.png){kind=icon}
返回
Data–physics fusion for complex fluid systems based on Physics-Constrained Dynamic Mode Decomposition
.png){kind=icon}
PRE
AI
DOI：10.1002/aic.70170.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
标准动态模态分解（DMD）在复杂流体流动建模中应用时，常因噪声数据和平移运动等问题导致高误差和非物理结果。同时，纯基于物理的数值方法虽能提供高精度，但计算成本高昂。为弥合这一差距，本文提出了一种基于物理约束的动态模态分解（PCDMD）框架，通过将控制物理定律整合到DMD中，并利用卡尔曼校正来约束预测结果。该混合方法在保持DMD速度的同时，通过确保预测结果符合底层物理规律来提升精度。我们对PCDMD在复杂度递增的流动问题中进行了系统性评估，包括顶盖驱动腔流动、伴有浓度输运的圆柱绕流，以及气泡上升系统。在每种情况下，PCDMD均显著提升了预测精度和物理一致性。通过平衡数据驱动建模与物理校正，PCDMD在数据不完善或物理方程存在偏差时仍能保持鲁棒性。
Keyword:
data-driven
dynamic mode decomposition
physics-informed prediction
期刊
IF:
4
论文数:
1.1W
被引数:
2.9W
机构
引用论文
.png){kind=icon}
Physics-informed learning of chemical reactor systems using decoupling-coupling training framework使用解耦耦合训练框架对化学反应器系统进行物理学习
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏
分享收藏Higher-order dynamic mode decomposition on-the-fly: A low-order algorithm for complex fluid flows
PREAI
分享收藏
查看更多内容