利用长短期记忆神经网络的改进POD-Galerkin降阶模型及其在流场预测中的应用

作     者：张译文 王志恒 邱睿贤 席光 ZHANG Yiwen;WANG Zhiheng;QIU Ruixian;XI Guang

作者机构：西安交通大学能源与动力工程学院西安710049 

出 版 物：《西安交通大学学报》 (Journal of Xi'an Jiaotong University)

年 卷 期：2024年第58卷第2期

页      面：12-21页

核心收录：

学科分类：080704[工学-流体机械及工程] 080103[工学-流体力学] 08[工学] 0807[工学-动力工程及工程热物理] 0801[工学-力学（可授工学、理学学位）] 

基　　金：国家重大科技专项资助项目(2017-Ⅱ-0004-0016) 国家自然科学基金资助项目(52176044) 

主　　题：本征正交分解 降阶模型 神经网络 流场预测 

摘      要：针对标准POD-Galerkin降阶模型在流场快速预测中存在误差而导致精度不高的问题,提出了一种利用长短期记忆神经网络的改进POD-Galerkin降阶模型。使用本征正交分解对流场进行降维,投影得到低维降阶模型,引入两个长短期记忆神经网络,建立从POD-Galerkin降阶模型到实际POD模态时间系数之间的修正映射、低阶模态时间系数与高阶模态时间系数之间的扩展映射,分别用于消除标准POD-Galerkin降阶模型的误差累积和扩展降阶模型的阶数,从而实现物理驱动与数据驱动混合的流动降阶模型的构建。将改进POD-Galerkin降阶模型应用于二维圆柱绕流的流场预测,通过与原始标准POD-Galerkin降阶模型的对比,分析了所提模型的精度和计算速度。结果表明:添加神经网络修正项后的降阶模型相较于标准POD-Galerkin降阶模型,有效提升了降阶模型的精度,预测各阶模态时间系数的均方根误差能够减小1~2个数量级,预测的流场更接近原始流场;在预测相同阶数的情况下,计算时间显著减小,基于4阶和6阶扩展的8阶改进降阶模型相较于原始8阶POD-Galerkin降阶模型预测速度分别提高了约56%和25%。