基于自编码器和LSTM的模型降阶方法

作     者：武频 孙俊五 封卫兵 WU Pin;SUN Junwu;FENG Weibing

作者机构：上海大学计算机工程与科学学院上海200444 

出 版 物：《空气动力学学报》 (Acta Aerodynamica Sinica)

年 卷 期：2021年第39卷第1期

页      面：73-81页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080103[工学-流体力学] 08[工学] 080104[工学-工程力学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0801[工学-力学（可授工学、理学学位）] 

基　　金：上海市自然科学基金(19ZR1417700) 空气动力学国家重点实验室开放课题(SKLA20180303) 

主　　题：降阶模型 多层自编码器 长短期记忆 圆柱绕流 

摘      要：自编码器是一种有效的数据降维方法,可以学习到数据中的隐含特征,并重构出原始输入数据。本文提出了一种基于多层自编码器和长短期记忆网络的模型降阶方法,以提升降阶模型的精度。文中以二维圆柱绕流为例,对该方法进行了分析与验证。首先用多层自编码器对原始数据进行降阶和特征提取,然后构建基于长短期记忆网络的预测模型,最后将自编码器和预测模型拼接并进行微调,得到降阶模型,并将其与基于主成分分析的降阶模型进行对比。结果表明,多层自编码器能在保证精度的同时提升数据压缩率;提出的降阶方法有效地提升了模型精度,使得预测速度场和原速度场之间的均方根误差降低至3×10^(-3)左右。