Lagrangian Dynamic Mode Decomposition for Construction of Reduced-Order Models of Advection-Dominated Phenomena
本征正交分解(POD)和动态模式分解(DMD)是两种互补的奇异值分解(SVD)技术,它们被广泛用于科学和工程领域中的降阶模型(ROM)构造。尽管他们的流行,DMD和POD的斗争,制定准确的ROM对流为主的问题,因为SVD为基础的方法的性质。我们研究这个缺点,传统的POD和DMD方法制定的欧拉框架内。然后,我们提出了一个基于拉格朗日的DMD方法来克服这个所谓的平移问题。我们的方法与物理感知DMD的精神是一致的,因为它解释了特征线的演化。几个数值试验证明了所提出的拉格朗日DMD方法的精度和效率。
2019-08-10 cs.NA math.NA physics.comp-ph
An adaptive reduced basis collocation method based on PCM ANOVA decomposition for anisotropic stochastic PDEs
University of Maryland(马里兰大学)
本文提出一种基于PCM ANOVA分解的自适应降阶校准方法,用于求解高维参数化随机PDEs,通过两阶段适应性策略有效识别有效维度并优化参数空间,验证了该方法在求解各向异性随机对流-扩散方程中的有效性。
2017-09-25 cs.NA math.NA
A reduced basis super-localized orthogonal decomposition for reaction-convection-diffusion problems
本文提出了一种数值处理反应对流扩散问题的方法,该问题的系数是任意粗糙的,并且可能在很细的尺度上变化。所提出的技术结合了减少的基础(RB)的框架,最近提出的超本地化正交分解(SLOD)。更具体地说,RB是用于加速通常昂贵的SLOD基础计算,而SLOD是用于一个有效的压缩问题的解决方案运营商只需要粗略解决。这两种方法的综合优势,使人们能够解决参数异质系数所带来的挑战。给定参数向量的值,该方法输出对应的压缩解算子,该压缩解算子可以用于同时有效地处理多个可能非仿射的右手边,每个右手边仅需要一个粗略求解。
2022-11-28 cs.NA math.NA
Reduced Order Data-driven Twin Models for Nonlinear PDEs by Randomized Koopman Orthogonal Decomposition and Explainable Deep Learning
本文提出一种基于Koopman算子理论的数据驱动孪生建模框架,结合随机正交投影与可解释深度学习,构建高保真降阶模型,并在激波实验中验证其精度与效率。
2025-08-05 cs.NA math.NA
Dynamic Mode Decomposition for Construction of Reduced-Order Models of Hyperbolic Problems with Shocks
双曲型守恒律方程的平移性和非线性是其降阶模型的主要问题。虽然用于ROM构造的拉格朗日框架解决了平移问题,但它仅在激波形成之前有效。一旦发生这种情况,特征线彼此交叉,并且从高保真模型空间到ROM空间的投影使移动网格失真,导致数值不稳定性。我们解决这个网格失真的问题,通过开发一个物理感知的动态模式分解(DMD)方法的基础上速端图变换。后者提供了原始非线性系统与其线性对应物之间的映射,这与Koopman算子一致。这种策略与物理感知DMD的精神是一致的,因为它保留了有关冲击动力学的信息。几个数值例子来验证所提出的物理感知DMD方法来构建准确的ROM。
2020-03-26 cs.NA math.NA
An efficient Chorin-Temam projection proper orthogonal decomposition based reduced-order model for nonstationary Stokes equations
针对非定常Stokes方程,提出结合经典投影与POD技术的降阶模型,通过解耦变量降低计算成本,并利用PSPG型投影规避LBB条件,理论分析与数值实验均验证了其稳定性和收敛性。
2022-04-01 cs.NA math.NA
Reduced Differential Transform Method for Solving Foam Drainage Equation(FDE)
Karamanoğlu Mehmetbey University(卡拉曼奥卢·梅赫梅特贝伊大学)
本文提出简化微分变换法(RDTM)求解非线性时间依赖泡沫排水方程,对比了Adomian分解法和拉普拉斯分解法,验证了RDTM在求解非线性PDE中的有效性与高效性。
2013-11-25 cs.NA math.AP math.NA
