基于循环神经网络和适当正交分解的非侵入式代理模型的数值评估：Rayleigh-Bénard 对流
摘要：非侵入式建模方法结合机器学习可以构建计算成本低且准确的代理模型。本文提出了一种非线性 Proper Orthogonal Decomposition (POD) 框架，称为 NLPOD，用于构建 Boussinesq 方程的非侵入式简化模型。在 NLPOD 方法中，首先应用 POD 过程获取一组全局模态，构建线性适配潜空间，并利用自编码器网络通过非线性无监督映射 POD 系数来压缩该潜空间的投影。然后，利用长短期记忆 (LSTM) 神经网络结构发现低秩流形中的时间模式。通过对 LSTM 模型的超参数进行详细的敏感性分析，系统分析了在解决典型的Rayleigh-Benard对流系统中的精度和效率之间的权衡。
作者：Saeed Akbari, Suraj Pawar, Omer San
论文ID：2212.05384
分类：Computational Physics
分类简称：physics.comp-ph
提交时间：2023-02-22