深度神经算子可以预测不规则波浪下浮式海洋结构的实时响应
摘要：离岸浮动结构数字孪生模型中神经算子的使用能够在结构响应预测和健康监测方面带来范式转变，为实时控制提供了有价值的信息。本研究评估了三种神经算子的性能，即深度算子网络（DeepONet）、傅立叶神经算子（FNO）和小波神经算子（WNO）。我们研究了这些算子在六种不同海洋状态代码（3-8）下准确捕捉浮动结构响应的有效性，这些代码是根据世界气象组织（WMO）描述的波浪特征得出的。结果表明，这些高精度神经算子比使用常规数值求解器进行动态分析更高效，可以实现响应更快，速度提高了两个数量级。此外，与常用的用于时间序列估计的门控循环神经网络（GRUs）相比，神经算子不仅更准确而且更高效，特别是在数据可用性有限的情况下。为了进一步提高准确性，提出了新的扩展方法，如小波-DeepONet和自适应WNO。综上所述，研究表明，对于近似描述一个输入函数空间到输出空间的映射以及具有频率频谱较小带宽的响应，FNO优于所有其他算子；而对于学习将多个函数映射到输出空间以及捕捉在较大频率频谱内的响应，具有历史状态的DeepONet提供了最高的准确性。
作者：Qianying Cao, Somdatta Goswami, George Em Karniadakis and Souvik Chakraborty
论文ID：2302.06667
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2023-02-15