.png){kind=icon}
返回
Orbital cluster-based network modelling
.png){kind=icon}
OA
AI
DOI：10.1016/j.cpc.2025.109771.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种新颖的低阶框架，用于描述来自时间分辨快照数据的复杂多频流体动力学。其出发点是集群网络模型（CNM），因其完全可自动化的开发和人类可解释性而受到重视。我们的关键创新在于通过用跨越多个集群的短期轨迹（“轨道”）替换快照状态，更准确地建模集群间的转换，从而避免动力学重建中概率分布的非物理扩散。所提出的轨道CNM（oCNM）采用功能聚类对短期轨迹进行粗粒化。具体而言，不同的滤波技术导致不同的时间基展开，展示了oCNM适应多样流现象的灵活性和能力。oCNM在Stuart-Landau振荡器及其具有时变参数的瞬态后解上进行了演示，以测试其捕捉振幅选择机制和多频行为的能力。随后，oCNM被应用于不同雷诺数下的流体弹球，包括周期性、准周期性和混沌动力学。这种轨道聚焦的视角通过将高频行为纳入短时轨迹的运动学中，同时建模低频动力学，增强了复杂时变行为的理解。类似于标志着从纯空间模态向时空模态过渡的谱 Proper Orthogonal Decomposition，本研究推进了从分析时间局部状态到考察分段短期轨迹或轨道的转变。通过融合先进分析方法（如短期轨迹的功能表示与CNM的结合），本研究为剖析表征湍流系统的复杂动力学开辟了新途径。
Keyword:
Nonlinear dynamical systems
Reduced order modelling
Clustering
Periodic orbits
期刊
IF:
3.4
论文数:
1.2W
被引数:
3.7W
机构
引用论文
Hidden fluid mechanics: Learning velocity and pressure fields from flow visualizations.png)
Science
OAAI
ScienceIF0
OAAI分享收藏Discovering governing equations from data by sparse identification of nonlinear dynamical systems通过非线性动力系统的稀疏识别从数据中发现控制方程OAAI
OAAI分享收藏
查看更多内容