Sustaining processes from recurrent flows in body-forced turbulence
通过直接从体强迫三维湍流中提取不稳定的不变解，我们研究了当强迫是大尺度的并且在动量或涡量方程中是单向的时，在起作用的动力学过程。在前一种情况下，从最近关于线性稳定剪切流的工作中所熟悉的动力学过程--不同地称为自持过程（Waleffe 1997）或涡波相互作用（Hall & Smith 1991; Hall & Sherwin 2010）--即使在基流是线性不稳定的情况下也是重要的。在后一种情况下，强迫驱动泰勒-格林涡，从各种类型的周期性轨道孤立的观察到一些机制。特别是，两种不同的瞬态生长机制进行了讨论，以解释更复杂的状态。
2016-11-15 physics.flu-dyn
Data-driven quantum Koopman method for simulating nonlinear dynamics
State Key Laboratory for Turbulent and Complex Systems, School of Mechanics and Engineering Science, Peking University, Beijing 100871, China（湍流与复杂系统国家重点实验室，力学与工程科学学院，北京大学，北京100871，中国）；HEDPS-CAPT, Peking University, Beijing 100871, China（HEDPS-CAPT，北京大学，北京100871，中国）
针对量子计算难以模拟非线性动力学的问题，提出数据驱动的量子Koopman方法，结合深度学习全局线性化与量子幺正演化，在多类非线性系统中实现低误差高效模拟，开辟量子加速新路径。
2025-07-29 cs.AI cs.LG physics.comp-ph
Residual Dynamic Mode Decomposition: Robust and verified Koopmanism
École Normale Supérieure（巴黎高等师范学院）；University of Cambridge（剑桥大学）；Virginia Tech（弗吉尼亚理工大学）
动态模式分解（DMD）通过一系列简单的相干特征来描述复杂的动态过程。DMD经常用于理解湍流的基本特征，并且与Koopman算子密切相关。然而，由于Koopman算子的无限维性质，验证分解，等效于Koopman算子的计算谱特征，仍然是一个重大挑战。挑战包括虚假（非物理）模式，并处理连续光谱，这两个经常发生在湍流。由Colbrook & Townsend 2021引入的残差动态模式分解（ResDMD）通过与完整的无限维Koopman算子相关的残差的数据驱动计算克服了其中的一些挑战。ResDMD在误差控制下计算一般Koopman算子的谱和伪谱，并在显式高阶收敛定理下计算谱测度（包括连续谱）的平滑近似。因此，ResDMD提供了强大的和验证的库普曼主义。我们实现ResDMD和演示其应用程序在各种流体动力学的情况下，在不同的雷诺数，所产生的数值和实验数据。示例包括：圆柱体后的旋涡脱落;在湍流边界层中获得的热线数据;聚焦于壁面射流的粒子图像测速数据;以及激光诱导等离子体的声压信号。我们提出了一些优点的ResDMD，即，能够验证解决非线性，瞬态模式，并减少加宽效应的光谱计算。我们还讨论了如何一个新的模态排序的基础上的残差，使更高的精度与一个较小的字典比传统的模排序。这为在不牺牲准确性的情况下更好地动态压缩大型数据集铺平了道路。
2022-05-19 cs.LG cs.NA math.DS
Dynamically relevant recurrent flows obtained via a nonlinear recurrence function from two-dimensional turbulence
本文利用非线性三和弦诊断二维湍流直接数值模拟中的递归现象，并结合 Newton-GMRES-hookstep 提取多样的不稳定周期与相对周期轨道，用于湍流统计重构。
2024-08-09 physics.flu-dyn
Data-Driven Modeling of Coarse Mesh Turbulence for Reactor Transient Analysis Using Convolutional Recurrent Neural Networks
先进的核反应堆在瞬态过程中经常表现出复杂的热流体现象。为了准确地捕捉这种现象，粗网格三维（3-D）建模能力是现代核系统代码所需的。在涉及流动和传热的先进反应堆瞬态的粗网格3-D建模中，准确预测湍流粘度是一项具有挑战性的任务，需要准确且计算效率高的模型来捕获未解决的细尺度湍流。本文提出了一种基于局部流动特征的数据驱动的粗网格湍流模型，用于钠冷快堆热混合和分层的瞬态分析。该模型具有粗网格设置以确保计算效率，同时通过细网格计算流体动力学（CFD）数据进行训练以确保准确性。一种新的神经网络架构，结合了密集连接的卷积网络和长短期记忆网络，可以有效地从时空CFD瞬态模拟结果学习。对神经网络模型进行了训练和优化，并在整个瞬态过程中的湍流粘度场的预测表现出较高的精度。训练后的模型的泛化能力也被调查的其他两个瞬态与不同的入口条件。该研究表明，应用所提出的数据驱动的方法来支持先进反应堆的粗网格多维建模的潜力。
