Data-driven reduced order modeling of environmental hydrodynamics using deep autoencoders and neural ODEs
Data-driven reduced order modeling of environmental hydrodynamics using deep autoencoders and neural ODEs
复制标题
使用深度自动编码器和神经常微分方程进行数据驱动的环境流体动力学降阶建模
DOI：
--
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
M. Putti
中科院分区：
文献类型：
--
作者：
S. Dutta;Peter Rivera;Orie M. Cecil;M. Farthing;E. Perracchione;M. Putti
用于流体流动模拟的模型降阶在许多科学和工程领域中仍然具有极大的兴趣。在以前的工作[arXiv：2104.13962]中，我们探索了使用神经常微分方程（NODE）作为在降阶模型中传播潜空间动力学的非侵入式方法。在这里，我们研究使用深度自动编码器来发现减少的基础表示，然后通过NODE近似其动态。深度自动编码器表示潜在空间的能力与传统的适当正交分解（POD）方法进行了比较，再次结合NODE捕获动态。此外，我们比较他们的行为与两个经典的非侵入性方法的基础上POD和径向基函数插值以及动态模式分解。我们考虑的测试问题包括不可压缩的圆柱绕流，以及在河口系统的浅水流体动力学的实际应用。我们的研究结果表明，深度自动编码器可以利用非线性流形学习来实现空间信息的高效压缩，并定义一个似乎更适合通过NODE框架捕获时间动态的潜在空间。
Model reduction for fluid flow simulation continues to be of great interest across a number of scientific and engineering fields. In a previous work [arXiv:2104.13962], we explored the use of Neural Ordinary Differential Equations (NODE) as a non-intrusive method for propagating the latent-space dynamics in reduced order models. Here, we investigate employing deep autoencoders for discovering the reduced basis representation, the dynamics of which are then approximated by NODE. The ability of deep autoencoders to represent the latent-space is compared to the traditional proper orthogonal decomposition (POD) approach, again in conjunction with NODE for capturing the dynamics. Additionally, we compare their behavior with two classical non-intrusive methods based on POD and radial basis function interpolation as well as dynamic mode decomposition. The test problems we consider include incompressible flow around a cylinder as well as a real-world application of shallow water hydrodynamics in an estuarine system. Our findings indicate that deep autoencoders can leverage nonlinear manifold learning to achieve a highly efficient compression of spatial information and define a latent-space that appears to be more suitable for capturing the temporal dynamics through the NODE framework.
DOI：
--
发表时间：
2021-04
期刊：
ArXiv
影响因子：
--
作者：
S. Dutta;Peter Rivera-Casillas;M. Farthing
通讯作者：
S. Dutta;Peter Rivera-Casillas;M. Farthing
DOI：
--
发表时间：
2019-08
期刊：
ArXiv
影响因子：
--
作者：
Yifan Sun;Linan Zhang;Hayden Schaeffer
通讯作者：
Yifan Sun;Linan Zhang;Hayden Schaeffer
由偏微分方程驱动的深度神经网络
影响因子：
2
作者：
Ruthotto, Lars;Haber, Eldad
通讯作者：
Haber, Eldad