В вычислительной динамике текучей среды (CFD) точное моделирование потоков Navier-Stokes лежит в основе бесчисленных инженерных приложений, от проектирования крыла самолета до оптимизации ветряной электростанции. Однако высокоточные симуляции - будь то на основе прямого численного моделирования (DNS), большого вихревого моделирования (LES) или Рейнольдса - усредненного Navier-Stokes (RANS) - несут тяжелое вычислительное бремя. Решение полных, нелинейных уравнений частичных дифференциалов для каждого интересующего сценария может занять часы или даже дни на суперкомпьютерах, что делает прогнозирование в реальном времени, итеративный дизайн и количественная оценка неопределенности непрактичными. Чтобы преодолеть этот разрыв, исследователи разработали модели с уменьшенным порядком , которые перегоняют существенную физику потоков Navier-Stokes в компактные, быстрые системы. Эти модели обеспечивают надежные прогнозы на долю первоначальной вычислительной стоимости, позволяя инженерам исследовать огромные пространства параметров и реагировать на изменяющиеся условия в реальном времени.

В этой статье представлен всеобъемлющий обзор разработки и применения ПЗУ для быстрых прогнозов потока Навье-Стокса. Мы начинаем с определения того, что такое ПЗУ и почему они имеют значение. Затем мы проходим через ключевые математические методы, используемые для их построения - правильное ортогональное разложение (POD), дискретный метод эмпирической интерполяции (DEIM), динамическое разложение режима (DMD) и новые подходы к машинному обучению. Далее мы представляем общий рабочий процесс для создания ПЗУ, а затем обзор практических применений в аэрокосмической, автомобильной и экологической инженерии. Мы также обсуждаем неотъемлемые проблемы - точность, стабильность и параметрическая надежность - и исследуем, как передовые исследования решают эти проблемы. В конце концов, у вас будет четкое понимание того, как ПЗУ ускоряют CFD, не жертвуя точностью, необходимой для критических инженерных решений.

Что такое модели пониженного порядка?

Модель пониженного порядка — это упрощенное представление сложной динамической системы, которая сохраняет доминирующие черты оригинальной модели полного порядка (FOM). В контексте жидкостной динамики FOM состоит из уравнений Навье-Стокса, дискретизированных на тонкой сетке, обычно включающей миллионы или миллиарды степеней свободы (DOFs). ROM уменьшает эти DOF до гораздо меньшего набора — иногда всего лишь десятки или сотни — путем проецирования управляющих уравнений на низкомерное подпространство, построенное из репрезентативных данных. ROM затем может быть решен на порядки быстрее, чем FOM, но он аппроксимирует решение с приемлемой точностью.

Ключевая идея заключается в том, что многие потоки жидкости демонстрируют когерентные структуры - периодическое вихревое сбрасывание, пузыри разделения или неустойчивости струй - которые могут быть описаны ограниченным количеством режимов. Сосредоточившись на этих основных моделях, ПЗУ обходит необходимость вычислять каждую мелкую вихрь или турбулентную флуктуацию. Это делает ПЗУ особенно ценными для приложений, где скорость имеет первостепенное значение: онлайн-контроль, цифровые двойники, многозадачные исследования (например, подметания параметров или оптимизация) и встроенное моделирование в менее мощное оборудование.

Ключевые методы построения ROM

Построение ПЗУ для потоков Навье-Стокса обычно включает в себя три этапа: генерирование данных обучения высокой точности, извлечение низкоразмерной основы, а затем проецирование управляющих уравнений на эту основу.За последние несколько десятилетий появилось несколько методов, каждый со своими сильными сторонами и ограничениями.

Правильное ортогональное разложение (POD)

Правильное ортогональное разложение — также известное как основной компонентный анализ (PCA) или расширение Кархунена — Лева в других областях — является наиболее широко используемым методом для ПЗУ в динамике жидкости. Он начинается с сбора снимков из высокоточного моделирования или эксперимента (например, скоростные поля во многих моментах времени или значения параметров). Снимки собираются в матрицу, и для извлечения ортогональных пространственных режимов выполняется разложение сингулярных значений (SVD). Режимы упорядочены по их энергетическому содержанию (единые значения), поэтому первые несколько режимов захватывают наиболее энергичные и физически релевантные особенности потока.