2021-11-06 physics.comp-ph physics.flu-dyn
Stochastic reduced-order Koopman model for turbulent flows
University of California San Diego（加州大学圣迭戈分校）
本研究提出结合Koopman理论与谱降阶的随机SLICK模型，通过两步实现湍流封闭，经三类湍流数据验证，可兼顾短时预测精度与长期统计特性，稳定生成真实替代数据。
2025-04-04 nlin.CD physics.comp-ph physics.data-an
Simple invariant solutions embedded in 2D Kolmogorov turbulence
我们认为长时间的模拟二维Kolmogorov湍流体强迫$\sin4y \ex$上的环面$(x,y) \in [0,2π]^2$提取简单的不变集或“确切的经常性流动”嵌入在这个湍流的目的。每一个经常性的流动代表了一个持续的封闭循环的动力学过程的基础上的湍流。这些被用来重建的湍流统计的精神，周期轨道理论推导出某些类型的低维混沌。该方法被认为是合理的成功，在一个低的强迫值的流量接近，但不完全在其渐近（强）湍流制度。在这里，共有50个经常性的流量被发现与大部分埋在相空间的一部分，最人口的湍流引起的能量和耗散概率密度函数的良好再现。然而，在较高的强迫振幅，现在在渐近湍流制度，产生的湍流数据集证明不够长，产生足够的经常性流动，使可行的预测。尽管如此，一般的方法似乎有希望提供足够的模拟数据是可用的，因为它是开放的广泛的自动化和自然生成动态重要的精确的解决方案的流动。
2012-07-19 nlin.CD physics.flu-dyn
Koopman neural operator as a mesh-free solver of non-linear partial differential equations
Tsinghua University（清华大学）；Huawei Technologies Co. Ltd.（华为技术有限公司）；University of Michigan（密歇根大学）；City University of Macau（澳门城市大学）
本文提出Koopman神经算子（KNO），通过近似Koopman算子将非线性PDE求解转化为线性预测问题，在多个PDE和真实动态系统上实现了网格无关、长期和零样本预测，性能优于现有模型。
2024-05-06 cs.LG cs.NA math.NA
Recurrent motions within plane Couette turbulence
由于湍流边界层三维结构的重要性，湍流边界层中的条纹振荡然后将低速流体从壁面喷射出去的破裂现象已经在实验、理论和计算上研究了50多年。我们提出了五个新的三维解的湍流平面Couette流，其中之一是周期性的，而其他四个是相对周期的。这五种解都证明了近壁相干结构的破裂和重新形成。我们的解决方案是周期性的，但在流向方向的漂移。更令人惊讶的是，我们的两个解决方案是周期性的，但在展向方向的漂移，似乎没有被认为是在文献中的可能性。我们认为，在近壁区实验观察到的条纹的相当一部分可能是由于展向漂移，伴随着分裂和重新形成的相干结构。我们还计算了一个新的周期解的平面Couette流，可能与过渡到湍流。
2007-01-29 nlin.CD physics.flu-dyn
Lie Generator Networks for Nonlinear Partial Differential Equations
本文提出李生成网络-库普曼方法，通过将非线性动力学映射到线性潜在空间，学习连续时间库普曼生成器，实现非线性系统的稳定性和可解释性。
2026-04-01 cs.LG physics.flu-dyn
Recurrent flow patterns as a basis for turbulence: predicting statistics from structures
本文提出一种基于自动微分和马尔可夫链权重学习的方法，用不稳定周期轨道重建湍流PDF，首次在Kolmogorov流中实现统计预测。
2023-11-14 physics.flu-dyn
Relative periodic orbits in spatially extended Kolmogorov turbulence: from global to localized recurrence
