Nonlinear Reduced DNN Models for State Estimation
在本文中,我们提出了一种数据驱动的状态估计方案,用于生成参数化PDE族的非线性降阶模型,直接提供数据到状态的映射,用深度神经网络表示。一个主要的组成部分是传感器引起的分解的模型兼容的希尔伯特空间逼近问题相关的度量。它在基于缩减基概念的状态估计器的参数背景数据弱框架中扮演类似的角色。大量的数值试验揭示了几种优化策略,以提高鲁棒性和性能的估计。
2022-04-16 cs.NA math.NA
Neural-Manifold Primal-Dual Model Order Reduction and Hyper-Reduction for Nonlinear Parametric Variational Inequalities
CERMICS, CNRS, ENPC, Institut Polytechnique de Paris(计算数学与控制系统中心,法国国家科学研究中心,国立路桥学校,巴黎理工学院);IFP Energies nouvelles(法国新能源研究院)
针对计算力学中非线性参数化变分不等式,提出模型降阶框架,通过POD构建降阶模型,引入神经网络增强,用稀疏求积超降阶,在二维障碍和三维摩擦接触问题上验证,大幅降成本且逼近精确。
2026-10-27 cs.NA math.NA
Localized Reduced Basis Approximation of a Nonlinear Finite Volume Battery Model with Resolved Electrode Geometry
University of Muenster(明斯特大学)
本文提出针对空间解析三维锂离子电池模型的局部降阶方法,通过非一致局部逼近空间和局部经验算子插值处理非线性项,验证了方法的可行性。
2016-06-16 cs.NA math.NA
A HJB-POD approach for the control of nonlinear PDEs on a tree structure
动态规划方法允许计算用于非线性问题的反馈控制,但是遭受维数灾难。控制的计算依赖于一个非线性偏微分方程的解决方案,Hamilton-Jacobi-Bellman方程,与原问题相同的维度。最近,一个新的数值方法计算价值函数的树结构已被引入。该方法允许在没有结构化网格的情况下工作,并避免任何插值。在这里,我们的目标是测试非线性二维偏微分方程的算法。由于树型结构算法需要求解多个偏微分方程,我们采用模型降阶来降低计算复杂性。此外,我们证明了一个误差估计,保证所提出的方法的收敛性。最后,通过数值试验验证了该方法的有效性.
2019-11-12 cs.NA math.NA math.OC
Coarse reduced model selection for nonlinear state estimation
状态估计是当参数向量$y$未知并且唯一的信息是$u$的$m$线性测量时近似地重构参数偏微分方程的解$u$的任务。在[Cohen et.例如,2021]作者提出了一种使用一族线性约化空间作为状态估计的广义非线性降阶模型的方法。一个可计算的代理距离是用来评估的线性估计谎言最接近一个真正的解决方案的PDE问题。在本文中,我们提出了一种策略,粗略计算的代理距离,同时保持一个细网格降阶模型,作为计算成本的代理距离是大的相对于减少建模任务。我们证明了数值的误差引起的粗距离是由其他近似误差。
2021-03-05 cs.NA math.NA
Depth separation for reduced deep networks in nonlinear model reduction: Distilling shock waves in nonlinear hyperbolic problems
Courant Institute, New York University(纽约大学柯朗研究所)
经典的降阶模型是一种使用固定基的低秩近似,旨在实现大规模系统的降维。在这项工作中,我们引入了简化的深度网络,这是经典降阶模型的推广,被公式化为深度神经网络。我们证明深度分离的结果表明,减少深网络近似解的参数化双曲型偏微分方程的近似误差$ε$与$\mathcal{O}(|\log(ε)|)$自由度,即使在非线性设置的解决方案表现出冲击波。我们还表明,经典的降阶模型实现指数差的逼近率,通过建立相关的Kolmogorov $N$ -宽度的下界。
2020-07-28 cs.LG cs.NA math.NA
A Reduced Basis Landweber method for nonlinear inverse problems
University of Stuttgart(斯图加特大学)
本文提出结合缩减基方法的非线性Landweber方法,用于解决高维参数空间中的非线性逆问题,通过适应性在线缩减基更新提升计算效率,应用于热方程导电率反演。
2018-05-04 cs.NA math.NA
Approximated Lax Pairs for the Reduced Order Integration of Nonlinear Evolution Equations
Project-Team Reo(Reo项目团队)
本文提出了一种名为ALP的降阶模型算法,利用近似的广义Lax对求解非线性发展偏微分方程。该方法的时间演化基函数根据问题特性动态变化,适用于具有渐进前沿或波传播的问题,且不采用离线/在线策略。