Для построения ПЗУ пользователь выбирает ранг усечения r (количество сохраненных режимов POD.Полное поле скоростей приближено к линейной комбинации этих режимов, и уравнения Навье-Стокса проецируются на проецируемое ими подпространство. Эта проекция Галеркина даёт систему r обыкновенных дифференциальных уравнений (ODE)), которые могут быть интегрированы намного быстрее, чем исходные дифференциальные уравнения частных уравнений. Для умеренных чисел Рейнольдса и потоков, в которых доминируют крупномасштабные структуры, ПЗУ-ПЗУ часто достигают ускорений в несколько порядков величины при сохранении ключевых особенностей потока.

Метод дискретной эмпирической интерполяции (DEIM)

Ограничение стандартного подхода POD-Galerkin заключается в том, что проектируемая система по-прежнему требует вычисления нелинейных терминов, таких как конвективное ускорение в уравнениях Навье-Стокса, путем оценки полного оператора высокой размерности и затем проецирования вниз. Эта стоимость O(N) на шаг времени, где N является исходным размером сетки, в значительной степени побеждая цель сокращения. дискретный эмпирический метод интерполяции преодолевает это узкое место, аппроксимируя нелинейную функцию как расширение в отдельной POD-подобной основе, оцениваемой только в небольшом наборе выбранных точек (индексы интерполяции).

DEIM эффективно отделяет нелинейную стоимость оценки от полного размера сетки, уменьшая ее до O(r) или O(r2). При сочетании с POD полученная POD-DEIM ROM может ускорять моделирование в 100-1000 раз с незначительной потерей точности. Она стала стандартным инструментом для построения ROM конвекционных потоков, реакционных потоков и взаимодействий с текучей структурой.

Динамическая декомпозиция режима (DMD)

В то время как POD извлекает энергетически ранжированные пространственные режимы, динамическое разложение режима направлено на захват когерентных пространственно-временных паттернов и их эволюцию. DMD разлагает данные моментального снимка в набор режимов, каждый из которых связан с определенной частотой и скоростью роста / распада. Это делает его особенно полезным для потоков, проявляющих периодическое или квазипериодическое поведение, такое как вихрь, пропадающий за цилиндром, потому что каждый режим DMD соответствует физическому колебанию.

Стандартный алгоритм DMD работает, подгоняя линейного оператора, который аппроксимирует нелинейную динамику, предполагая, что снимки разделены шагом постоянного времени. Результатом является модель пониженного порядка, которая может предсказать будущие состояния потока в режиме времени. Варианты, такие как DMD, способствующие редкости, и DMD с несколькими разрешениями, расширили метод до более сложных потоков, включая турбулентность и переходные. DMD не является заменой POD-Галеркину, но предлагает дополнительную точку зрения, особенно когда поток проявляет сильную периодичность, и пользователю необходимо идентифицировать доминирующие частоты.

ПЗУ на основе машинного обучения

Недавние достижения в области глубокого обучения ввели новый класс управляемых данными ПЗУ. Нейронные сети, включая автокодеры, сверточные нейронные сети (CNN) и сети с длинной кратковременной памятью (LSTM), могут изучать нелинейные встраивания данных с высокой размерностью потока непосредственно из снимков. Например, автокодер сжимает полное поле скорости в низкомерное латентное пространство, а затем реконструирует его. После обучения скрытая динамика может быть смоделирована отдельным нейронным ОД или рекуррентной сетью, и комбинированная система действует как ПЗУ.

По сравнению с традиционными ПЗУ на основе POD, ПЗУ на основе нейронной сети могут более гибко обрабатывать сильно нелинейные и хаотические потоки, поскольку они не полагаются на линейное предположение подпространства. Однако они требуют гораздо больших наборов данных обучения, склонны к переобучению и не имеют физической интерпретируемости режимов POD. Гибридные подходы, такие как свёрточные автокодеры с POD или нейронные сети с физической информацией, являются активными областями исследований, направленными на объединение лучшего из обоих миров.