Local Lagrangian reduced-order modeling for Rayleigh-Taylor instability by solution manifold decomposition
Rayleigh-Taylor不稳定性是一种经典的流体动力学不稳定性,在天体物理学、大气科学和气候学、地球物理学、聚变能等科学和工程领域都有着广泛的应用。解析方法不能用来解释瑞利-泰勒不稳定性的长期行为,因此需要对整个问题进行数值模拟。然而,为了准确地捕捉扰动幅度的增长,对于传统的数值方法,空间和时间离散化都需要非常精细,并且长时间模拟可能变得过于昂贵。在本文中,我们提出了有效的降阶模型技术,以加速在可压缩气体动力学的瑞利-泰勒不稳定性的模拟。我们介绍了一个通用的框架分解的解决方案流形,构建时域分区和时间局部降阶模型的建设与不同的阿特伍德数。我们提出了两种实用的方法,即分解分别使用物理时间和穿透距离。数值结果来检查所提出的方法的性能。
2022-01-18 cs.NA math.NA
An optimisation-based domain-decomposition reduced order model for the incompressible Navier-Stokes equations
针对含参数定常不可压缩Navier-Stokes方程,提出结合区域分解与降阶建模的优化型降阶方法,经两类流体基准测试验证可显著降低计算成本。
2023-08-03 cs.NA math.NA math.OC
Reduced order model of a convection-diffusion equation using Proper Orthogonal Decomposition
本文利用有限差分法对一维Burgers方程进行了数值模拟,并利用本征正交分解(POD)建立了模拟的降阶模型(ROM)。这项工作的目的是提供一个介绍POD方法的研究人员感兴趣的计算流体动力学(CFD)。本文讨论了POD方法的物理解释,它的优点和缺点,以及该算法的实现,该算法可以扩展到2D,3D Burgers方程和其他非线性偏微分方程(PDE)的这一类,开发更复杂的系统的模型。
2023-03-13 cs.NA math-ph math.MP
On Reduced Input-Output Dynamic Mode Decomposition
Max Planck Institute for Dynamics of Complex Technical Systems(马克斯·普朗克复杂技术系统动力学研究所)
本文提出基于输入输出动态模式分解的降阶建模方法,比较了数据驱动识别过程中的激励方法,并描述了用于稳定识别系统的优化策略。
2017-12-22 cs.NA cs.SY eess.SY
A boundary-oriented reduced Schwarz domain decomposition technique for parametric advection-diffusion problems
本文针对太阳能接收器中大量相同平行管道的热流快速求解问题,提出一种边界导向的降阶Schwarz域分解算法,通过离线构建的降阶映射替代大部分管道计算,并证明其误差有界,在较小重叠长度下实现低于2%的L2误差。
2023-05-30 cs.NA math.NA
Co-simulation domain decomposition algorithm for hybrid EMT-Dynamic Phasor modeling
研究了一种基于受限加性Schwarz区域分解的迭代耦合算法,用于对采用动态相量建模的混合电磁稳定(EMT)和暂态稳定(TS)电路进行联合仿真。该协同仿真算法在协同仿真步骤处交换的数据之间不引入任何延迟。迭代方法的纯线性收敛特性允许通过非侵入性的Aitken收敛后处理加速其朝向真解,即使区域分解交界条件使迭代法发散。这提供了一种对分裂不太敏感的方法。结合EMT和TS建模的线性RLC电路的数值试验。
2022-12-10 cs.NA math.NA
Offline Maximizing Minimally Invasive Proper Orthogonal Decomposition for Reduced Order Modeling of $S_n$ Radiation Transport
Texas A&M University(德克萨斯农工大学);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
本文提出了一种离线最大化最小侵入性POD方法,用于$S_n$辐射传输方程的降阶建模,通过离线生成降阶系统库实现高效求解,实验表明其在多群二维问题中具有低误差和显著加速效果。
2025-12-15 cs.NA math.NA
Combined High-Dimensional and Reduced-Order Modeling Based on an Iterative Domain Decomposition Method
Nihon University(日本大学)
该研究提出一种结合高维与降阶模型的结构分析方法,基于迭代区域分解方法实现,采用对角预条件子提升收敛性,通过混合MPI-CUDA并行实现,可用于核电站模型的静力学结构分析。