2014-01-20 cs.NA math.NA
Decreasing the temporal complexity for nonlinear, implicit reduced-order models by forecasting
Sandia National Laboratories(桑迪亚国家实验室)
针对非线性隐式降阶模型,提出利用Gappy POD预测未来时间步的未知变量作为牛顿法初始猜测,从而减少线性系统求解次数,降低时间复杂度。
2014-10-23 cs.NA math.NA
Reduced-order modeling for nonlinear Bayesian statistical inverse problems
贝叶斯统计反问题常采用马尔可夫链蒙特卡罗(MCMC)型方法求解.当问题由大规模离散非线性偏微分方程(PDE)控制时,它们在计算上具有挑战性,因为需要在每个样本点处求解正问题。在本文中,使用离散经验插值方法(DEIM)被认为是在MCMC例程的正向解决。提出了DEIM模型的预处理策略,以加速正向求解。将预处理后的DEIM模型应用于MCMC模型中非线性偏微分方程的有限差分离散。数值实验表明,该方法可以得到精确的正演结果。此外,解决相关的统计逆问题的计算成本降低了70%以上。
2019-08-30 cs.NA math.NA
Residual-Driven Lifting Identification for Nonlinear-Manifold Reduced-Order Models of Parametrized Linear PDEs
Texas A&M University(德克萨斯农工大学);Massachusetts Institute of Technology(麻省理工学院)
该研究针对参数化线性偏微分方程,提出残差驱动的非线性流形降阶模型提升识别方法,无需高保真快照即可实现,在平流-扩散等问题上精度优于线性子空间,与快照驱动方法精度相当。
2026-07-31 cs.NA math.NA
Reduced order modelling of nonlinear cross-diffusion systems
在这项工作中,我们提出了一个降阶模型的非线性交叉扩散问题的人口动力学,Shigesada-Kawasaki-Teramoto(SKT)方程与Lotka-Volterra动力学。SKT方程在空间中的有限差分离散化的结果是一个系统的线性-二次常微分方程(ODE)。降阶模型(ROM)具有与全阶模型(FOM)相同的线性二次结构。使用ROM的线性二次结构,降阶解的计算独立于具有适当正交分解(POD)的完整解。应用张量POD进一步加快了约化解的计算速度。SKT方程斑图的形成包括一个快速的瞬态阶段和一个长的稳态阶段。通过将时间分成两个时间间隔来计算降阶解。在数值实验中,我们证明了一维和二维SKT方程的图案形成,在时间窗口的形式,即,主分解框架(P-POD),是更准确的整体POD解决方案(G-POD)在整个时间间隔内获得。此外,我们还通过数值方法证明了约化解对熵的减少,这对于非线性交叉扩散方程(如SKT方程)的整体存在性是很重要的。
2021-02-08 cs.NA math.NA
Reduced models with nonlinear approximations of latent dynamics for model premixed flame problems
有效地减少化学反应流的模型往往是具有挑战性的,因为它们的特征,如在不同的时间和长度尺度上的流场和耦合的急剧梯度导致在高维空间中演变的动力学。在这项工作中,我们表明,在线自适应降阶模型,通过适应低维子空间随着时间的推移构建非线性逼近,可以很好地预测潜在的动力学与化学反应流中发现的那些类似的属性。子空间的自适应由在线自适应经验插值方法驱动,该方法采用完整模型的稀疏残差评估来计算子空间的低秩基更新。与预混火焰模型问题的数值实验表明,降阶模型的基础上在线自适应经验插值准确地预测火焰动力学远远超出了培训制度和制度,传统的静态降阶模型,保持减少空间固定随着时间的推移,因此只提供线性逼近的潜在动态,未能作出有意义的预测。
2022-09-14 cs.NA math.NA
Stability conditions for the explicit integration of projection based nonlinear reduced-order and hyper reduced structural mechanics finite element models
BMW Group, Research and Innovation Centre(宝马集团研究与创新中心);Dynamore GmbH(Dynamore有限公司);Queen Mary, University of London(伦敦大学女王玛丽学院)
本文研究了基于投影的非线性降阶模型在结构力学中的稳定性,证明了降阶模型的时间步长更大,并提供了计算稳定时间步长的数学表达式。
2018-06-29 cs.NA math.NA
Entropy stable reduced order modeling of nonlinear conservation laws using discontinuous Galerkin methods