ROM строительный рабочий процесс

Независимо от конкретного метода, построение надежного ПЗУ для потоков Навье-Стокса следует систематической процедуре:

  1. Определение проблемы. Определить пространство параметров (например, число Рейнольдса, угол атаки, вариации геометрии) и диапазон условий работы, которые должен покрывать ПЗУ.
  2. Генерация данных. Запуск высокоточных симуляций или проведение экспериментов на тщательно подобранном наборе снимков во времени и/или пространстве параметров. Эти снимки служат тренировочным набором. Качество и охват этих данных имеет решающее значение — недостаточная выборка приводит к плохому обобщению.
  3. Снижение плотности. Применить POD, DMD или автокодер для извлечения низкомерной основы или скрытого пространства. Определить соответствующий ранг усечения, изучив распад энергии или ошибку проверки.
  4. Модельная конструкция. Проектировать уравнения Навье-Стокса (или их приближение) на уменьшенное подпространство. Для POD-Галеркина это предполагает вывод уменьшенной системы ОДЭ. Для нелинейных терминов интегрируйте DEIM или гиперредукционные методы.
  5. Оффлайн-разложение. Предвычислите как можно больше терминов (например, уменьшенные матрицы и индексы интерполяции DEIM) на офлайн-стадии. Затем онлайн-стадия решает только простую уменьшенную систему, достигая быстрых прогнозов.
  6. Проверка и анализ ошибок.] Проверка ПЗУ на наличие неиспользованных в обучении снимков. Вычислите метрики ошибок, такие как относительная ошибка L2 в скорости или давлении. Если точность недостаточна, рассмотрите возможность добавления большего количества снимков, повышения ранга усечения или использования более сложной основы.
  7. Развертывание. Интегрируйте ПЗУ в целевое приложение — будь то контроллер в реальном времени, цикл оптимизации дизайна или цифровой двойник для мониторинга.

Приложения по инженерным дисциплинам

ПЗУ перешли от академического любопытства к практическим инструментам во многих отраслях. Вот три области, в которых они оказывают ощутимое влияние:

аэрокосмическая

В конструкции самолета моделирование потока вокруг крыла или всего планера для каждой комбинации числа Маха, угла атаки и конфигурации закрылка непомерно дорого. ПЗУ обеспечивают быстрые аэродинамические базы данных для предварительного проектирования и моделирования полета в режиме реального времени. Например, ПД-ПЗУ, обученный на CFD-снимках трансозвукового пневматического профиля, может предсказать коэффициенты подъема и перетаскивания в миллисекундах, позволяя дизайнерам пролистывать сотни комбинаций параметров в минутах. Аналогично, анализ трепета и исследования реакции порыва выигрывают от ПЗУ, которые захватывают неустойчивые аэродинамические нагрузки.

автомобильный

Производители автомобилей используют ПЗУ для внешней аэродинамики, управления тепловым режимом под капотом и климат-контроля салона. Модель с уменьшенным порядком потока по форме транспортного средства может быть сопряжена с алгоритмами оптимизации для быстрого итерации на контурах кузова для уменьшения сопротивления. Для электромобилей моделирование охлаждения батареи, которое раньше занимало часы, может быть заменено ПЗУ, которые работают в считанные секунды, что позволяет в режиме реального времени управлять тепловым режимом во время циклов движения.

Экологическая инженерия

В динамике жидкости окружающей среды ПЗУ помогают прогнозировать рассеивание загрязняющих веществ в городских районах, характер ветра на сложной местности или распространение разливов нефти. Поскольку эти приложения часто требуют много симуляций с различными метеорологическими условиями, ПЗУ обеспечивают практический способ генерации вероятностных прогнозов. Исследователи также использовали ПЗУ-ПЗУ для быстрого прогнозирования приливных течений и распространения волн, поддерживая оценку ресурсов возобновляемых источников энергии.

