物理学 > 流体动力学
[提交于 2025年1月6日
]
标题: 基于瘦多尺度卷积自编码器的可解释复杂动力系统特征的降阶模型
标题: Slim multi-scale convolutional autoencoder-based reduced-order models for interpretable features of a complex dynamical system
摘要: 近年来,数据驱动的深度学习模型在湍流动力系统分析中引起了广泛关注。 在降阶模型(ROMs)的背景下,卷积自编码器(CAEs)为传统方法提供了一种通用的替代方案。 它们可以直接从数据中学习非线性变换,而无需了解系统的先验知识。 然而,这些模型生成的特征缺乏可解释性。 因此,得到的模型是一个黑箱,虽然有效地降低了系统的复杂性,但无法提供潜在特征的意义。 为了解决这一关键问题,我们引入了一种新的可解释的CAE方法,用于高维流体流动数据,该方法保持了传统CAEs的重建质量,并允许特征解释。 我们的方法可以轻松集成到任何现有的CAE架构中,只需对训练过程进行少量修改。 我们将该方法与本征正交分解(POD)以及两种现有的可解释CAE方法进行了比较。 我们将所有方法应用于三个不同复杂度的实验性湍流雷诺-贝纳德对流数据集。 我们的结果表明,所提出的方法轻量、易于训练,并且在64个模式下相对于POD的重建性能提高了高达6.4%。 当模式数量减少时,相对改进最高可达229.8%。 此外,我们的方法提供了类似于POD的可解释特征,并且比现有的CAE方法显著更少资源消耗,使用的参数不到2%。 这些方法要么以牺牲重建性能为代价来获得可解释性,要么仅能提供有限的可解释性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.