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Xingjian College, Tsinghua University（清华大学行健学院）
本研究利用分布式降阶模型（分块自编码器与神经ODE）在扩展Kolmogorov湍流中搜索相对周期轨道，成功收敛14个RPOs，并发现局域化复现解，展示了学习方法在精确相干态搜索中的有效性。
2026-09-25 physics.flu-dyn
Temporal Subsampling Diminishes Small Spatial Scales in Recurrent Neural Network Emulators of Geophysical Turbulence
University of California San Diego（加州大学圣地亚哥分校）；Pacific Northwest National Laboratory（太平洋西北国家实验室）；National Oceanic and Atmospheric Administration（美国国家海洋和大气管理局）；Sofar Ocean（Sofar海洋公司）
本文研究时间子采样对储层计算模型（NVAR和ESN）仿真地球物理湍流的影响，发现子采样会增大小尺度偏差，NVAR在高时间分辨率下不稳定而ESN更稳健，且动能谱惩罚可降低谱误差。
2023-09-21 cs.LG physics.ao-ph physics.flu-dyn
Data Driven Learning of Mori-Zwanzig Operators for Isotropic Turbulence
湍流包含了大范围的动力学过程，发展降阶湍流模型是一个极具挑战性的问题。在统计力学中，Mori-Zwanzig（MZ）形式主义提供了一个数学形式化的过程，用于构造高维动力系统的降阶表示，其中由于未解决的动力学的影响被捕获在记忆核和正交动力学中。基于MZ形式的湍流模型一直很稀少，由于有限的知识的MZ运营商，这源于在复杂的非线性动力系统的MZ核推导困难。在这项工作中，我们应用最近开发的数据驱动的学习算法，这是基于Koopman的动力系统和Mori的线性投影算子的描述，在一组完全解决各向同性湍流数据集提取Mori-Zwanzig运营商。使用已知的湍流对称性的数据增强，提取的马尔可夫项，记忆内核，和正交动态统计收敛和广义波动耗散关系可以验证。的内存内核和正交动力学的属性，以及它们对观测量的选择的依赖性进行了研究，以解决通常使用的基于MZ的模型的建模假设。一系列的数值实验，然后使用提取的内核来评估记忆效应的预测。结果表明，观测量的选择对预测误差有很大的影响，通过在记忆核中加入观测量的历史，可以进一步减小预测误差。
2021-08-30 physics.flu-dyn
Searching turbulence for periodic orbits with dynamic mode decomposition
本文提出了一种新的方法，通过对湍流数据进行动态模式分解（DMD）后处理来生成不稳定周期轨道（UPO）的鲁棒猜测。该方法依赖于近中性的，重复的DMD本征值谱中的谐波的识别，从这两个附近的UPO的周期的估计和猜测的速度场可以构建。以这种方式，签名的UPO可以在一个短的时间序列中确定，而不需要一个近复发发生，这是一个相当大的缺点经常性的流量分析，目前的最先进的。我们首先证明了该方法，通过将其应用到一个已知的（简单的）UPO，并发现该期间可以可靠地提取，即使是时间窗口的长度的四分之一的整个期间。然后，我们转向一个很长的湍流轨迹，通过时间序列滑动一个观察窗口，并执行许多DMD计算。我们的方法产生更多的收敛周期轨道（包括多个新的解决方案）比标准的经常性流分析相同的数据。此外，它还产生收敛的UPO在点处，经常性的流动分析标志着一个接近复发，但牛顿求解器没有收敛，这表明新的方法可以与旧的一起使用，以产生改进的初始猜测。最后，我们讨论了什么是DMD识别UPO的“好”时间窗口的一些技巧。
2019-06-04 physics.flu-dyn
Identifying recurrent flows in high-dimensional dissipative chaos from low-dimensional embeddings
Emergent Complexity in Physical Systems Laboratory (ECPS), \'Ecole Polytechnique F\'ed\'erale de Lausanne, 1015 Lausanne, Switzerland
本文提出一种在低维嵌入中识别高维耗散混沌系统循环流的方法，通过循环收敛算法和潜在动力学模型实现对UPOs的高效识别。
2026-01-04 cs.LG nlin.CD physics.flu-dyn
Predicting the temporal dynamics of turbulent channels through deep learning