Проблемы и ограничения

Несмотря на успех, потоки ПЗУ для Navier-Stokes сталкиваются с рядом постоянных проблем:

  • Стабильность.] Проекция Галеркина уравнений Навье-Стокса может дать уменьшенные системы, которые являются численно нестабильными, особенно для конвекционных потоков. Существуют различные стратегии стабилизации, такие как добавление искусственной вязкости, обеспечение энергосберегающих дискретизаций или использование проекций Петрова-Галеркина. Однако универсальное решение не работает для всех потоков.
  • Параметрическая надежность. ПЗУ, обученный одному набору параметров (например, Re=1000), часто плохо работает при изменении параметров (например, Re=500 или Re=2000). Методы многоверности и интерполяции, такие как POD с параметризованными методами основы, пытаются решить эту проблему, но они увеличивают сложность и требования к данным.
  • Нелинейность и хаос.] Турбулентные потоки и хаотические динамические системы по своей природе чувствительны к возмущениям. Низкомерное линейное подпространство может не улавливать энергетический каскад или прерывистость. Подходы, основанные на данных (автокодеры, рекуррентные сети) могут помочь, но они требуют больших, высококачественных обучающих наборов и тщательной регуляризации. Долгосрочный горизонт прогнозирования для хаотических ПЗУ остается открытой темой исследования.
  • Доступность данных. Создание самой матрицы моментального снимка требует многократного запуска моделирования полного порядка, что может быть дорогостоящим. Адаптивная выборка, экспериментальные данные и стратегии, основанные на физике, которые уменьшают нагрузку на обучение, являются активными областями исследования.

Будущие направления

Область моделирования пониженного порядка для динамики текучей среды быстро развивается. Несколько новых тенденций обещают преодолеть существующие ограничения:

  • Физика-информированные нейронные сети (PINNs.] Включая уравнения Навье-Стокса в качестве мягкого ограничения в функции потерь, PINN могут изучать ПЗУ непосредственно из разреженных данных при соблюдении законов сохранения. Это уменьшает зависимость от данных обучения полного порядка и улучшает обобщение.
  • Неинтрузивные ПЗУ.] Традиционный POD-Galerkin является интрузивным — для получения проектируемой системы требуется доступ к полному коду решателя. Неинтрузивные методы, такие как регрессия гауссовского процесса, нейронные сети или модели на основе DMD, требуют только данных с моментального снимка и системных входов/выходов. Это делает их привлекательными для устаревших или черных ящиков.
  • Многомасштабные и многофизические ПЗУ. Реальные инженерные проблемы часто сочетают поток жидкости с теплообменом, структурной деформацией или химическими реакциями. ПЗУ, которые могут обрабатывать множественную взаимодействующую физику на разрозненных масштабах, разрабатываются с использованием разбивных подходов и тензорных методов.
  • Совместная свёрточная автокодерная система с нейронным ODE в латентном пространстве показала перспективность для хаотических потоков, таких как уравнение Курамото-Шивашинского и даже 2D турбулентность.
  • Определение неопределенности (UQ). ПЗУ могут служить суррогатами в рамках Монте-Карло для количественной оценки того, как неопределенности ввода (например, скорость притока, допуски геометрии) влияют на выходы. Усилия по внедрению строгого UQ в процесс построения ПЗУ — и для обеспечения доверительных границ на прогнозы — продолжаются.

Заключение

Модели с пониженным порядком стали незаменимым инструментом для ускорения предсказаний потока Навье-Стокса в инженерной практике. Захватывая доминирующую физику потока в компактной, вычислительно дешевой системе, ПЗУ позволяют контролировать в реальном времени, быстро исследовать дизайн и многозадачные исследования, которые были бы немыслимы только с моделированием полного порядка. Методы, основанные на правильном ортогональном разложении, разложении динамического режима и машинном обучении, предлагают различные преимущества, и выбор зависит от режима потока, доступности данных и требований точности.

Путь вперед включает в себя создание более надежных, учитывающих параметры и физико-ограниченных ПЗУ, которые могут справиться со сложностью турбулентных и многомасштабных потоков.По мере того, как исследования продолжают расширять границы, мы можем ожидать, что ПЗУ станут стандартным компонентом инструментария каждого практикующего CFD-практика - разблокирование более быстрых, умных и более отзывчивых процессов проектирования в аэрокосмической, автомобильной, энергетической и экологической инженерии.

Для дальнейшего чтения об основах POD, обратитесь к записи Wikipedia о правильном ортогональном разложении . Основополагающая работа по DEIM может быть найдена в Chaturantabut и Sorensen (2010) . Практическое руководство по DMD доступно в Kutz et al. (2016) . Для получения дополнительной информации о ПЗУ нейронной сети см. Lusch, Kutz, and Brunton (2018) .