Optimal prediction for radiative transfer: A new perspective on moment closure
RWTH Aachen University(亚琛工业大学);Temple University(天普大学)
本文通过将最优预测方法推广到偏微分方程组,为辐射传输方程的矩封闭问题提供了新视角,并重新推导了P_N、扩散和扩散修正等线性封闭。
2011-05-09 cs.NA math-ph math.MP
Machine learning-based moment closure model for the linear Boltzmann equation with uncertainties
本文针对线性 Boltzmann 方程矩层级不封闭问题,提出神经网络学习最高阶矩空间梯度的 ML 矩封闭模型,并结合双曲性约束与 gPC 随机 Galerkin 方法处理确定性及不确定性情形。
2025-07-28 cs.NA math.NA
A structure-preserving surrogate model for the closure of the moment system of the Boltzmann equation using convex deep neural networks
在动力学水平上直接模拟物理过程在航空航天应用中是非常昂贵的,因为解空间的维数非常高。在本文中,我们考虑的Boltzmann方程的矩系统,它投影到流体动力学尺度的动力学物理。可以结合熵闭合策略来求解未闭合的矩系统。使用熵闭包为偏微分方程组偏微分方程组提供了结构上的好处。通常计算系统的这种闭包花费了总计算成本的大部分,因为需要解决病态约束最优化问题。因此,我们建立了一个神经网络代理模型关闭的时刻系统,它保留了系统的结构特性的设计,但大大降低了计算成本。数值实验表明,与传统的封闭方法相比,本方法的性能。
2021-06-17 cs.NA math-ph math.MP
Machine learning moment closure models for the radiative transfer equation III: enforcing hyperbolicity and physical characteristic speeds
Michigan State University(密歇根州立大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
这是我们为辐射传输方程(RTE)开发机器学习(ML)矩闭合模型的系列论文中的第三篇。在我们之前的工作\cite{huang2021gradient}中,我们提出了一种学习未闭合高阶矩的梯度的方法,该方法比学习矩本身和传统的$P_N$闭包要好得多。然而,虽然ML矩闭合具有更好的精度,但它不能保证双曲性并且具有长时间稳定性的问题。在我们的第二篇论文\cite{huang2021hyperbolic}中,我们确定了一个对称化子,它导致了基于梯度的ML闭包是可对称化的双曲型和长时间稳定的条件。这种方法的局限性在于,在实践中,最高时刻只能与四个或更少的较低时刻相关。在本文中,我们提出了一种新的方法来加强ML闭包模型的双曲性。出于观察,封闭系统的系数矩阵是一个较低的Hessenberg矩阵,我们将其特征值的根相关联的多项式。基于这种关系,我们设计了两种新的神经网络结构。由第一神经网络产生的ML闭合模型是弱双曲线的,并且保证了物理特征速度,即,本征值受光速限制。第二个模型是严格双曲型的,不能保证特征值的有界性。包括高斯信源问题和双材料问题在内的多个基准测试表明,我们的双曲ML封闭模型具有良好的精度、稳定性和推广性。
2021-09-02 cs.LG cs.NA math.NA
Structure-preserving neural networks for the regularized entropy-based closure of the Boltzmann moment system
Computer Science and Mathematics Division(计算机科学与数学分部);Oak Ridge National Laboratory(橡树岭国家实验室);Faculty of Mathematics(数学学院);KIT(卡尔斯鲁厄理工学院);University of Tennessee(田纳西大学)
针对辐射输运动力学方程离散化的高内存与计算时间需求,提出基于神经网络的保结构两阶段近似方法求解正则化熵闭包,在保证模拟精度的同时大幅降低内存占用并保持有竞争力的计算时间。
2024-06-02 cs.LG cs.NA math.NA
Neural network-based, structure-preserving entropy closures for the Boltzmann moment system
本文提出了基于神经网络的Boltzmann方程矩量系统的最小熵闭包,它保留了偏微分方程偏微分方程组的固有结构,如熵耗散和双曲性。所描述的方法嵌入凸性的时刻熵映射的神经网络近似,以保持最小熵闭包的结构。使用两种技术来实现这些方法。第一种方法近似矩和矩系统的最小熵之间的映射,并且通过设计是凸的。第二种方法近似的矩和拉格朗日乘子的对偶的最小熵最优化问题,它表示的熵的梯度相对于时刻之间的映射,并强制单调通过引入一个罚函数。我们推导了在Sobolev范数下训练的凸神经网络的泛化间隙的误差界,并利用所得结果构造了用于神经网络训练的数据采样方法。数值实验结果表明,基于神经网络的熵闭包为动力学求解器提供了显着的加速,同时保持了足够的精度。所描述的实现的代码可以在Github仓库中找到。
