和粘性力之间的比率,并且在这里通过固体与流体的密度比而变化。重点是比流体稍重的颗粒。我们发现在HIT中,平均沉降速度小于静止流体中的沉降速度,特别是当静止流体中孤立球的终极速度与湍流速度脉动之比减小时,平均沉降速度比静止流体中孤立球的终端速度减小6%~ 60%.通过对液固相对运动的分析,发现随着密度比的减小,由于颗粒横向流速引起的垂向阻力增大,平均沉降速度逐渐减小。非定常效应对平均总阻力的贡献约为6%-10%。颗粒速度和加速度的概率密度函数表明,它们与湍流的特性密切相关。如果时间按(2a)/u'(其中2a是颗粒直径,u'是湍流速度均方根)缩放,则发现对于所有Ga,在沉降方向上的颗粒均方位移是相似的。
2016-11-28 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
Modelling two-dimensional droplet rebound off deep fluid baths
本研究针对液滴从液浴反弹的现象,提出纳入演化润滑空气层的二维完全耦合简化动力学模型,经Navier-Stokes直接数值模拟验证,在小液滴低速撞击场景下精度良好,且计算高效,可获取常规简化模型忽略的空气层细节信息。
2025-06-17 physics.flu-dyn
Proper orthogonal decomposition closure models for fluid flows: Burgers equation
提出了流体流动本征正交分解(POD)降阶模拟的几种封闭模型。这些新的封闭模式,连同其他标准的封闭模式,在Burgers方程的数值模拟进行了研究。这种简化的设置只是研究新的闭合模型的第一步。它允许对新模型的性能进行全面评估,包括参数敏感性研究。在数值研究中选择了两个具有挑战性的显示运动激波的试验问题。封闭模型和一个标准的Galerkin POD降阶模型对高分辨率数值模拟进行了基准测试。数值精度和计算效率被用来评估模型的性能。
2013-08-14 physics.flu-dyn
Statistical properties of an ideal subgrid-scale correction for Lagrangian particle tracking in turbulent channel flow
与使用大涡模拟(LES)来研究小惯性颗粒在湍流中的分散相关联的一个问题是可以再现颗粒统计和浓度的精度。粒子在LES场中的运动可能与实验或直接数值模拟(DNS)中观察到的显著不同,因为作用在粒子上的力没有准确估计,这是由于唯一过滤的流体速度的可用性,并且因为误差随着时间的推移而累积,导致轨迹的渐进发散。这可能导致统计和浓度预测的不同程度的不准确。我们在这里确定一个理想的亚网格修正的先验LES流体速度看到的颗粒在湍流通道流。该校正是通过施加在过滤的DNS场中移动的各个粒子的轨迹与DNS中的粒子轨迹完全一致来计算的。用这种方法,可以把由滤波引入质点运动方程中的误差从由于轨迹的渐进发散而引起的误差中挑出来并分别进行分析。亚网格校正项,因此,滤波误差,其特征在于在本文件中的统计矩。粒子的惯性和过滤器的类型和宽度上的校正项的性质的影响进行了研究。
2011-04-06 physics.flu-dyn
Validation and parameterization of a novel physics-constrained neural dynamics model applied to turbulent fluid flow
本研究构建了受物理约束的Navier-Stokes方程数据驱动降阶模型,结合不可压缩约束与神经常微分方程,在三维中等雷诺数湍流上验证了其大尺度流动重建能力,并明确了物理可解释参数对模型性能的量化影响。
2021-10-22 physics.flu-dyn
Ensemble-filtered vortex modeling of strongly disturbed aerodynamic flows
动态流量估计的任务是利用现有传感器的测量值来构造一个演化流量的近似值,特别是它对扰动的响应。根据Darakananda等人以前的工作进行建设。(Phys Rev Fluids 2018),我们进一步开发了一个基于无限薄板流动的随机扰动无粘涡模型集合的气动流的集合卡尔曼滤波器(EnKF)框架。在预报步骤中,每个集合成员中的涡元素被气流平流输送,新的元素从板的每个边缘释放;元素被聚集以保持有效的表示。在分析步骤中,通过同化从真实系统测量的跨板表面压差来校正涡元和前缘约束。我们表明,整体框架可以被物理解释为一系列的调整的位置和形状的椭圆形区域的不确定性与每个涡元素。在这项工作中,我们比较了以前使用的随机EnKF与集合变换卡尔曼滤波器(ETKF),它使用一个确定性的分析步骤。我们研究了平板在$20^\circ$在两个扰动流中的响应,真实的数据从高保真模拟在雷诺数500。在第一种情况下,我们应用一系列的大幅度脉冲附近的前缘的板来模仿流驱动。在第二种情况下,我们将平板置于圆柱后面的涡街尾流中。在这两种情况下,我们表明,基于涡的框架准确地估计压力分布和法向力,没有{ \em先验}知识的扰动。我们表明,ETKF是一致的更强大的随机EnKF。最后,我们通过卡尔曼增益的SVD来检查从测量到状态更新的映射。
