.png){kind=icon}
返回
Clustering the flow: a data-driven framework for pattern discovery in fluid dynamics
.png){kind=icon}
OA
AI
DOI：10.1017/flo.2026.10066.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
聚类技术为分析复杂流动动力学提供了强大的框架，同时降低了大规模模拟的计算成本。本文提出了一种基于向量量化主成分分析（VQPCA）的聚类方法，用于识别结构敏感性区域，即流动对扰动最敏感的区域。据作者所知，这是首次将VQPCA应用于流体动力学问题，以识别流动模式及动态相关区域。作为一种完全数据驱动的技术，该方法不依赖伴随方法，仅依赖直接模拟数据。该技术通过将流场划分为具有固有动力学的区域，提取主导流动特征。其有效性通过分析圆柱体尾流进行评估，其中识别的区域与先前确定的结构敏感性区域表现出强相似性。该方法在该配置的不同工况下的鲁棒性也得到了进一步评估。随后，该方法应用于两个平面合成射流的相互作用，以研究更复杂的流动动力学，并说明如何利用识别的区域指导流动控制策略。这些结果表明，基于聚类的方法作为分析复杂流动和识别小扰动能强烈影响全局动力学的区域的实用工具具有潜力。
Keyword:
instability control
low-dimensional models
nonlinear instability
phenomena in the physical world
wakes