2022-01-25 cs.NA math-ph math.MP
Hyperbolic Machine Learning Moment Closures for the BGK Equations
Michigan State University(密歇根州立大学);Texas Tech University(德州理工大学)
针对BGK动理学模型Grad矩展开的封闭问题,提出基于神经网络的双曲型封闭方法,通过设计网络结构保证稳定性、采用先进训练工具适配非线性、结合FORCE数值方法求解,可在宽克努森数范围得到精确矩解。
2024-10-09 cs.LG cs.NA math.NA
A Class of Quadrature-Based Moment-Closure Methods with Application to the Vlasov-Poisson-Fokker-Planck System in the High-Field Limit
University of Wisconsin(威斯康星大学);Iowa State University(爱荷华州立大学)
研究基于双delta、双高斯和双B样条表示的求积矩封闭方法,通过高阶间断Galerkin格式和Strang算子分裂求解Vlasov-Poisson-Fokker-Planck系统,数值证明该格式在高场极限下具有渐近保持性。
2013-10-16 cs.NA math.NA physics.plasm-ph
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
A numerical comparison of the method of moments for the population balance equation
TU Kaiserslautern(凯泽斯劳滕工业大学)
本文比较了矩方法在人口平衡方程中的应用,分析了不同矩闭合类型(多项式、最大熵和四阶矩方法)的实现问题和实现细节,并通过不同案例评估了精度、矩方法阶数和计算时间。
2017-09-08 cs.NA math.NA
A Positive and Stable L2-minimization Based Moment Method for the Boltzmann Equation of Gas dynamics
我们考虑的方法的矩量法的方法来解决玻尔兹曼方程的稀薄气体动力学,这将导致以下的时刻关闭问题。给定一组矩,求出潜在的密度函数。矩闭合问题有无穷多个解,需要一个额外的最优性准则来选出唯一的解。从一个不连续的Galerkin速度离散的启发,我们考虑了基于L2-最小化的最优性准则。为了确保一个积极的解决方案的时刻关闭的问题,我们强制L2最小化的积极性约束。这导致了具有矩和正性约束的二次最优化问题。我们表明,(Courant-Friedrichs-Lewy)CFL型条件,确保了最优化问题的可行性和L2稳定的时刻近似。数值实验表明,我们的矩量法的准确性。
2020-09-23 cs.NA math.NA
Gaussian-Moment Relaxation Closures for Verifiable Numerical Simulation of Fast Magnetic Reconnection in Plasma
UNIVERSITY OF WISCONSIN – MADISON(威斯康星大学麦迪逊分校)
本文研究了等离子体流体模型中最小要求以实现与动能模拟一致的收敛模拟,提出高斯矩两流体MHD模型并引入压力张量各向同性以解决奇异问题,提出10时刻旋向热通量闭合以提高模拟稳定性。
2014-09-25 cs.NA math.NA physics.plasm-ph
Kershaw closures for linear transport equations in slab geometry II: high-order realizability-preserving discontinuous-Galerkin schemes
TU Kaiserslautern(凯泽斯劳滕工业大学)
本文将基于四面体的最小熵模型的可实现性保持 discontinuous-Galerkin 方案推广到任意阶的全矩模型,应用于 Kershaw 闭合,从而高效求解线性传输方程,通过数值收敛测试和非光滑基准问题验证高阶方法效率。
2016-08-02 cs.NA math.AP math.NA
Hyperbolic quadrature method of moments for the one-dimensional kinetic equation
对动力学理论中一个长期存在的开放问题提出了一种解决方法,即给定任意一组可实现的速度矩,构造了2n+1阶矩的封闭,使得从一维动力学方程的自由输运项中得到的矩系是全局双曲的,并且是保守形式的.在以前的工作中,双曲型矩量法(HyQ)被引入到四阶(n $\le$ 2)关闭这个时刻系统。在这里,HyQerk是重新制定和扩展到任意偶数阶的时刻。的HyQnovel封闭定义的基础上的唯一的速度矩的阶2n - 1定义的一元正交多项式Qn的属性。因此,HyQerk是严格的矩闭合,并且不依赖于具有相同矩的速度分布函数的重建。在矩空间的边界上,特征多项式P2 n +1的n个二重根是Qn的根,而在内部,P2 n +1与Qn共有n个根. P2 n +1的其余n + 1个根结合并分离Qn的根。本文在Chebyshev算法的基础上,提出了一种计算2n阶矩中2n + 1阶矩的有效算法。利用一维黎曼问题的解析解证明了HyQdom闭包随n的增加而收敛.