Alma Mater Studiorum - University of Bologna（博洛尼亚大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
递归神经网络（RNN）的成功已经在许多与湍流相关的应用中得到证实，包括流动控制、优化、湍流特征再现以及湍流预测和建模。通过这项研究，我们的目标是评估这些网络的能力，再现最小的湍流通道流的时间演变。我们首先获得一个数据驱动的模型的基础上的模态分解的傅立叶域（我们表示为FFT-POD）的时间序列采样的流量。这种特殊的湍流情况使我们能够精确地模拟靠近壁面的最相关的相干结构。训练长短期记忆（LSTM）网络和基于Koopman的框架（KNF）来预测最小通道流模式的时间动态。不同配置的测试突出了KNF方法与LSTM相比的局限性，因为所研究的流程非常复杂。从统计学的角度来看，LSTM的长期预测显示出良好的一致性，最佳模型相对于参考的误差低于2%。此外，通过使用李雅普诺夫指数对混沌行为的分析和通过庞加莱映射对动态行为的分析强调了LSTM再现湍流的时间动态的能力。替代降阶模型（ROM），基于不同的湍流结构的识别，进行了探索，他们继续表现出良好的潜力，在预测的时间动态的最小通道。
2022-03-02 cs.LG physics.flu-dyn
On Some Modal Implications of the Dynamic Mode Decomposition Through the Lens of a Subcritical Prism Wake
动态模式分解（DMD）是一种基于Koopman的算法，它直接将单个机制从直接测量的复合形态中分离出来。然而，许多人可能对DMD结构携带的信息感到困惑。本文研究了亚临界自由剪切流中DMD/Koopman模态的模态含义。选取并分析了其中最主要的十种模式的流体力学和唯象学。结果表明，降阶描述是形态准确和物理洞察力。模式1呈现平均场。模式2描述了斯特劳哈尔涡旋的卷起。模式3描绘了剪切层内部Kelvin-Helmholtz不稳定性导致的Bloor-Gerrard涡，其叠加到Strouhal涡上，以及并发流卷吸。模式4、5、7、8和9描绘谐波激励。模式6和10描述了低频脱落的湍流分离气泡（TSB）和湍流的产生，分别有助于在升力时间历程和剪切层的拍打运动的拍打现象。最后，这项工作证明了DMD在提供类似的流体问题的见解的能力。它也是一个很好的参考阵列的其他非线性系统。
2021-12-02 nlin.CD physics.flu-dyn
Mathematically established chaos and forecast of statistics with recurrent patterns in Taylor-Couette flow
本文在反向旋转 Taylor-Couette 流的亚临界混沌转变中，用可严格证明混沌的离散映射建立了与不稳定周期轨道的一一对应，并证明可由 UPOs 重建混沌流体流动的全部统计性质。
2025-02-04 math-ph math.MP nlin.CD
Long-term predictions of turbulence by implicit U-Net enhanced Fourier neural operator
提出隐式 U-Net 增强傅里叶神经算子（IU-FNO），通过结合隐式循环傅里叶层和 U-Net 网络预测湍流的大尺度动力学和小尺度流动结构，实现了比传统模型更准确、更快速且能泛化到高雷诺数的湍流长期稳定预测。
2023-06-20 math-ph math.MP nlin.CD
Seeing the Wind: Visual Wind Speed Prediction with a Coupled Convolutional and Recurrent Neural Network
Stanford University（斯坦福大学）；California Institute of Technology（加州理工学院）
风能资源量化、空气污染监测和天气预报都依赖于对当地风况的快速、准确测量。对风的影响的视觉观察-例如树木的摇摆和旗帜的拍打-编码了关于当地风况的信息，这些信息可以潜在地用于廉价且无处不在的视觉风速测量。在这里，我们展示了一个耦合的卷积神经网络和循环神经网络架构，提取风速编码的可视化记录的流结构的相互作用的旗帜和树在自然发生的风。风速范围为0.75-11 m/s的预测与现场杯风速计的测量结果一致，根均方误差接近大气湍流引起的自然风速变化。该网络的通用性证明了成功的风速预测的基础上记录的其他旗帜在现场和受控风洞测试。此外，基于物理的缩放的扑动动力学准确地预测网络性能的视频帧速率和持续时间的依赖。
2019-10-28 cs.CV cs.LG physics.flu-dyn
A Deep Learning based Approach to Reduced Order Modeling for Turbulent Flow Control using LSTM Neural Networks