2026-09-04 cs.NA math.NA
Fast and accurate domain decomposition methods for reduced fracture models with nonconforming time grids
本文研究可压缩流体在裂隙多孔介质中流动的数值解。裂缝表示快速路径(即,具有高渗透性)并且被建模为嵌入多孔介质中的超曲面。我们的目标是开发快速收敛和准确的全球时域分解(DD)的方法,这样一个减少裂缝模型,其中较小的时间步长的断裂可以与较大的时间步长的子域。使用压力连续性方程和切向偏微分方程的传输条件,三种不同的DD配方推导出,每种方法导致一个时空界面问题,在时间上迭代求解和全局。有效的预条件子的设计,以加快收敛的迭代法,同时保持精度的时间与网格。二维问题的非浸没和部分浸没的裂缝的数值结果表明,所提出的方法的改进性能。
2022-02-12 cs.NA math.NA
Adaptive greedy algorithms based on parameter-domain decomposition and reconstruction for the reduced basis method
缩减基方法(RBM)通过离线-在线分解(又称“离线-在线分解”)来实现参数化偏微分方程的重复和快速求解。学习-执行过程。该方法的一个关键特征是一个贪婪算法反复扫描的训练集,一个精细的离散化的参数域,以确定下一个维度的参数诱导的解决方案的流形上,我们扩大代理解决方案的空间。虽然成功地应用于具有相当高的参数维度的问题,但挑战在于这种扫描成本主导离线成本,因为它与训练集的基数成比例,该基数相对于参数维度是指数的。在这项工作中,我们回顾了最近的三次尝试,有效地延迟这种灾难的维度,并提出了两个新的混合策略,通过连续细化和多级最大化的误差估计的训练集。所有五个离线增强的方法和原来的贪婪算法进行了测试和比较{两种类型的问题:热块问题和几何参数化亥姆霍兹问题。
2020-09-14 cs.NA math.NA
Geometry-Preserving Reduced-Order Modeling via Immersed Tensor Decomposition (ITD)
University of Chinese Academy of Sciences(中国科学院大学);Northwestern University(西北大学);HIDENN-AI, Inc(HIDENN-AI公司);Oden Institute for Computational Engineering and Sciences, University of Texas at Austin(德克萨斯大学奥斯汀分校奥登计算工程与科学学院)
提出浸入式张量分解(ITD)框架,结合无网格几何表示与可分离降阶求解器,在规则背景体素网格上实现大规模仿真,通过精确Dirichlet公式强加边界条件,无需变分惩罚或界面求积。
2026-06-29 cs.CE cs.NA math.NA
Uniform Bounds with Difference Quotients for Proper Orthogonal Decomposition Reduced Order Models of the Burgers Equation
本文证明了文献[26]中引入的考虑差分导数的Burgers方程本征正交分解(POD)降阶模型(ROM)的一致误差界。特别是,我们研究的DQ ROM误差界的行为,考虑$L^2(Ω)$和$H^1_0(Ω)$ POD空间和$l^{\infty}(L^2)$和自然范数的错误。我们提出了一些有意义的数值试验检查的行为的误差界。基于我们的数值结果,DQ ROM误差比noDQ误差小小于几个数量级(其中POD以标准方式构造,即,没有DQ方法)。此外,noDQ ROM错误具有最优行为,而DQ ROM错误(其中DQ被添加到POD过程)展示最优/超最优行为。这是因为DQ内积允许ROM空间中的时间依赖性产生影响。
2023-02-17 cs.NA math.NA
A reduced order model for domain decompositions with non-conforming interfaces
针对非协调界面下的双向 Dirichlet–Neumann 参数化耦合问题,提出结合 RB、界面 DEIM 与 INTERNODES 的 DD 降阶模型,并在稳态和非稳态算例中验证。
2024-03-06 cs.NA math.NA
An Online Efficient Two-Scale Reduced Basis Approach for the Localized Orthogonal Decomposition
本文提出 TSRBLOD 方法,将降阶基方法应用于 LOD 的双尺度形式,同时约化细尺度和粗尺度系统,使降阶模型独立于粗网格尺寸,并给出严格的后验误差估计,实现参数化多尺度问题的高效求解。
2021-11-16 cs.NA math.NA
