A Differentiable Programming Framework for Accurate and Stable Reduced-Order Modeling of Chaotic Flows
University of Central Florida(中佛罗里达大学)
提出一种可微编程框架,通过调整POD-Galerkin模型中的线性和二次张量并采用混合损失函数,实现低阶模型对混沌流的精确长期稳定模拟,计算成本降低一个数量级。
2026-05-26 nlin.CD physics.comp-ph physics.flu-dyn
A dynamic closure modeling framework for model order reduction of geophysical flows
针对强迫耗散动力系统的长期演化问题,提出了一种动态闭包建模方法来稳定基于投影的降阶模型。为了简化推导过程而又不失普遍性,本文首先将大尺度大气环流模式的标准原型--单层准地转方程的Galerkin投影到一组主导的本征正交分解(POD)模式上,构造了降阶模式框架.考虑到大涡模拟(LES)和截断模态投影之间的相似性,我们提出了一种涡粘性封闭方法来稳定所得到的代理模型。我们的努力,特别是,包括翻译的动态亚网格尺度模型到我们的ROM设置通过定义一个测试截断类似于LES中的测试过滤。后验分析表明,我们的方法是非常准确的,使我们能够在一个名义上很小的计算开销,在很长的时间间隔集成模拟。
2019-02-20 physics.flu-dyn
Residual Data-Driven Variational Multiscale Reduced Order Models for Parameter Dependent Problems
针对对流占优流动的POD降阶模型子尺度建模,提出依赖ROM残差的数据驱动VMS闭合模型,并在一维参数依赖对流-扩散问题中验证其精度优于G-ROM与SUPG-ROM。
2023-05-30 physics.flu-dyn
Time-series learning of latent-space dynamics for reduced-order model closure
我们研究了长短期记忆网络(LSTM)和神经元常微分方程(NODE)在学习粘性Burgers方程的对流主导问题的动力学方程的潜空间表示中的性能。我们的配方是设计在一个非侵入性的方式与方程的自由发展的动力学在一个减少的空间,后者是通过适当的正交分解。此外,我们利用LSTM和NODE学习的顺序性来证明它们在缩减空间中未完全解决的系统中关闭的能力。我们评估我们的假设两个对流为主的粘性Burgers方程的问题。据观察,LSTM和NODE都能够再现缺席的规模为我们的测试用例的影响,更有效地比侵入动态演化通过伽辽金投影。这一结果经验表明,时间序列学习技术隐含地利用内存内核的粗粒度系统关闭,建议通过Mori-Zwanzig形式主义。
2019-09-10 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
Galerkin reduced order model for two-dimensional Rayleigh-Bénard convection
Aerothermals department, ITP Aero(ITP Aero 气动热力学部);Divisão de Engenharia Aeroespacial, Instituto Tecnológico de Aeronáutica(航空工程学院,巴西航空技术学院)
提出基于可控性格拉姆矩阵本征函数的伽辽金投影降阶模型,用于二维无滑移壁面瑞利-贝纳德对流,无需POD快照数据库且不依赖封闭模型,在广泛瑞利数范围内与直接数值模拟吻合良好,并高效完成分岔分析。
2026-11-10 physics.flu-dyn
Wall modeling via function enrichment within a high-order DG method for RANS simulations of incompressible flow
Technical University of Munich(慕尼黑工业大学)
本文提出了一种新的RANS壁模型方法,利用DG方法的函数空间局部富集替代传统边界条件设置,提高了分离边界层和高压梯情况下的灵活性。
2016-10-26 cs.NA math.NA physics.ao-ph
A stabilized proper orthogonal decomposition reduced-order model for large scale quasigeostrophic ocean circulation
本文提出了一个稳定的正交分解(POD)降阶正压涡度方程模式。我们应用POD-ROM模型中纬度简化的海洋盆地,这是更现实的大尺度海洋动力学的标准原型。使用与模式相关的涡粘性闭合方案来模拟丢弃的POD模式的影响。相对于自由涡粘性稳定参数的灵敏度分析进行了各种POD-ROM与不同数量的POD模式。POD-ROM的结果进行了验证,对蒙克层解决直接数值模拟使用完全保守的四阶荒川计划。我们的研究还包括与没有任何稳定的标准Galerkin POD-ROM的比较。显着的改进,在标准的Galerkin模式的精度显示为四个环流的海洋环流问题。POD-ROM数值评估的第一步表明,它可以代表一个计算效率高的工具,在长时间间隔的大规模海洋模拟。
2014-01-23 physics.flu-dyn
Toward Discretization-Consistent Closure Schemes for Large Eddy Simulation Using Reinforcement Learning
Institute of Aerodynamics and Gas Dynamics, University of Stuttgart(斯图加特大学空气动力学与气体动力学研究所)
本研究将大涡模拟闭合模型系数适配构建为马尔可夫决策过程,用强化学习后验求解,开发了显式隐式两类离散一致性闭合方案,性能匹配或优于传统模型,降低了隐式滤波大涡模拟的不确定性。
2023-12-13 cs.LG physics.flu-dyn
Turbulence closure modeling with data-driven techniques: Investigation of generalizable deep neural networks
基于机器学习(ML)的湍流闭合的可推广性,以准确预测看不见的实际流动仍然是一个重要的挑战。在雷诺平均Navier-Stokes(RANS)水平上,由于两个重要原因,基于NN的湍流闭合模型变得困难:由流动相关的非线性和分叉引起的本构关系的固有复杂性;以及,难以获得覆盖整个参数空间的高保真数据。在这种情况下,工作的目标是调查标准的中等规模的全连接神经网络的逼近能力。我们试图系统地研究的影响:(一)固有的复杂性的解决方案流形;(二)采样程序(内插与外推)和(iii)优化程序。为了克服数据采集的挑战,三个不同程度的复杂性(但明显比湍流物理简单)的代理物理湍流代理生成的参数到解决方案的地图。即使对于这个简单的代理物理系统,也证明了前馈NN需要比原始代理物理模型更多的自由度,以准确地近似真实模型,即使在整个参数空间(插值)上使用数据进行训练。此外,如果深度全连接NN仅使用来自部分参数空间的数据进行训练(外推),则其近似能力会大大降低,并且无法直接找到最佳架构。总的来说,研究结果提供了一个现实的观点ML湍流关闭的实用程序的实际应用,并确定改进的领域。
2021-11-04 physics.comp-ph physics.data-an physics.flu-dyn
CD-ROM: Complemented Deep-Reduced Order Model
Tau / LISN / CNRS(Tau / LISN / 法国国家科学研究中心);IRT SystemX(IRT SystemX研究所);Universite Paris-Saclay(巴黎萨克雷大学);Inria / LISN / CNRS(法国国家信息与自动化研究所 / LISN / 法国国家科学研究中心);LISN / CNRS(LISN / 法国国家科学研究中心)
针对POD-Galerkin降阶模型在非线性高维动力系统中精度不足、易不稳定的问题,提出基于可解释连续记忆公式的深度学习封闭建模方法CD-ROM,经流体力学经典算例及参数化算例验证了其有效性。
2023-05-02 cs.LG physics.flu-dyn stat.ML
Nonconforming Virtual Element basis functions for space-time Discontinuous Galerkin schemes on unstructured Voronoi meshes
提出一类在非结构化 Voronoi 网格上求解非线性守恒律的 VEM-DG 方法,利用非协调虚拟元基函数与 ADER 时空离散,实现任意高阶精度,并通过 Euler/Navier-Stokes 基准验证了其准确性和效率。
2023-09-06 cs.CE cs.NA math.NA
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