在过去的几十年里，由于高保真CFD提供了对湍流的前所未有的物理洞察，工程应用的降阶建模（ROM）一直是主要的研究热点。ROM的主要目标是在不计算完整的Navier-Stokes（NS）方程的情况下对流场的关键物理/特征进行建模。这是通过将高维动力学投影到低维子空间来实现的，通常利用降维技术，如适当的正交分解（POD），结合Galerkin投影。在这项工作中，我们展示了一种基于深度学习的方法，使用规范DNS数据集的POD基础构建ROM，用于湍流控制应用。我们发现，一种类型的递归神经网络，即长短期记忆（LSTM），主要用于语音建模和语言翻译等问题，在湍流的时间动力学建模方面显示出有吸引力的潜力。此外，我们引入了Hurst指数作为研究非平稳数据的LSTM行为的工具，并发现了可能有助于各种应用程序的ROM开发的有用特征。
2018-04-24 physics.comp-ph physics.flu-dyn
Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models
Duke University（杜克大学）
我们使用数据驱动的方法，使用尖端的深度学习技术对三维湍流进行建模。深度学习框架结合了对流的物理约束，例如保持速度梯度张量的不可压缩性和全局统计不变量。使用统计和基于物理的度量来评估模型的准确性。该数据集来自于对立方体箱中不可压缩、统计稳定、各向同性湍流的直接数值模拟。由于数据集的大小是内存密集型的，我们首先生成速度数据的低维表示，然后将其传递给序列预测网络，该网络学习底层数据的空间和时间相关性。通过使用矢量量化自动编码器（VQ-AE）进行提取来执行降维，该矢量量化自动编码器学习离散潜变量。对于序列预测，使用了来自自然语言处理的Transformer架构的思想，并将其性能与更标准的递归网络（如卷积LSTM）进行了比较。这些架构被设计和训练为执行序列到序列的多类分类任务，其中它们采用具有固定长度（k）的输入序列并预测具有固定长度（p）的序列，表示流的未来时刻。我们的短期预测结果表明，由于预测的自回归性质，这两个模型的结果的准确性在预测快照中恶化。根据我们的诊断测试，经过训练的Conv-Transformer模型优于Conv-LSTM模型，并且可以在定量和定性方面准确地保留大尺度并很好地捕获流的惯性尺度，但无法恢复小的和间歇的流体运动。
2021-12-07 cs.LG physics.flu-dyn
Hybrid Reduced-Order Models for Turbulent Flows Using Recurrent Neural Architectures
本文提出将POD-Galerkin降阶模型与LSTM循环神经网络结合的物理引导机器学习混合模型，用于雷诺数1000圆柱绕流湍流预测，并证明其优于传统ROM和LES启发ROM。
2025-03-07 physics.flu-dyn
A non-intrusive reduced order modeling framework for quasi-geostrophic turbulence
在这项研究中，我们提出了一个非侵入性的降阶建模（ROM）的大规模准平稳系统的框架。本文提出的框架利用长短期记忆（LSTM）递归神经网络的时间序列预测能力，使得：（i）在训练阶段，使用适当的正交分解（POD）变换，根据从高分辨率数据中提取的模态系数训练LSTM模型，以及（ii）在测试阶段，训练模型基于初始时间历程递归地预测总时间的模态系数。为了说明所提出的框架的预测性能，平均流场和时间序列响应的字段值重建从预测的模态系数通过使用逆POD变换。作为一个有代表性的基准测试案例，我们考虑一个二维准地转（QG）海洋环流模型，在一般情况下，显示了巨大的波动的空间和时间尺度的范围。我们首先说明，传统的Galerkin投影为基础的ROM这样的系统需要大量的POD模式，以获得一个稳定的流动物理。此外，ROM-GP似乎没有捕捉到前几个最具活力的模式的动态中出现的间歇性爆发。然而，所提出的基于LSTM的非侵入式ROM框架（ROM-LSTM）即使对于少量POD模式也产生稳定的解决方案。我们还观察到，ROM-LSTM模型能够准确地捕获准周期性间歇性突发，并使用几个先前时间状态的时间历史产生稳定且准确的平均流动态，在本文中表示为回望时间窗口。我们的研究结果表明，拟议的ROM框架是能够预测噪声非线性流体流动的一个非常有效的方式相比，传统的投影ROM。
2019-06-24 cs.CE physics.comp-ph physics.flu-dyn
Transported Memory Networks accelerating Computational Fluid Dynamics
Siemens（西门子）
针对工业级非结构化网格求解器难以集成神经网络的问题，提出传输记忆网络，融合湍流模型与循环神经网络思想，在精度和效率上达到或超越现有方法。
2025-02-25 cs.LG physics.flu-dyn