2021-03-18 cs.NA math.AP math.NA
POD-(H)DG Method for Incompressible Flow Simulations
采用隐式-显式混合间断Galerkin/间断Galerkin(IMEX HDG/DG)格式离散粘性Burgers方程和不可压Navier-斯托克斯方程,提出了一种基于本征正交分解(POD)的降阶方法.介绍了一种新型的闭包模型,该模型可以轻松地离线计算。数值结果验证了POD模型和闭合模型的正确性。
2020-04-17 cs.NA math.NA
A second-order direct Eulerian GRP scheme for ten-moment Gaussian closure equations with source terms
本文针对带源项的十矩高斯闭包方程,提出二阶直接欧拉GRP格式,利用广义黎曼不变量和Rankine-Hugoniot条件构造一维及二维格式,并首次构造多个二维黎曼问题算例验证其精度与高分辨率。
2024-07-04 cs.NA math.NA
A realizability-preserving discontinuous Galerkin scheme for entropy-based moment closures for linear kinetic equations in one space dimension
RWTH Aachen University(亚琛工业大学);TU Kaiserslautern(凯泽斯劳滕工业大学)
本文提出一种高阶数值格式用于线性动力学方程的熵基矩闭合,通过间断伽辽金格式和强稳定性保持Runge-Kutta时间积分器实现三阶方案,并采用四阶求积生成凸多面体来近似可实现矩集,避免计算射线与可实现矩集的交集。
2015-06-22 cs.NA math.NA
Machine learning moment closure models for the radiative transfer equation IV: enforcing symmetrizable hyperbolicity in two dimensions
Department of Mathematical Sciences, University of Delaware(德克萨斯大学数学科学系)
本文提出在二维空间中扩展机器学习动量闭合模型,通过保持经典P_N模型的主部并修改最高阶块行,利用对称性和块三对角结构引入对角对称化算子,从而保证系统对称可超几何性。
2026-04-22 cs.LG cs.NA math.NA
Deep learning-based moment closure for multi-phase computation of semiclassical limit of the Schrödinger equation
本文提出一种两阶段深度学习框架,通过神经网络学习矩映射并结合物理信息神经网络封闭矩系统,高效计算薛定谔方程半经典极限的多相解,并给出收敛性理论保证。
2025-04-11 cs.NA math.NA
A Hyperbolic Neural Closure for M1 Radiation Transfer
Purdue University(普渡大学);University of Notre Dame(圣母大学)
针对辐射传输模拟中M1方法简化系统不封闭问题,提出双曲神经封闭模型。通过两个神经网络对雅可比矩阵参数化确保实特征值,经数值积分重建封闭模型。该模型提高了封闭及解的精度,在相关模拟中保持稳定。
2026-07-14 cs.AI cs.CE cs.LG
Analysis of Moment Closures Using $φ$-Divergences for Rarefied Dynamics with Binary Collisions and Their Galerkin Discretizations
Eindhoven University of Technology(埃因霍温理工大学);Simkinetic B.V.(Simkinetic公司);University of Texas at Austin(德克萨斯大学奥斯汀分校);Saarland University(萨尔兰大学)
该研究提出基于φ-散度的Galerkin矩封闭框架,构造兼容近似碰撞算子保证物理性质,结合熵稳定DG方法离散,通过多类数值模拟验证其用于稀薄动力学模拟的鲁棒性与准确性。
2026-09-04 cs.NA math.AP math.NA
A realizability-preserving high-order kinetic scheme using WENO reconstruction for entropy-based moment closures of linear kinetic equations in slab geometry
TU Kaiserslautern(凯泽斯劳滕工业大学);RWTH Aachen University(亚琛工业大学)
本文提出了一种高阶动力学方案,用于线性动力学方程在 slab 几何中的熵基矩闭合模型,采用加权本质非振荡(WENO)方法实现高阶空间重构,并利用多步Runge-Kutta方法进行时间积分,同时通过最大原理基的动能级限制器保持矩向量在可实现集内,通过数值实验验证了高阶解的优势及限制器关键参数的作用。
2015-06-26 cs.NA math.NA
Moment-enhanced shallow-water equations with an effective wall closure for no-slip bottoms
Michigan State University(密歇根州立大学);University of Delaware(特拉华大学)
该研究针对无滑移底部,推导了矩增强浅水方程的有效壁面闭合条件,通过与OpenFOAM的两相不可压缩Navier-Stokes计算对比,验证了其可减少过度阻尼、提升速度诊断一致性的效果。
2026-09-04 cs.NA math-ph math.MP
Learning Closure of Dynamical Systems with Kernel Ridge Regression
The Pennsylvania State University(宾夕法尼亚州立大学);Texas Tech University(德克萨斯理工大学)
本文提出利用核岭回归(KRR)构建闭包建模框架,解决ODE/PDE差分方程闭包和动力学方程矩闭包两类问题,通过误差界分析和数值实验(Lorenz-63、Kuramoto-Sivashinsky及一维动力学方程)验证了其长期预测准确性和优于LSTM及全局模型的性能。
2026-10-05 cs.LG cs.NA math.DS
High-order Moment Closure Models with Random Batch Method for Efficient Computation of Multiscale Turbulent Systems
本文提出高阶矩闭合模型结合随机批方法,高效计算多尺度湍流系统的统计矩与概率密度,显著降低计算成本并准确捕捉非高斯统计与极端事件。
2023-06-01 cs.NA math.NA physics.comp-ph