.png){kind=icon}
返回
Convolutional causal learning for aerodynamic flows
.png){kind=icon}
OA
AI
DOI：10.1017/jfm.2026.11699.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究旨在利用一种称为信息论机器学习的时间变分模态分解技术，从快照数据中捕捉空气动力学因果关系。当前方法提取随时间变化的有信息含量的涡结构，有助于空气动力系数的未来演化。目前的分解方法结合卷积神经网络，能够识别空间连续模态。此外，通过考虑基于自编码器的数据压缩，可以识别表征有信息含量的涡结构和对应空气动力系数的低阶表示。该技术应用于一系列空气动力学实例，包括极端涡-阵风翼型相互作用、实验测量的横向射流-机翼相互作用，以及不同雷诺数下的湍流分离尾迹。对于阵风-机翼相互作用案例，以可解释的方式提取了阵风效应对升力响应的时变影响。以湍流尾迹为例，识别了大规模涡运动与升力力之间的关系，无需任何空间长度尺度信息。所提出的方法可为一系列非定常流的数据驱动因果建模和控制提供基础。
Keyword:
machine learning
low-dimensional models
vortex interactions
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.9
论文数:
2.0W
被引数:
9.4W
机构
引用论文
分享收藏Grasping extreme aerodynamics on a low-dimensional manifold在低维歧管上掌握极端的空气动力学.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容