Rice University(莱斯大学);The University of Utah(犹他大学)
本文提出基于不连续伽辽金方法的非线性守恒律熵稳定降阶建模方法,引入新的测试基和超降维策略以提高精度与效率。
2025-12-23 cs.NA math.NA
Gradient-preserving hyper-reduction of nonlinear dynamical systems via discrete empirical interpolation
针对非线性参数动力系统超降阶易丧失梯度结构的问题,提出基于DEIM的保梯度超降阶方法,结合自适应低秩校正策略,在保留梯度结构的同时实现计算加速与误差收敛。
2023-07-21 cs.NA math.NA
Explicable hyper-reduced order models on nonlinearly approximated solution manifolds of compressible and incompressible Navier-Stokes equations
本文提出一种基于自编码器非线性降维与残差最小二乘Petrov-Galerkin超降阶的侵入式可解释降阶模型方法,并在NACA翼型超声速流和Ahmed体湍流基准上验证其有效性。
2023-08-07 cs.NA math.NA
Manifold Approximations via Transported Subspaces: Model reduction for transport-dominated problems
本文提出了一种构造参数化非线性标量守恒律大系统的在线有效降阶模型的方法。由输运主导的问题(如双曲守恒律)引起的解流形通常表现出非线性结构,这意味着基于线性逼近的传统模型降阶法在应用于这些问题时是低效的。与此相反,在这项工作中引入的方法推导出减少近似,是非线性的,明确组成全球运输动力学与局部线性逼近的解决方案流形。一个时间步长的计划发展的非线性降阶模型,通过运输的局部近似空间沿特征曲线的控制方程。所提出的计算过程允许离线/在线分解,并且在精确地对非线性降阶模型进行时间步进的复杂性独立于完整模型的复杂性的意义上是在线高效的。通过非均匀介质和Burgers方程的输运数值实验表明,与传统的线性降阶模型和完整模型相比,基于输运子空间的非线性降阶模型的速度提高了几个数量级。
2020-12-31 cs.NA math.NA
Hierarchical model reduction of nonlinear partial differential equations based on the adaptive empirical projection method and reduced basis techniques
Institute for Applied Mathematics, University of Münster(明斯特大学应用数学研究所)
本文提出基于降阶技术的分层降维框架,通过自适应经验投影法对非线性偏微分方程进行降维,结合降阶基函数和正交基函数构建降阶空间,实现高效求解。
2016-01-12 cs.NA math.NA
The method of freezing as a new tool for nonlinear reduced basis approximation of parameterized evolution equations
Institute for Computational and Applied Mathematics & Center for Nonlinear Science, University of Münster(明斯特大学计算与应用数学研究所与非线性科学中心);Institute for Computational and Applied Mathematics, University of Münster(明斯特大学计算与应用数学研究所)
本文提出一种新的非线性逼近方法,用于参数化非线性演化问题解流形的逼近,尤其在超高速流动中有移动不连续性的情况下。通过将解分解为群分量和空间形状分量,并施加适当的代数约束,将原问题转化为偏微分代数方程组,然后投影到降阶基空间,实现高效在线评估。
2013-04-16 cs.NA math.NA
Nonlinear seismic imaging via reduced order model backprojection
University of Houston(休斯顿大学);Schlumberger(斯伦贝谢)
本文提出一种基于降阶模型的非线性地震成像方法,利用降阶模型反投影技术去除多反射伪影并估计反射体幅度。
2015-04-01 cs.NA math.NA
L1-based reduced over collocation and hyper reduction for steady state and time-dependent nonlinear equations