A reduced basis localized orthogonal decomposition
本文将缩减基方法与局部正交分解结合,解决参数化椭圆多尺度问题。通过预处理计算代表性参数的LOD,实现在线求解时的高效稀疏系统。
2015-05-12 cs.NA math.NA
Entropy stable reduced order modeling of nonlinear conservation laws
流体动力学中的非线性守恒律的降阶模型通常不继承全阶模型的稳定性。我们引入基于投影的超降阶模型的非线性守恒律,这是全局保守的,并继承了半离散的熵不等式的基础和参数的选择无关。
2020-08-15 cs.NA math.NA
Reduced order modeling of nonlinear microstructures through Proper Orthogonal Decomposition
我们采用适当的正交分解(POD)的方法进行有效的模拟的几种情况下,微机电系统,涉及几何和静电性质的非线性。前一种类型的非线性,与设备的大位移,导致多项式项的立方阶,通过精确投影到一个低维子空间的固有正交模式(POM)跨越减少。相反,静电非线性建模诉诸预先计算的流形方面的电活性POM的振幅。我们广泛地测试了假设的线性试验空间的可靠性,在具有挑战性的应用集中在谐振器,微镜和拱门也显示内部谐振。我们讨论了几种选择来生成的快照矩阵,使用经典的时间推进计划和更先进的谐波平衡(HB)的方法。此外,我们提出了用POD计算的周期轨道和用直接参数化方法近似的不变流形之间的比较,进一步强调了该技术的可靠性及其显着的预测能力,例如,在所选择的感兴趣的输出量的频率响应函数的估计方面。
2021-09-24 cs.NA math.NA
Robust linear domain decomposition schemes for reduced non-linear fracture flow models
在这项工作中,我们考虑可压缩单相流问题的多孔介质中含有裂缝。在后者中,规定了非线性压力-速度关系。使用非重叠的区域分解过程,我们将整体问题转化为一个非线性界面问题。然后,我们介绍了两种新的算法,能够有效地处理非线性和裂缝和矩阵之间的耦合,都基于线性化的所谓的L-计划。第一个算法,名为MoLDD,使用L-方案来解决非线性,需要在每次迭代中通过区域分解方法来解决维度耦合。第二种算法,称为ItLDD,使用顺序的方法,其中的维度耦合的线性化迭代的一部分。对于这两种算法,通过在离线阶段中预先计算多尺度通量基础(线性Robin-to-Neumann余维映射),仅将计算减少到裂缝,所述多尺度通量基础表示裂缝与基质之间的通量交换。我们提出了广泛的理论研究结果,特别是,这两个计划的稳定性和收敛性,其中用户给定的参数进行优化,以尽量减少迭代次数。两个重要的断裂模型的例子计算与库PorePy和同意与发达国家的理论。
2020-10-01 cs.NA math.NA
Proximal Gradient-based Low Rank Tensor Decomposition for State Dependent Riccati Equation
Institute of Mathematical Science, ShanghaiTech University(上海科技大学数学科学学院);Department of Mathematics, University of Alabama at Birmingham(阿拉巴马大学伯明翰分校数学系)
本文提出了一种基于proximal梯度的低秩张量分解方法,用于解决由偏微分方程产生的大离散维控制系统最优控制问题,通过稀疏优化和灵活混合方法获得低秩CP张量基元素,从而将最优控制问题转化为可高效求解的状态依赖Riccati方程。
2026-05-21 cs.NA math.NA math.OC
Space-time Domain Decomposition and Mixed Formulation for solving reduced fracture models
INRIA Paris-Rocquencourt(法国国家信息与自动化研究所巴黎-罗盖特分校);Ho Chi Minh City University of Pedagogy(胡志明市师范大学);Université Paris 13, UMR 7539, LAGA(巴黎第十三大学,UMR 7539,LAGA实验室)
本文研究了快速路径裂纹,采用全局时间非重叠域分解方法建模多孔介质中裂纹的流体传输问题,提出两种域分解方法并分析了其收敛因子,通过二维强异质性问题的数值结果验证了方法有效性。
2015-03-03 cs.NA math.NA
A Data-Driven Surrogate Modeling Approach for Time-Dependent Incompressible Navier-Stokes Equations with Dynamic Mode Decomposition and Manifold Interpolation