Direct data-driven forecast of local turbulent heat flux in Rayleigh-Bénard convection
Technische Universität Ilmenau（伊尔默瑙工业大学）；Friedrich-Schiller-Universität Jena（耶拿弗里德里希·席勒大学）；New York University（纽约大学）
提出了一种卷积自编码器-递归神经网络机器学习组合模型，用于分析和预测普朗特数${\rm Pr}=7$和瑞利数${\rm Ra}=10^7$下二维湍流Rayleigh-Bénard对流中局部对流热通量场的动力学和低阶统计量.两个递归神经网络应用于减少的潜在数据空间，水库计算模型的回声状态网络和一个经常性的门控单元的形式的流数据的时间推进。因此，本工作利用三种不同的机器学习算法的模块化组合，以建立一个完全数据驱动和简化的模型，在复杂的热驱动流的湍流传热的动力学。具有12个隐藏层的卷积自动编码器能够将湍流数据的维数降低到其原始大小的约0.2%。我们的结果表明，一个相当好的精度在一阶和二阶统计的对流热通量。该算法还能够再现间歇性羽流混合动力学的热边界层的上边缘与一些偏差。这同样适用于局部对流热通量的概率密度函数与差异的远尾。此外，我们证明了噪声弹性的框架，这表明本模型可能适用于作为一个简化的动力学模型，提供运输通量及其变化的粗网格单元的大规模计算模型，如全球大气和海洋环流模型。
2022-02-26 cs.CE cs.LG physics.flu-dyn
Echo State Network for two-dimensional turbulent moist Rayleigh-Bénard convection
Technische Universität Ilmenau（伊尔默瑙工业大学）；New York University（纽约大学）
递归神经网络是一种机器学习算法，非常适合于预测时间序列。回声状态网络是这种神经网络的一种具体实现，其可以通过监督机器学习来描述动态系统的演化，而无需求解底层的非线性数学方程。在这项工作中，我们应用回声状态网络来近似二维湿Rayleigh-Bénard对流的演化和由此产生的低阶湍流统计。我们进行长期的直接数值模拟，以获得训练和测试数据的算法。这两个集合都使用快照方法通过适当的正交分解（POD）进行预处理，以减少数据量。训练数据包括前150个最具能量的POD系数的长时间序列。随后，储层由数据馈送，并导致对未来流动状态的预测。原始模拟的数据彻底验证了预测。我们的结果显示了良好的协议的低阶统计。这也结合了派生的统计矩，如云覆盖靠近对流层的顶部和液态水的通量在整个域。我们的结论是，我们的模型是能够学习复杂的动力学，这是在这里介绍的紧密相互作用的湍流与蒸汽和液态水之间的相变的非线性热力学。我们的工作为大尺度环流模式中次网格尺度输运的动态参数化开辟了新的途径。
2021-05-03 cs.LG nlin.CD physics.flu-dyn
Using LSTM Predictions for RANS Simulations
本研究评估LSTM神经网络替代RANS湍流模型的可行性，在第二阶段解决了前期挑战，并证明了LSTM模型在预测扰动流等更复杂流动场景中湍流行为的有效性。
2024-11-18 physics.flu-dyn
RoseNNa: A performant, portable library for neural network inference with application to computational fluid dynamics
Georgia Institute of Technology（佐治亚理工学院）
本文提出轻量级非侵入式 RoseNNa 库，可将训练好的 MLP/LSTM 模型转为带 C/Fortran API 的高性能 Fortran 代码，便于嵌入 CFD 等 PDE 求解器，推理速度最高较 PyTorch/libtorch 提升约10倍。
2023-07-30 cs.LG physics.flu-dyn
A Hybrid Generative Reduced-Order Model for the Minimal Flow Unit
PPRIME Institute, CNRS, Université de Poitiers, ISAE-ENSMA（普雷姆研究所，法国国家科学研究中心，普瓦捷大学，国立高等航空航天机械学院）；FLOW, Engineering Mechanics, KTH Royal Institute of Technology（流动工程力学，瑞典皇家理工学院）；Laboratoire des Écoulements Géophysiques et Industriels（地球物理和工业流动实验室）
提出一种数据驱动降阶模型，结合β-VAE-GAN压缩高维湍流场和传感器条件Transformer预测潜变量演化，在最小流动单元中准确预测近壁间歇动力学，恢复87%湍动能。
2026-06-08 physics.flu-dyn