在优化或交互式应用中,反复求解参数化偏微分方程(pPDE)的任务使得设计高效且同样准确的代理模型势在必行。减少基础法就是这样一种选择。通过数学上严格的误差估计,RBM构造了一个低维子空间的参数引起的高保真度的解决方案的流形,从近似解计算。它可以利用离线-在线分解过程来提高几个数量级的效率。然而,这种分解,通常通过经验插值方法(EIM)时,偏微分方程是非线性的或其参数依赖nonaffine,要么是具有挑战性的实现,或严重降低在线效率。在本文中,我们增加和扩展的EIM方法作为一个直接的求解器,而不是一个助手,解决非线性偏微分方程的减少的水平。由此产生的方法,称为减少过配置法(ROC),是稳定的,能够避免固有的效率下降到传统的应用EIM。该方案的两个关键成分是配置在约两倍的位置的尺寸减少的解决方案空间,和一个有效的L1范数为基础的误差指标的参数值的战略选择,以建立减少的解决方案空间。总之,这两个成分使得所提出的L1-ROC方案离线和在线有效。一个显着的特点是,效率下降出现在替代RBM方法,利用EIM的非线性和非仿射问题的规避,无论是在离线和在线阶段。对不同类型的不定常和稳态非线性问题的数值试验表明了L1-ROC的高效性、准确性和优越的稳定性。
2020-09-08 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
A projection-based reduced-order model for parametric quasi-static nonlinear mechanics using an open-source industrial code
针对一类含有内变量的非线性力学参数拟静态问题,提出了一种基于投影的模型降阶方法。该方法集成在工业有限元代码aster中。模型降阶旨在降低工程研究的计算成本,这些研究涉及针对许多不同参数的昂贵的高保真差分模型的仿真,这些参数对应于例如材料属性或初始和边界条件。我们开发了一个自适应算法的基础上POD贪婪的策略,我们开发了一个超约简策略的基础上元素明智的经验正交,以加快组装成本的降阶模型,通过建立一个适当的减少网格。我们引入了一个具有成本效益的误差指标,它依赖于重建的应力场的间隙POD策略。我们提出了一个三维弹塑性系统的数值结果,以说明和验证的方法。
2022-12-30 cs.NA math.NA
Non-intrusive reduced-order modeling using convolutional autoencoders
在基于物理的建模和仿真中使用降阶模型(ROM)几乎总是涉及使用线性降阶基(RB)方法,如适当的正交分解(POD)。对于一些非线性问题,线性RB方法表现不佳,无法为解空间提供有效的子空间。近年来,ROM的非线性流形的使用获得了牵引力,在某些非线性问题上表现出比线性方法更高的性能。为此,深度学习通过使用自动编码器为解空间提供非线性试验流形而流行。在这项工作中,我们提出了一个非侵入式ROM框架稳态参数化的偏微分方程(PDE),使用卷积自动编码器(CAE)提供一个非线性的解决方案流形,并通过高斯过程回归(GPR)近似的扩展系数的降阶模型。当应用到一个数值例子,涉及稳定的不可压缩Navier-斯托克斯方程解决盖驱动腔问题,它表明,建议ROM提供更好的性能在全阶状态的预测相比,一个流行的方法,采用POD和GPR在ROM的尺寸。
2022-04-09 cs.NA math.NA
A Nonlinear Physics-based Reduced Order Model with Convolutional-based Operator Compression
SISSA, International School for Advanced Studies(国际高等研究院);Sant’Anna School of Advanced Studies(圣安娜高等学院);The Biorobotics Institute(生物机器人研究所)
本文提出一种非线性物理降阶模型,通过卷积架构压缩全阶算子而非仅压缩解场,结合径向基函数插值实现高效在线预测,在三个参数化问题上验证了其有效性。
2026-09-22 cs.NA math.NA
Reduced basis method for the nonlinear Poisson-Boltzmann equation regularized by the range-separated canonical tensor format
Poisson-Boltzmann方程(PBE)是一个基本的隐式溶剂连续模型,用于计算大离子溶剂化生物分子的静电势。然而,由于其强奇异性和非线性,其数值解面临着严峻的挑战。在文献[1,2]中,强奇异性的影响通过应用距离分离(RS)正则张量格式[3,4]来构造PBE的解分解格式而被消除. RS张量格式允许导出狄拉克δ分布的平滑近似,以获得正则化PBE(RPBE)模型。然而,求解RPBE由于其高维数$\mathcal{N}$(其中$\mathcal{N}$总是以百万计)而仍然需要计算。在这项研究中,我们提出了应用减少基方法(RBM)和(离散)经验插值方法((D)EIM)的RPBE,以建立一个降阶模型(ROM)的低维$N \ll \mathcal{N}$,其解决方案精确逼近的非线性RPBE。长程势可以通过将ROM解提升回$\mathcal{N}$ -空间来获得,而短程势由于RS张量格式而直接解析地预先计算。两者之和提供总静电势。主要的计算好处是避免了计算奇异静电势的数值逼近。我们证明了在数值实验中,减少的基础(RB)近似的非线性RPBE(NRPBE)的解决方案和相应的计算节省了经典的非线性PBE(NPBE),以及在RBM被施加到经典NPBE的准确性和有效性。
2021-02-27 cs.NA math.NA
