Continuous data assimilation reduced order models of fluid flow
Continuous data assimilation reduced order models of fluid flow
复制标题
流体流动的连续数据同化降阶模型
DOI：
10.1016/j.cma.2019.112596
复制
发表时间：
2019
影响因子：
7.2
通讯作者：
Iliescu, Traian
中科院分区：
文献类型：
--
作者：
Zerfas, Camille;Rebholz, Leo G.;Schneier, Michael;Iliescu, Traian
本文提出、分析和测试了一种新的连续数据同化降阶模型（DA-ROM），用于模拟不可压缩流。虽然ROM在某些具有重复出现的主导结构的问题上有着悠久的成功历史，但它们往往在更复杂的问题上失去准确性，并且时间间隔更长。与此同时，连续数据同化（DA）最近已被用来提高精度，特别是在流体模拟的长时间精度，将测量数据的模拟。本文综合了这两个想法，试图通过应用DA来解决ROM中的不准确性，特别是在长时间间隔和只有不准确的快照时。我们证明了，适当选择一个nudging参数，建议DA-ROM算法收敛到真正的解决方案，在时间上呈指数快速，离散化和ROM截断误差。最后，我们提出了一种策略，自适应地在时间上轻推，通过调整耗散所产生的轻推长期更好地匹配真正的解决方案的能量。数值试验证实了所有的结果，并表明，DA-ROM策略与自适应轻推可以非常有效地在ROM中提供长时间的精度。
We propose, analyze, and test a novel continuous data assimilation reduced order model (DA-ROM) for simulating incompressible flows. While ROMs have a long history of success on certain problems with recurring dominant structures, they tend to lose accuracy on more complicated problems and over longer time intervals. Meanwhile, continuous data assimilation (DA) has recently been used to improve accuracy and, in particular, long time accuracy in fluid simulations by incorporating measurement data into the simulation. This paper synthesizes these two ideas, in an attempt to address inaccuracies in ROM by applying DA, especially over long time intervals and when only inaccurate snapshots are available. We prove that with a properly chosen nudging parameter, the proposed DA-ROM algorithm converges exponentially fast in time to the true solution, up to discretization and ROM truncation errors. Finally, we propose a strategy for nudging adaptively in time, by adjusting dissipation arising from the nudging term to better match true solution energy. Numerical tests confirm all results, and show that the DA-ROM strategy with adaptive nudging can be highly effective at providing long time accuracy in ROMs.
登录
查看更多内容
有限时间 Lyapunov 指数的拉格朗日数据驱动降阶建模
DOI：
--
发表时间：
2018
期刊：
影响因子：
--
作者：
Xuping Xie;Peter J. Nolan;S. Ross;T. Iliescu
通讯作者：
T. Iliescu
影响因子：
3.9
作者：
Iliescu, Traian;Wang, Zhu
通讯作者：
Wang, Zhu
2D 和 3D Boussinesq 方程降阶模型的基于学习的鲁棒稳定性
影响因子：
5
作者：
M. Benosman;J. Borggaard;O. San;B. Kramer
通讯作者：
B. Kramer
DOI：
10.1016/j.jcp.2016.05.037
发表时间：
2015-04
期刊：
J. Comput. Phys.
影响因子：
--
作者：
Maciej Balajewicz;I. Tezaur;E. Dowell
通讯作者：
Maciej Balajewicz;I. Tezaur;E. Dowell
影响因子：
4.1
作者：
Carlberg, Kevin;Barone, Matthew;Antil, Harbir
通讯作者：
Antil, Harbir