介绍了一种新的方法,用于数据驱动的模型约简的不定常参数偏微分方程。使用多步骤的过程,包括适当的正交分解,动态模式分解和流形插值,所提出的方法可以准确地恢复从几个大规模的模拟场的解决方案。对Rayleigh-Bénard腔问题的数值实验表明,这种多步方法在两种参数区域,即~中、高Grashof数后一种制度特别具有挑战性,因为它即将开始动荡和混乱的行为。所提出的方法在时间周期解的背景下的一个主要优点是能够恢复不存在于采样数据中的频率。
2022-11-22 cs.NA math.NA
Reduced-Order Solution for Rarefied Gas Flow by Proper Generalised Decomposition
针对玻尔兹曼方程模拟稀薄气体流动的高维计算难题,本文提出基于本征广义分解的先验降阶方法,通过分离表示降低维度,实现全参数范围快速求解,显著节省计算资源。
2025-05-26 cs.NA math.NA
Model Reduction with MapReduce-enabled Tall-and-Skinny Singular Value Decomposition
Colorado School of Mines(科罗拉多矿业学院);Purdue CS(普渡大学计算机科学系);Sandia National Laboratories(桑迪亚国家实验室)
本文提出一种基于参数化偏微分方程解的降阶模型计算方法,利用参数快照矩阵的奇异值分解近似参数化解的奇异值展开,通过选择子集的右奇异向量插值得到降阶模型系数,并利用参数梯度选择子集以生成均值预测和预测协方差,用于评估降阶模型的置信度。
2013-10-10 cs.NA math.NA
Variational Multiscale Proper Orthogonal Decomposition: Convection-Dominated Convection-Diffusion Equations
Virginia Polytechnic Institute and State University(弗吉尼亚理工大学)
针对对流主导方程的本征正交分解降阶模型,提出一种变分多尺度闭合建模策略,通过有限元离散分析提高数值精度并展示理论收敛率。
2011-03-14 cs.NA math.NA
Proper Orthogonal Decomposition Mode Coefficient Interpolation: A Non-Intrusive Reduced-Order Model for Parametric Reactor Kinetics
本文提出了一种用于反应堆参数动力学模拟的非侵入式降阶模型(ROM)。众所周知,时间相关ROM是数据密集型的,并且在考虑非线性多物理场现象时难以实现。当包括参数依赖性时,这些挑战加剧。在这项工作中提出的适当的正交分解模式系数插值(POD-MCI)ROM可以直接从低维感兴趣的量(QoI),是独立的底层模型。这大大简化了许多现有ROM的数据要求,并且可以在不修改任意复杂模型或实验数据的情况下使用。的POD-MCI ROM上的一些例子证明,并产生准确的特征的QoS内所选择的参数空间在非常有吸引力的计算加速因子相对于全阶模型(FOM)。
2023-03-15 cs.NA math.NA physics.comp-ph
A domain decomposition approach to pore-network modeling of porous media flow
Tongji University(同济大学)
本文提出一种域分解孔网络方法,结合有限元和网络模型,实现多孔介质中单相流的高效准确模拟。
2026-01-04 cs.NA math.NA
A Modeling Framework for Efficient Reduced Order Simulations of Parametrized Lithium-Ion Battery Cells
在这方面的贡献,我们提出了一个新的建模和仿真框架参数化锂离子电池。本文首先从非平衡态热力学出发,导出了一个较一般的嵌入式电池单元的新的连续模型。为了有效地计算所得到的参数化非线性偏微分方程系统,采用了缩减基方法。缩减基方法是一种模型降阶技术,基于增量分层近似本征正交分解方法和经验算子插值。建模框架特别适合于调查和量化电池单元的退化影响。几个数值实验证明了建模框架的范围和效率。
2021-10-12 cs.NA math.NA
Localized Reduced Basis Additive Schwarz Methods
缩减基方法通过计算适当选择的快照参数的给定偏微分方程的解来为参数化偏微分方程的解集构建低秩近似空间。局部化缩减基方法通过从空间局部化的较便宜的问题构建全局空间来降低计算这些快照解决方案的离线成本。在在线富集的情况下,这些局部问题在高残差区域中迭代求解,并且对应于区域分解方法中的子域求解。通过引入局部化约化基加性Schwarz方法(LRBAS),我们证明了在线富集的局部化约化基和区域分解方法之间确实存在着密切的联系,LRBAS可以被解释为CG方法的局部自适应多预处理方案.