Deep learning-based reduced order models for the real-time simulation of the nonlinear dynamics of microstructures
我们提出了一种非侵入式的基于深度学习的降阶模型(DL-ROM),能够捕获显示惯性和几何非线性的机械系统的复杂动力学。在第一阶段中,有限数量的高保真度快照被用来生成一个POD-Galerkin ROM,随后利用它来生成数据,覆盖整个参数范围,用于在训练阶段的DL-ROM。卷积自动编码器被用来映射到一个低维表示的系统响应,并在并行,模型减少非线性试验流形。流形上的系统动力学是通过与自动编码器一起训练的深度前馈神经网络来描述的。该策略是对高保真度的解决方案,夹紧夹紧梁和一个真正的软化响应和多重性的解决方案。通过比较不同的计算成本,我们讨论了令人印象深刻的性能增益,并表明,DL-ROM真正代表了一个实时的工具,可以有利可图,有效地采用复杂的系统级仿真程序的设计和优化的目的。
2021-11-24 cs.NA math.NA
A hyperreduced reduced basis element method for reduced-order modeling of component-based nonlinear systems
本文提出一种超降缩减基单元法,通过逐组件训练构建原型组件库,并利用Brezzi-Rappaz-Raviart定理指导的在线自适应方案选择各组件超降保真度,实现大规模非线性组件系统的高效降阶建模。
2025-01-03 cs.NA math.NA physics.comp-ph
An error indicator-based adaptive reduced order model for nonlinear structural mechanics -- application to high-pressure turbine blades
Safran Tech, Modelling & Simulation(赛峰技术,建模与仿真)
本文提出一种基于误差指示器的自适应降阶模型,用于解决高压涡轮叶片在高温下的非线性力学问题,通过动态更新降阶模型以提高计算精度。
2019-04-19 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
Nonlinear reduced basis using mixture Wasserstein barycenters: application to an eigenvalue problem inspired from quantum chemistry
Université Marie et Louis Pasteur, CNRS, LmB (UMR 6623)(玛丽和路易·巴斯德大学);CERMICS, École des Ponts & Inria Paris(国立路桥学校)
针对量子化学启发的参数化特征值问题,本文基于最优输运距离下Kolmogorov n-宽度更快衰减的特性,提出结合离线贪心算法与在线随机能量最小化的非线性约化基方法,数值实验验证了其良好近似性能。
2025-11-18 cs.NA math.NA
Hyper-reduction for parametrized transport dominated problems via online-adaptive reduced meshes
提出了一种有效的残差最小化技术用于参数化双曲型偏微分方程的非线性模型降阶。我们的非线性逼近空间是在移位空间域上评估的快照的跨度,并且我们通过残差最小化来计算我们的简化逼近。为了加速残差最小化,我们计算并最小化残差的网格(最好是小的)子集,所谓的减少网格。由于我们的近似空间的非线性,我们表明,类似的解决方案,残留也表现出运输型行为。为了解释这种行为,我们引入在线自适应减少网格的“移动”它沿空间域与参数相关的位移。我们还提出了一个扩展我们的方法,空间变换不同的移位。数值实验表明,我们的方法的有效性和非自适应减少网格造成的不准确性。
2021-01-20 cs.NA math.NA
Numerical Solution of Nonlinear Wave-Like Equations by Reduced Differential Transform Method
Karamanoglu Mehmetbey University(卡拉曼奥兹达格科学学院卡马诺格鲁梅特贝大学);Selcuk University(塞尔丘克大学)
本文利用缩减微分变换法求解具有变系数的非线性波方程数值解,证明该方法在物理、工程等领域具有高效准确的特性。
2014-07-18 cs.NA math.AP math.NA
A Hybrid Reduced Order Model for nonlinear LES filtering
我们开发了一个降阶模型(ROM)的大涡模拟(LES)的方法,结合了一个三步的算法称为进化过滤放松(EFR)与计算效率高的有限体积法。我们的ROM的主要新颖之处在于使用内的EFR算法的非线性,基于反卷积的指示函数,确定该领域的流动需要正规化。我们提出的ROM是一个混合投影/数据驱动的策略:一个经典的适当的正交分解Galerkin投影方法重建的速度和压力场和数据驱动的减少方法来近似的指示函数所使用的非线性微分滤波器。这种数据驱动技术基于径向基函数插值。我们测试我们的ROM方法的性能上的两个基准问题:二维和三维非定常流通过一个圆柱在雷诺数0 <= Re <= 100。ROM的准确性进行了评估与速度,压力,指示函数和时间演变的空气动力学系数的全阶模型获得的结果。
