.png){kind=icon}
返回
Observable-augmented manifold learning for multi-source turbulent flow data
.png){kind=icon}
PRE
AI
DOI：10.1017/jfm.2025.383.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究旨在寻求从多个来源获取的湍流流场数据的低秩表示。为了揭示这种表示，我们考虑寻找一个有限维流形，以捕捉湍流流场的基本结构和特征。虽然可以考虑采用非线性机器学习技术从流场数据中寻求低阶流形，但数据驱动的低阶表示之间存在无限多种变换，这导致难以在流形上理解湍流。当考虑将多源数据合并时，寻找能够捕捉湍流特征的流形变得更加困难，这是由于存在固有噪声或不确定性，以及流场快照中解析的空间-时间尺度差异，这取决于数据收集方法。以数值和实验数据集中的转捩湍流边界层为例，本研究采用基于可观测增强的非线性自编码器的压缩方法，实现了结合湍流先验知识的数据驱动特征提取。我们证明可以找到一个低秩子空间，不仅能捕捉跨雷诺数范围的流场结构特征，还能区分数据来源。结合基于机器学习的超分辨率技术，我们进一步论证，该流形可用于验证在不同技术收集的数据集上训练和评估现代数据驱动技术的结果。当前方法可为包括降复杂度建模和多源湍流流场数据的状态估计在内的一系列分析奠定基础。
Keyword:
machine learning
low-dimensional models
turbulent boundary layers
期刊
IF:
3.9
论文数:
2.0W
被引数:
9.4W
机构
引用论文
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 COMMUNICATIONS
OAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏分享收藏分享收藏Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏Aerodynamics-guided machine learning for design optimization of electric vehicles气动引导的机器学习在电动汽车设计优化中的应用
OAAI
OAAI分享收藏
查看更多内容