2021-06-08 cs.NA math.NA
Model order reduction for parameterized electromagnetic problems using matrix decomposition and deep neural networks
提出了一种求解参数化电磁散射问题的非侵入模型降阶方法。通过使用基于高阶间断Galerkin时域(DGTD)方法的全波求解器求解参数化的时域Maxwell方程组,针对材料参数的某些值,建立了收集高保真解的快照的数据库。为了进行先验降维,通过两步本征正交分解(POD)方法从数据库中提取一组降维基(RB)函数。通过卷积自动编码器(CAE)网络进一步压缩缩减基函数的投影系数。然后利用奇异值分解(SVD)提取CAE降阶矩阵的主成分,并采用基于三次样条插值(CSI)的方法逼近降阶矩阵的时间模态和参数模态。简化基的生成以及CAE和CSI的训练在离线阶段完成,因此可以通过插值模型和解码器网络的输出快速恢复给定时间/参数值的RB解。特别是,所提出的RB方法的离线和在线阶段是完全解耦的,这保证了该方法的有效性。所提出的CAE CSI ROM的性能示出了由2-D介质盘和多层非均匀介质的平面波的散射的数值实验。
2022-07-16 cs.NA math.NA
Reduced Basis Decomposition: a Certified and Fast Lossy Data Compression Algorithm
University of Massachusetts Dartmouth(马萨诸塞大学达特茅斯分校)
降维是数据挖掘领域中经常需要解决的问题。这些方法的目标是将给定的高维数据映射到一个低维空间,保持初始数据的某些属性。有两种技术可用于此目的。第一种是投影方法,它建立了一个从高维空间到低维空间的显式线性投影。另一方面,非线性方法利用两个空间之间的非线性和隐式映射。在这两种情况下,文献中考虑的方法通常依赖于计算非常密集的矩阵分解,通常是奇异值分解(SVD)。由于实际数据集的大小不断增加,SVD的计算负担很快使这些降维方法变得不可行。在本文中,我们提出了一种新的分解策略,减少基分解(RBD),这是受减少基方法(RBM)。给定$X$为高维数据,该方法通过$Y \, T (\approx X)$对其进行近似,其中$Y$为低维代理,$T$为转换矩阵。通过贪婪算法获得$Y$,因此非常有效。事实上,它比SVD快得多,精度相当。$T$可以在运行中计算。此外,与许多压缩算法不同,它很容易找到任意“样本外”向量的映射,并且它带有一个“错误指示符”,以证明压缩的准确性。数值结果验证这些索赔。
2015-03-19 cs.AI cs.CV cs.NA
A Reduced Order Modeling Method with Variable-Separation-Based Domain Decomposition for Parametric Dynamical Systems
Guangdong Polytechnic Normal University(广东技术师范大学);Hunan University(湖南大学)
本文提出了一种基于变量分离的域分解降阶方法,用于高效求解参数动态系统。
2026-02-09 cs.NA math.NA
On Error Estimation for Reduced-order Modeling of Linear Non-parametric and Parametric Systems
受最近提出的线性动力系统降阶模型的传递函数的误差估计的启发,本文进一步发展了更多的理论结果。此外,我们提出了几个变量的误差估计,并比较这些变量与现有的理论和数值。它已被证明,一些建议的误差估计比现有的或同样好。所考虑的误差估计器都可以很容易地推广到稳态线性参数系统降阶建模的输出误差估计。
2020-04-30 cs.NA math.NA
Bayesian operator inference for data-driven reduced-order modeling
提出了一种用于时变系统降阶建模的贝叶斯推理方法。根据控制方程的结构,从数据中学习降阶模型的任务被视为具有高斯先验和似然的贝叶斯逆问题。由此产生的后验分布特征的运营商定义的降阶模型,因此,随后发布的降阶模型的预测被赋予不确定性。通过对后验分布进行蒙特卡罗抽样,估计这些预测的统计矩。由于降阶模型求解速度很快,因此这种采样在计算上是高效的。此外,所提出的贝叶斯框架提供了一个统计解释的正则化项是存在于确定性算子推理问题,和最大边际似然的经验贝叶斯方法建议的正则化超参数的选择算法。所提出的方法证明了两个例子:可压缩欧拉方程与噪声损坏的意见,和一个单喷嘴燃烧过程。
2022-07-15 cs.CE cs.NA math.NA
Structure-Preserving Galerkin POD-DEIM Reduced-Order Modeling of Hamiltonian Systems