2021-07-27 cs.NA math.NA
L1-ROC and R2-ROC: L1- and R2-based Reduced Over-Collocation methods for parametrized nonlinear partial differential equations
重复求解某些参数化的偏微分方程(pPDE)的繁重任务,例如在优化背景下,使得在不牺牲任何精度的情况下设计更有效的数值求解器势在必行。减少基础法就是这样一种选择。通过数学上严格的误差估计,RBM在参数诱导的高保真解流形的精心构建的子空间中寻求代理解。利用离线-在线分解过程,它可以将效率提高几个数量级。然而,这种分解,通常通过经验插值方法(EIM)时,偏微分方程是非线性的或其参数依赖非仿射,是具有挑战性的实现,或严重降低在线效率。在本文中,我们增加和扩展的EIM方法的上下文中解决pPDE在两种不同的方式,从而减少过配置法(ROC)。这些是稳定的,并且能够避免直接应用EIM所固有的效率降低。这些方法有两个组成部分。第一种策略是在近似两倍于代理空间的基数的位置上进行配置。第二个是一个有效的方法,为战略选择的参数值,以建立减少的解决方案空间,我们研究了两个选择,最近的经验L1的方法和一个新的指标的基础上减少的残差。总之,这两个成分使计划,L1-ROC和R2-ROC,在线有效和免疫的非线性和非仿射问题离线和在线EIM的效率下降。对三类不同非线性问题的数值试验表明了新算法的高效性、准确性和优越的稳定性。
2019-06-18 cs.NA math.NA
Non-Intrusive Data-Free Parametric Reduced Order Model for Geometrically Nonlinear Structures
Institute for Mechanical Systems, ETH Z\"urich, Leonhardstrasse 21, 8092 Z\"urich, Switzerland
该研究提出一种非侵入式数据自由参数降阶模型,用于高效处理几何非线性结构的参数分析,通过降阶基底和插值方法实现计算效率提升。
2025-12-08 cs.NA math.NA physics.comp-ph
A comprehensive deep learning-based approach to reduced order modeling of nonlinear time-dependent parametrized PDEs
Politecnico di Milano(米兰理工大学)
传统的降阶建模技术,诸如缩减基(RB)方法(依赖于,例如,在处理非线性不定常参数化偏微分方程时,由于它们所基于的模式的线性叠加的基本假设而受到严重的限制。为此,在具有随时间传播的相干结构的问题的情况下,例如输运、波或对流主导现象,如果目标是获得与高保真全阶模型(FOM)解相比足够精确的降阶近似,RB方法通常产生低效的降阶模型(ROM)。为了克服这些限制,在这项工作中,我们提出了一种新的非线性方法,通过利用深度学习(DL)算法来设置降阶模型。在由此产生的非线性ROM中,我们称之为DL-ROM,非线性试验流形(对应于线性ROM中的基函数集)以及非线性简化动力学(对应于线性ROM中的投影阶段)都是通过依赖DL算法以非侵入式方式学习的;后者是在针对不同参数值获得的一组FOM解决方案上进行训练的。在本文中,我们将展示如何构建一个DL-ROM的线性和非线性的不定常参数化偏微分方程,此外,我们评估其准确性的测试情况下,具有不同的参数化偏微分方程问题。数值结果表明,DL-ROM的尺寸等于PDE解决方案的流形的固有维数是能够近似的情况下,大量的POD模式将是必要的,以达到相同程度的精度参数化PDE的解决方案。
2020-01-12 cs.LG cs.NA math.NA
Accelerating Construction of Non-Intrusive Nonlinear Structural Dynamics Reduced Order Models through Hyperreduction
本文提出结合ECSW超缩减的改进EED方法,加速几何非线性结构动力学ROM中非线性张量辨识,并在Abaqus有限元模型上验证了其优越性。
2024-11-21 cs.NA math.NA physics.comp-ph
Comparison of nonlinear mappings for reduced-order modelling of vibrating structures: normal form theory and quadratic manifold method with modal derivatives
这篇文章的目的是比较最近提出的两种方法,以建立有效的几何非线性结构的降阶模型。第一种方法依赖于正规形理论,该理论允许获得坐标的非线性变化,用于在基于不变量的相空间的跨度中表达降阶动力学。第二种方法是模态导数(MD)的方法,更具体地说,二次流形定义,以获得一个二阶非线性变化的坐标。这两种方法有一个共同的观点,愿意引入一个非线性映射,以更好地定义一个降阶模型,可以更适当地考虑非线性恢复力。然而,计算方法是不同的,二次流形方法没有不变性的性质嵌入在其定义。模态导数和静态模态导数进行了研究,并强调了它们在二次非线性处理方面的独特功能。假设一个慢/快的分解可以理解这三种方法如何共享相同的属性。虽然他们给出了适当的估计平面对称结构具有特定形状的非线性和弯曲和平面内模式之间的明确的慢/快分解,二次非线性的处理使得预测不同的弯曲结构,如拱和壳的情况下。在更一般的情况下,正规形式的方法似乎更可取,因为它允许正确的预测的一些重要的非线性特征,包括例如硬化/软化行为,无论从坐标和主坐标之间的关系。