2020-08-25 physics.flu-dyn
A hybrid partitioned deep learning methodology for moving interface and fluid-structure interaction
我们提出了一个混合分区深度学习框架,用于流体-结构相互作用的降阶建模。在任意拉格朗日-欧拉参考系下,利用离散化的Navier-Stokes方程,生成流场全阶快照和点云位移,作为流体-结构动力学学习和推理的目标数据。这种方法的混合操作是通过基于深度学习的降阶模型(DL-ROM)将流体和固体子域的两个数据驱动模型结合起来。提出的框架包括分区的数据驱动的驱动程序的非定常流和移动点云位移。在流体-结构界面处,力信息在两个分区子域求解器之间交换。我们的框架的第一个组成部分依赖于适当的正交分解为基础的递归神经网络(POD-RNN)作为DL-ROM过程来推断点云与移动接口。该模型利用POD基模式来降低维度,并通过RNN使它们及时进化。第二部分采用基于卷积的递归自编码器网络(CRAN)作为一个自我监督的DL-ROM程序来推断静态欧拉探针的非线性流动动力学。我们引入这些探头作为空间结构化的查询节点在移动点云处理拉格朗日欧拉冲突一起方便训练CRAN驱动程序。为了确定这些欧拉探针,我们构建了一个新的快照字段传输和负载恢复算法。一个流行的原型流固耦合问题的流动过去的自由振荡的气缸被认为是评估所提出的方法的效率为一个不同的一组减少的速度。所提出的框架跟踪接口描述可接受的精度和预测的非线性尾流动力学在选定的测试数据范围。
2021-10-30 physics.flu-dyn
Complete classification of stationary flows with constant total pressure of ideal incompressible infinitely conducting fluid
给出了理想无限导电流体定常总压不可压缩流动的穷举分类。通过引入基于流线和磁力线的曲线坐标系,将磁流体动力学(MHD)方程组化为一个非线性矢量波动方程,该方程由不可压缩性条件以广义Cauchy积分的形式展开。对于恒定总压的流动,波动方程被明确地积分,而不可压缩性条件被简化为函数的标量方程,取决于不同的变量集。调查的中心困难是分离变量的标量方程,并整合所产生的超定系统的非线性偏微分方程。所有可能类型的解决方案的典型代表与等价变换,扩展到整个数量的解决方案的典型集表示。
2011-11-30 physics.flu-dyn
A flux bounce-back scheme for the filtered Spectral Element Lattice Boltzmann Method
City College of New York(纽约市立学院);Argonne National Laboratory(阿贡国家实验室)
本文提出了一种基于谱元方法的格子玻尔兹曼方法,通过通量反弹方案实现复杂边界下的高精度湍流模拟。
2025-12-07 physics.comp-ph 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
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
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
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 target-fixed immersed-boundary formulation for rigid bodies interacting with fluid flow
National Taiwan University(国立台湾大学)
本文提出物体固定参考系下的浸入边界投影法求解复杂刚体流固耦合问题,通过隐式耦合等设计提升低固流质量比下的稳定性与表面应力精度,经二维算例验证了方法有效性。
2020-01-01 physics.comp-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
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
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
Filtered Partial Differential Equations: a robust surrogate constraint in physics-informed deep learning framework
提出一种基于滤波的代理约束FPDE,通过减少噪声和稀疏数据的影响,提升物理信息神经网络在复杂现实场景中的鲁棒性和收敛性。
2024-05-14 physics.flu-dyn stat.AP stat.ML
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
$β$-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