[Gong et al. 2017]中针对哈密顿系统开发了一种结构保持适当正交分解降阶建模方法,该方法使用基于Galerkin投影的模型降阶的传统框架,但修改了降阶模型,以便保留适当的哈密尔顿结构。然而,它的计算复杂性的在线模拟仍然是高的,如果哈密尔顿涉及非多项式非线性。在本文中,我们应用离散经验插值方法,以提高在线效率的结构保持降阶模拟。由于缩减基截断会降低哈密顿近似,我们建议使用从移位快拍得到的基。一个非线性波动方程被用作测试床,数值结果表明所提出的方法的有效性。
2021-03-02 cs.NA math.NA
Reduced-Order Modeling based on Approximated Lax Pairs
INRIA(法国国家信息与自动化研究所)
提出一种基于Lax对近似的降阶模型算法,用于求解非线性演化偏微分方程,特别适用于行波或锋面传播问题,并在KdV和FKPP方程上展示数值结果。
2012-11-17 cs.NA math.NA
Reduced order modeling for spectral element methods: current developments in Nektar++ and further perspectives
在本文中,我们提出了最近的努力,以发展降阶建模(ROM)的能力谱元素方法(SEM)。也就是说,我们详细的实现ROM的连续Galerkin和不连续Galerkin方法的频谱/HP元素库Nektar++。所采用的ROM方法是基于本征正交分解(POD)的侵入式方法。他们承认一个离线在线分解,这样的参数研究和许多查询的快速评估是可能的。利用仿射参数依赖性,使得可以独立于大规模离散化大小来评估降阶模型。SEM的实现可以在开源的模型简化软件MACA-SEM中找到。
2022-04-21 cs.NA math.NA
An asymptotic-preserving reduced-order method for parametrised rarefied gas flow by proper generalised decomposition
The Hong Kong University of Science and Technology(香港科技大学)
针对高维参数化沙霍夫动力学模型方程,基于适当广义分解提出渐近保持降阶方法,通过制定低秩解分离表示简化问题,纳入综合方程解捕捉渐近性,可一次性计算参数化解,降低计算成本并保证一定精度。
2026-10-12 cs.NA math.NA physics.flu-dyn
POD-DL-ROM: enhancing deep learning-based reduced order models for nonlinear parametrized PDEs by proper orthogonal decomposition
Politecnico di Milano(米兰理工大学)
最近已经提出了基于深度学习的降阶模型(DL-ROM),以克服传统降阶模型(ROM)所共有的共同限制,例如,通过适当的正交分解(POD)-当应用于非线性时间依赖的参数化偏微分方程(PDE)。这些可能与(i)需要处理到高维线性近似试验流形上的投影,(ii)昂贵的超约简策略,或(iii)用模式的线性叠加处理物理复杂性的内在困难有关。当采用DL-ROM时,避免了所有这些方面,DL-ROM通过依赖于深度(例如,前馈、卷积、自动编码器)神经网络。虽然在测试时非常有效,但在评估任何新测试参数实例的PDE解决方案时,DL-ROM需要昂贵的训练阶段,因为要估计的网络参数数量非常大。在本文中,我们提出了一种可能的方法来避免DL-ROM的昂贵的训练阶段,通过(i)通过POD执行先验降维,以及(ii)依赖于多保真度预训练阶段,其中可以有效地组合不同的物理模型。所提出的POD-DL-ROM在几个(标量和矢量,线性和非线性)时间相关参数化PDE(例如,线性对流-扩散-反应、非线性扩散-反应、非线性弹性动力学和Navier-斯托克斯方程),以显示该方法的通用性及其显著的计算节省。
2021-01-28 cs.LG cs.NA math.NA
On Optimal Pointwise in Time Error Bounds and Difference Quotients for the Proper Orthogonal Decomposition
在本文中,我们解决了几个长期存在的问题处理的最佳逐点在时间误差界适当的正交分解(POD)的热方程降阶建模。特别是,我们研究所发挥的作用,在获得降阶模型(ROM)的误差界是最佳的时间离散化误差和ROM离散化误差。当不使用DQ时,我们证明了ROM投影误差和ROM误差都是次优的。当使用DQ时,我们证明了ROM投影误差和ROM误差都是最优的。热传导方程的数值结果支持了理论结果。
2020-10-08 cs.NA math.NA
Shape Optimization by means of Proper Orthogonal Decomposition and Dynamic Mode Decomposition