2020-09-23 cs.CE cs.NA math.NA
Direct computation of nonlinear mapping via normal form for reduced-order models of finite element nonlinear structures
详细介绍了用有限元法离散几何非线性结构的三阶范式的直接计算。该程序允许定义一个非线性映射,以获得准确的降阶模型(ROM)依赖于不变流形理论。所提出的减少策略是直接的和模拟自由的,在这个意义上,它允许从物理坐标(FE节点)传递到正常坐标,描述在一个不变量为基础的跨度的相空间的动态。由于提出了坐标的完全改变,因此ROM的主模式的数量不是先验限制的。基本的理论保证了预测的质量,这要归功于约化子空间的不变性,以及它们在相空间中的曲率,该曲率解释了非共振非线性耦合。该方法被应用到一个梁离散与三维元素,并显示其在高能量恢复内共振的能力。然后,风扇叶片模型的调查和正确的预测ROM进行了评估和讨论。提出了一种方法来近似的总值的阻尼,考虑到所有的从模式的阻尼系数,并使用瑞利阻尼模型作为输入。梁和叶片的频率响应曲线,然后展示,所提出的方法的准确性。
2020-09-25 cs.CE cs.NA math.NA
A sequential semidefinite programming method and an application in passive reduced-order modeling
提出一种序列半定规划(SSP)方法,通过对称化处理互补条件并转化为线性半定子问题,用于求解含非线性半定约束的非线性规划,并证明其局部二次收敛性,最后应用于无源降阶建模中的非线性半定规划问题。
2005-03-08 cs.NA math.NA math.OC
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
Efficient and accurate nonlinear model reduction via first-order empirical interpolation
提出一阶经验插值方法(FOEIM),利用偏导数信息构建非线性项的低成本稳定插值,有效降低了参数化非线性偏微分方程归约基近似的计算复杂度。
2023-09-18 cs.NA math.AP math.NA
Reduced basis algorithm for solving nonlinear differential equations on quantum computers
Delft University of Technology(代尔夫特理工大学);Fondazione Istituto Italiano di Tecnologia, Center for Life Nano-Neuroscience at la Sapienza(意大利技术研究院基金会,罗马第一大学生命纳米神经科学中心)
提出约化基算法(RBA),通过时间离散化、组合多项式更新映射并构建线性RBA算子,精确再现多步非线性动力学,将量子计算资源需求降至对数级别。
2026-06-12 cs.NA math.NA quant-ph
Mesh sampling and weighting for the hyperreduction of nonlinear Petrov-Galerkin reduced-order models with local reduced-order bases
Stanford University(斯坦福大学);Notre Dame University-Louaize(黎巴嫩圣母大学)
能量守恒采样和加权(ECSW)方法是一种超约化方法,最初是为了加速与大规模有限元模型相关的基于伽辽金投影的降阶模型(PROM)的性能而开发的,当底层投影算子需要频繁地重新计算时,如在参数和/或非线性问题中。在本文中,这种hyperreduction方法扩展到彼得罗夫-伽辽金PROM的基础高维模型可以与任意有限元,有限体积,有限差分半离散化方法。它的范围也扩展到覆盖局部PROM的分段仿射近似子空间的基础上,如那些旨在减轻Kolmogorov $n$宽度障碍问题与对流为主的流动问题。本文所得到的ECSW方法是强大的和准确的。特别是,它的离线阶段被证明是快速和可并行的,其在线阶段的工业相关性的大规模应用的潜力被证明为湍流问题与$O(10^7)$和$O(10^8)$自由度。对于这样的问题,在线部分的ECSW方法,本文提出的彼得罗夫-伽辽金PROM显示,使挂钟时间和CPU时间加速因子的几个数量级,同时提供卓越的精度。
2020-08-06 cs.LG cs.NA math.NA
Reduced Order Modeling using Shallow ReLU Networks with Grassmann Layers
Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种利用结构化神经网络对方程组进行非线性模型降阶的方法。神经网络采用“三层”网络的形式,第一层被约束为位于格拉斯曼流形上,第一个激活函数被设置为恒等式,而剩余的网络是标准的两层ReLU神经网络。格拉斯曼层确定输入空间的简化基,而其余层近似非线性输入-输出系统。训练在学习缩减基和非线性近似之间交替进行,并且被证明比固定缩减基和仅训练网络更有效。这种方法的另一个好处是,对于位于低维子空间上的数据,网络中的参数数量不需要很大。我们表明,我们的方法可以应用于科学问题的数据稀缺制度,这是典型的不太适合神经网络近似。例子包括非线性动态系统和几个航空航天工程问题的降阶建模。
2020-12-17 cs.LG cs.NA math.NA
Nonlinear model reduction: a comparison between POD-Galerkin and POD-DEIM methods
几种非线性模型的减少技术进行了比较的三种情况下的非平行版本的Kuramoto-Sivashinsky方程,瞬态制度的流动通过一个圆柱体在$Re=100$和充分发展的流动通过一个圆柱体在相同的雷诺数。控制方程的线性项通过Galerkin投影到流动状态的POD基上来减少,而减少的非线性对流项通过Galerkin投影到相同的状态基上、通过Galerkin投影到表示非线性的POD基上或通过将离散经验插值方法(DEIM)应用到非线性的POD基上来获得。降阶模型的质量进行评估,其稳定性,准确性和鲁棒性,并引入和比较适当的定量措施。特别是,减少的线性项的性能进行比较,那些满量程的条款,和非线性二次项的结构进行了分析,以保持动能。结果表明,所有三个减少技术提供了良好的和相似的结果的情况下,Kuramoto-Sivashinsky方程和极限环缸流。对于流过圆柱体的瞬态流态的情况,只有纯Galerkin技术是成功的,而DEIM技术产生在有限时间内发散的降阶模型。
2020-05-06 cs.NA math.NA physics.comp-ph
Hyper-Reduced Autoencoders for Efficient and Accurate Nonlinear Model Reductions
Harvard University(哈佛大学);Sandia National Laboratories(桑迪亚国家实验室);NexGen Analytics(奈克斯根分析公司)
基于投影的模型降阶非线性流形最近已被提出的问题,缓慢衰减的Kolmogorov n-宽度,如对流主导的。这些方法通常使用神经网络进行流形学习,并显示出比传统线性子空间降阶模型更高的精度。先前提出的方法的缺点是在高保真解快照上训练网络的潜在高计算成本。在这项工作中,我们提出并分析了一种新的方法,克服了这一缺点,训练神经网络的高保真解决方案快照的子采样版本。该方法与基于搭配的超约简和Gappy-POD相结合,可以实现高效准确的代理模型。我们证明了我们的方法的有效性上的2D汉堡问题。
2023-03-16 cs.LG cs.NA math.NA
Solving nonlinear diffusive problems in buildings by means of a Spectral Reduced-Order Model
本文提出了使用光谱方法来模拟通过多孔材料的降阶模型(ROM)的扩散水分传输。谱方法是一种先验方法,假设解的单独表示。该方法与经典的欧拉隐式和Crank-Nicolson格式,被认为是大的原始模型。他们的性能-在精度,复杂性降低和CPU时间减少方面-讨论了线性和非线性情况下,通过单层和多层一维域的水分扩散转移,考虑高度依赖于水分的属性。结果表明,光谱降阶模型方法能够准确地模拟感兴趣的领域。此外,数值增益变得特别有趣的非线性情况下,因为所提出的方法可以大大减少计算机的运行时间,由一个因素的100,相比传统的Crank-Nicolson计划的一维应用。
2018-04-17 cs.NA math.AP math.NA
Reduced Order Modeling for Nonlinear PDE-constrained Optimization using Neural Networks
非线性模型预测控制(NMPC)通常要求实时求解最优化问题。然而,在数学模型在解空间中具有高维度的情况下,例如对于偏微分方程(PDE)的解,黑盒优化器很少足以获得所需的在线计算速度。在这种情况下,必须求助于定制的求解器。针对非线性时变偏微分方程约束最优化问题,提出了一种新的求解方法。它是由一个序列的二次规划(SQP)计划,以解决在离线阶段的PDE约束问题,适当的正交分解(POD)的方法,以确定一个低维的解决方案空间,和一个神经网络(NN)的快速在线评估。所提出的方法展示了一个正则化的最小二乘最优控制问题的粘性Burgers方程。它的结论是显着的在线速度的实现,相比传统的方法,使用SQP和有限元,在一个长期的离线阶段和精度降低的成本。
2019-09-29 cs.NA math.AP math.NA
Nonlinear Model Updating of Aerospace Structures via Taylor-Series Reduced-Order Models
本文提出结合泰勒展开的非线性降阶模型与投影基适应方案,用于非线性结构模型更新,通过实验验证其在捕捉幅值依赖的自然频率和改进参数恢复精度方面优于线性方法。
2026-04-08 cs.CE cs.NA cs.SY