.png){kind=icon}
返回
Data-driven reduced-order models for transient temperature fields using dynamic mode decomposition
.png){kind=icon}
PRE
AI
DOI：10.1139/tcsme-2025-0127.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态模态分解（DMD）用于获得描述热系统中状态演化的降阶模型——无需了解材料属性、热载荷、边界条件或底层物理。具有曲面和复杂传热边界条件的系统以及具有多种热特性的系统的温度场，通过热成像相机获取。对于这两个系统，实验产生温度矩阵，每个矩阵都是时间的一个快照。时移数据矩阵作为DMD算法的输入，该算法获得系统的主导空间和时域模态，进而可用于构建降阶模型，用于状态估计和/或预测。瞬态热场重构误差在5%以内。此外，DMD模态可以缩放以产生边界条件变化的结果。该算法可以用几行代码实现，并且计算成本低。
Keyword:
reduced-order models
Koopman Operator
dynamic mode decomposition
thermal system
期刊
IF:
1
论文数:
58
被引数:
582
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容