Data-driven recovery of hidden physics in reduced order modeling of fluid flows
在这篇文章中,我们介绍了一个模块化的混合分析和建模(HAM)的方法来考虑隐藏的物理降阶建模(ROM)的参数化系统相关的流体动力学。混合ROM框架基于使用第一原理来对已知物理进行建模,并结合利用数据驱动的机器学习工具来对隐藏在数据中的剩余残差进行建模。该框架采用正交分解作为压缩工具来构造正交基,采用Galerkin投影(GP)作为模型来构造系统的动力核。因此,我们提出的方法补偿模型中的结构或认知不确定性,并利用观测数据快照来计算这些基础所涵盖的真实模态系数。然后,GP模型在每个时间步都通过数据驱动的校正进行校正,该校正使用长短期记忆(LSTM)神经网络架构来合并隐藏的物理学。格拉斯曼流形方法也适用于将基函数插值到看不见的参数条件。因此,控制系统行为的控制参数通过真实模态系数作为LSTM网络的输入特征被隐式地考虑。HAM方法的有效性进行了讨论,通过综合产生的说明性的例子,考虑到隐藏的物理。因此,我们的方法提供了见解,解决基于物理的模型的基本限制时,控制方程是不完整的,以代表底层的物理过程。
2019-10-30 physics.comp-ph physics.flu-dyn
On floating point precision in computational fluid dynamics using OpenFOAM
由于现代集群机器的计算能力,数值模拟可以提供前所未有的细节水平,对流体力学的新见解。然而,充分利用这种硬件仍然具有挑战性,因为数据通信仍然是达到峰值性能的重要瓶颈。降低浮点精度是减少数据移动和提高大多数应用程序计算速度的一种简单有效的方法。然而,需要特别注意确保计算解的质量和收敛性,特别是在处理复杂的流体模拟时。在这项工作中,我们分析的影响,减少(单和混合相比,双)精度的计算性能和准确性的计算流体动力学。使用开源库OpenFOAM,我们认为不可压缩,可压缩,和多相流体求解器的测试在层流和湍流的制度,并在存在冲击波的流动的相关基准。计算增益和变化的可扩展性的应用程序在降低精度进行了讨论。特别是,一个特设的理论模型的强缩放允许我们解释和理解所观察到的行为,作为浮点精度和硬件细节的函数。最后,我们展示了如何降低精度可以显着加快混合CPU-GPU实现,最近提供给OpenFOAM最终用户,这仅仅依赖于硬件供应商开发的GPU线性代数求解器。
2022-09-13 physics.comp-ph 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
Closure Learning for Nonlinear Model Reduction Using Deep Residual Neural Network
开发准确,高效,鲁棒的封闭模型是必不可少的现实非线性系统的降阶模型(ROM)的建设,这通常需要激烈的ROM模式截断。我们提出了一个深度残差神经网络(ResNet)闭包学习框架,用于非线性系统的ROM。新的ResNet-ROM框架由两个步骤组成:(i)在第一步中,我们使用ROM投影对给定的非线性PDE进行滤波并构造滤波后的ROM。该滤波后的ROM是低维的,但不是封闭的(因为PDE的非线性)。(ii)在第二步中,我们使用ResNet关闭过滤后的ROM,即,对已分辨和未分辨ROM模式之间的相互作用进行建模。我们强调,在新的ResNet-ROM框架中,数据仅用于补充经典的物理建模(即,我们还注意到,新的ResNet-ROM是建立在空间过滤和深度学习的一般思想上的,并且独立于(限制性的)现象学论点,例如,涡动粘度型。一维Burgers方程的数值实验表明,ResNet-ROM是显着更准确的比标准的投影ROM。新的ResNet-ROM也更准确,显着更有效地比其他现代ROM封闭模型。
2019-10-12 physics.comp-ph physics.flu-dyn
Reduced-order modeling of unsteady fluid flow using neural network ensembles
University of Michigan(密歇根大学);Autodesk Research(欧特克研究中心)
本文提出CAE-eLSTM ROM框架,结合CAE空间重建与bagging LSTM集成预测,以缓解非定常流体降阶建模中的长时误差传播。
2024-08-08 cs.LG 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
Predicting fluid-structure interaction with graph neural networks
University of British Columbia(不列颠哥伦比亚大学)
本研究提出一种旋转等变的准整体图神经网络流固耦合降阶建模框架,通过两个子网络分别处理网格运动与流体状态演化,在两类典型系统中实现长时稳定准确预测,还可直接计算升阻力,对相关数字孪生开发具有参考意义。
2023-10-16 cs.LG physics.flu-dyn
