Exploring hidden flow structures from sparse data through deep-learning-strengthened proper orthogonal decomposition

动态模态分解 趋同(经济学) 流量(数学) 物理 交货地点 算法 模式识别(心理学) 噪音(视频) 稀疏逼近 人工智能 计算机科学 机械 图像(数学) 生物 经济增长 经济 农学
作者
Chang Yan,Shengfeng Xu,Zhenxu Sun,Dilong Guo,Shengjun Ju,Renfang Huang,Guowei Yang
出处
期刊:Physics of Fluids [American Institute of Physics]
卷期号:35 (3) 被引量:10
标识
DOI:10.1063/5.0138287
摘要

Proper orthogonal decomposition (POD) enables complex flow fields to be decomposed into linear modes according to their energy, allowing the key features of the flow to be extracted. However, traditional POD requires high-quality inputs, namely, high-resolution spatiotemporal data. To alleviate the dependence of traditional POD on the quality and quantity of data, this paper presents a POD method that is strengthened by a physics-informed neural network (PINN) with an overlapping domain decomposition strategy. The loss function and convergence of modes are considered simultaneously to determine the convergence of the PINN-POD model. The proposed framework is applied to the flow past a two-dimensional circular cylinder at Reynolds numbers ranging from 100 to 10 000 and achieves accurate and robust extraction of flow structures from spatially sparse observation data. The spatial structures and dominant frequency can also be extracted under high-level noise. These results demonstrate that the proposed PINN-POD method is a reliable tool for extracting the key features from sparse observation data of flow fields, potentially shedding light on the data-driven discovery of hidden fluid dynamics.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
汉皇高祖发布了新的文献求助10
刚刚
YHF2完成签到,获得积分10
1秒前
共享精神应助日出采纳,获得10
1秒前
1秒前
8秒前
9秒前
12秒前
birdy发布了新的文献求助10
12秒前
mr_beard完成签到 ,获得积分10
14秒前
云英闪长岩完成签到,获得积分20
15秒前
深情未来完成签到,获得积分10
16秒前
懵懂的钢笔完成签到,获得积分10
17秒前
hzxy_lyt应助Yina采纳,获得10
18秒前
健康的如松完成签到,获得积分20
19秒前
传奇3应助zhangsudi采纳,获得10
21秒前
21秒前
21秒前
畅快的觅风完成签到,获得积分10
23秒前
酸萝卜完成签到,获得积分10
23秒前
大头大头下雨不愁完成签到,获得积分20
24秒前
淡然冬灵应助xiao_J采纳,获得30
24秒前
ddj完成签到 ,获得积分10
25秒前
无限的雨梅完成签到 ,获得积分10
26秒前
123完成签到,获得积分10
29秒前
29秒前
开朗的夜阑完成签到,获得积分10
30秒前
30秒前
33秒前
zhangsudi发布了新的文献求助10
34秒前
36秒前
Krapanda发布了新的文献求助10
36秒前
37秒前
zh关闭了zh文献求助
38秒前
领导范儿应助活力的尔蓉采纳,获得10
41秒前
pluto应助科研通管家采纳,获得20
41秒前
zmnzmnzmn应助科研通管家采纳,获得10
41秒前
pluto应助科研通管家采纳,获得20
42秒前
42秒前
小马甲应助科研通管家采纳,获得10
42秒前
高分求助中
【此为提示信息,请勿应助】请按要求发布求助,避免被关 20000
Continuum Thermodynamics and Material Modelling 2000
Encyclopedia of Geology (2nd Edition) 2000
105th Edition CRC Handbook of Chemistry and Physics 1600
Maneuvering of a Damaged Navy Combatant 650
Периодизация спортивной тренировки. Общая теория и её практическое применение 310
Mixing the elements of mass customisation 300
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 物理 生物化学 纳米技术 计算机科学 化学工程 内科学 复合材料 物理化学 电极 遗传学 量子力学 基因 冶金 催化作用
热门帖子
关注 科研通微信公众号,转发送积分 3778882
求助须知:如何正确求助?哪些是违规求助? 3324413
关于积分的说明 10218351
捐赠科研通 3039488
什么是DOI,文献DOI怎么找? 1668198
邀请新用户注册赠送积分活动 798570
科研通“疑难数据库(出版商)”最低求助积分说明 758440