SISSA, International School of Advanced Studies(国际高等研究院);Fincantieri - Divisione Navi Mercantili e Passeggeri, Cantieri Navali Italiani SpA(芬坎蒂尼集团-商船与客船部门,意大利造船厂股份公司)
本文提出了一种基于降阶建模的新优化方法,用于海军船体设计问题,通过正交分解与插值(PODI)方法构建降阶模型,结合自由变形(FFD)自动扰动形状,并利用有限体积法模拟变形船体周围的不可压缩流体流动,最后通过动态模式分解(DMD)技术进一步减少计算量,实现全局优化算法在降阶空间中的迭代,最终得到最优形状。
2018-04-12 cs.NA math.NA
A Structured Review of Reduced Order Modeling for Domain Decomposition Problems: State of the Art and Perspectives
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);International School for Advanced Studies(高级研究国际学院)
本文综述了降阶模型与区域分解技术结合的方法,分为侵入式(基于投影)和非侵入式(数据驱动)两类,重点阐述侵入式技术的方程、算法和实现,并讨论非侵入式框架的流程与原理,最后总结挑战与未来方向。
2026-06-09 cs.NA math.NA physics.flu-dyn
Metagraph-Based Domain-Decomposed Galerkin Reduced-Order Model
University of Tsukuba(筑波大学);Nagoya Institute of Technology(名古屋工业大学)
针对大规模问题,提出基于元图的区域分解伽辽金降阶模型MBDD - G - ROM,利用两个图级别表示模型,通过划分元图实现并行化与负载平衡,经实验验证该模型能保持精度并提高并行效率。
2026-07-08 cs.NA math.NA
An optimisation-based domain-decomposition reduced order model for parameter-dependent non-stationary fluid dynamics problems
SISSA(的里雅斯特高等研究学校);Universität Wien(维也纳大学)
针对含参数非定常流体动力学问题,提出基于优化的域分解降阶建模框架,推导最优控制问题并分析收敛性,对比POD-Galerkin与非侵入式神经网络降阶方法的性能,在两类基准流场问题上完成验证。
2024-02-19 cs.NA math.AP math.NA
Mass Conservative Reduced Order Modeling of a Free Boundary Osmotic Cell Swelling Problem
Institute for Numerical and Applied Mathematics, University of Göttingen(哥廷根大学数值与应用数学研究所);Applied Mathematics, University of Münster(明斯特大学应用数学系)
本文提出了一种基于任意拉格朗日-欧拉描述的守恒型降阶建模方法,用于参数化大分子细胞肿胀问题的自由边界问题,通过降阶基技术和经验插值构建参数化降阶模型,保持全阶模型的守恒性质。
2018-05-04 cs.NA math.NA
Error estimates for POD-DL-ROMs: a deep learning framework for reduced order modeling of nonlinear parametrized PDEs enhanced by proper orthogonal decomposition
本文对 POD-DL-ROMs 进行误差分析,揭示采样、POD 维度和神经网络复杂度对精度的影响,推导实用误差估计,并从理论上证明其在模型复杂度上优于其他深度学习方法,最后通过数值实验验证。
2023-05-08 cs.NA math.NA
Application of Deep Learning Reduced-Order Modeling for Single-Phase Flow in Faulted Porous Media
针对含断层多孔介质单相流的复杂重复计算问题,提出结合径向基函数网格变形与混合维框架的深度学习降阶模型DL-ROM,对比传统POD方法验证了其精度与加速效率。
2024-03-06 cs.NA math.NA
A Splitting Approach to Dynamic Mode Decomposition of Nonlinear Systems
针对非线性偏微分方程降阶建模中计算精度与时间的权衡问题,本文研究了面向带周期边界条件的非线性PDE的动态模态分解方法,提出了名为Split DMD的优化框架以降低总计算成本。
2023-07-24 cs.NA math.NA math.OC