A Priori Error Bounds for POD-ROMs for Fluids: A Brief Survey
本文综述了流体 POD 降阶模型的先验误差界研究,梳理其主要构成与实际意义,并总结该领域的重要贡献。
2024-09-01 cs.NA math.NA physics.flu-dyn
Probabilistic neural network-based reduced-order surrogate for fluid flows
近年来,神经网络(NN)在物理科学中的应用激增。虽然已经提出了各种算法的进步,但到目前为止,评估神经网络可解释性的研究数量有限。这导致了大多数NN方法被草率地描述为“黑匣子”,并阻碍了更强大的物理学机器学习算法的广泛接受。为了解决流体流动建模中的这些问题,我们使用概率神经网络(PNN),以计算有效的方式为其预测提供置信区间。该模型首先评估考虑适当的正交分解(POD)系数从本地传感器测量的浅水方程的解决方案的估计。我们发现,本模型优于一个众所周知的线性方法方面的估计。然后,该模型被应用到POD系数的时间演变的估计,考虑与Gurney襟翼NACA 0012翼型的尾迹和NOAA的海面温度。本模型除了提供置信区间之外,还可以随时间准确地估计POD系数,从而量化给定特定训练数据集的输出中的不确定性。
2020-12-16 physics.comp-ph physics.data-an physics.flu-dyn
Efficient Adjoint Petrov-Galerkin Reduced Order Models for fluid flows governed by the incompressible Navier-Stokes equations
Ruhr-Universität Bochum(波鸿鲁尔大学)
本文提出了一种高效的 adjoint Petrov-Galerkin 减缩模型方法,用于解决由不可压缩 Navier-Stokes 方程支配的流体流动问题,通过改进计算效率和稳定性。
2025-07-28 cs.SY eess.SY physics.flu-dyn
Estimating flow fields with Reduced Order Models
本文提出基于投影降阶模型和扩展卡尔曼滤波的实时观测器,用于估计离心泵内部时空分辨的速度和压力场,并引入贪心算法优化测量位置,通过二维CFD模拟验证了方法的有效性。
2023-07-07 cs.SY eess.SY physics.flu-dyn
Arbitrary Order Energy and Enstrophy Conserving Finite Element Methods for 2D Incompressible Fluid Dynamics and Drift-Reduced Magnetohydrodynamics
在完全离散的设置中保持守恒律对于数值模拟的精确长时间行为至关重要,并且需要考虑空间和时间的离散守恒性质。本文推导了任意阶有限元外微积分空间离散的二维(2D)Navier-Stokes方程和漂移减少磁流体动力学方程,保持能量和拟能的机器精度时,一般辛时间积分方法相结合。连续和不连续Galerkin(DG)弱公式都可以保证守恒,但只有一般的辛时间积分方法,如隐式中点法,才允许时间上的精确守恒。此外,辛隐式中点方法产生一个数量级的加速显式计划。这些方法使用MFEM库实现,并针对一系列广泛的2D中性流体湍流测试问题验证了解决方案。通过比较半解析线性特征值求解器以及有限差分全球漂移扰动(GDB)代码的数值解进行验证。然而,它被发现,湍流模拟,保存能量和涡度拟能往往有太多的权力在高波数和这部分的频谱应控制重新引入人工耗散。DG制定允许迎风的平流运营商消散拟能,同时仍然保持能量守恒。耦合迎风DG与隐式辛积分似乎提供了最好的妥协,允许中程波数达到适当的幅度,同时仍然控制高波数部分的频谱。
2022-02-26 cs.NA math.NA physics.comp-ph
Deep Fluids: A Generative Network for Parameterized Fluid Simulations
ETH Zürich(苏黎世联邦理工学院);Technical University of Munich(慕尼黑工业大学);Pixar Animation Studios(皮克斯动画工作室)
本文提出了一种新的生成模型,从一组减少的参数合成流体模拟。在离散的、可参数化的流体模拟速度场的集合上训练卷积神经网络。由于深度学习架构能够学习数据的代表性特征,我们的生成模型能够准确地近似训练数据集,同时提供合理的插值中间值。建议的生成模型是优化流体的一种新的损失函数,保证发散自由速度场在任何时候。此外,我们还证明了我们可以在简化空间中处理复杂的参数化,并通过在潜在空间中与第二个网络集成来及时推进模拟。我们的方法模拟了各种各样的流体行为,从而使应用程序,如快速构建模拟,不同参数的流体插值,时间重新采样,潜在空间模拟和流体模拟数据的压缩。重建速度场的生成速度比使用底层CPU求解器重新模拟数据快700倍,同时实现高达1300倍的压缩率。
2019-02-01 cs.GR cs.LG physics.comp-ph