利用长短期记忆神经网络的改进POD-Galerkin降阶模型及其在流场预测中的应用

张译文; 王志恒; 邱睿贤; 席光

西安交通大学学报 ›› 2024, Vol. 58 ›› Issue (2) : 12 -21.

张译文, 王志恒, 邱睿贤, 席光

作者信息 +

Author information +

文章历史 +

摘要

针对标准POD-Galerkin降阶模型在流场快速预测中存在误差而导致精度不高的问题，提出了一种利用长短期记忆神经网络的改进POD-Galerkin降阶模型。使用本征正交分解对流场进行降维，投影得到低维降阶模型，引入两个长短期记忆神经网络，建立从POD-Galerkin降阶模型到实际POD模态时间系数之间的修正映射、低阶模态时间系数与高阶模态时间系数之间的扩展映射，分别用于消除标准POD-Galerkin降阶模型的误差累积和扩展降阶模型的阶数，从而实现物理驱动与数据驱动混合的流动降阶模型的构建。将改进POD-Galerkin降阶模型应用于二维圆柱绕流的流场预测，通过与原始标准POD-Galerkin降阶模型的对比，分析了所提模型的精度和计算速度。结果表明：添加神经网络修正项后的降阶模型相较于标准POD-Galerkin降阶模型，有效提升了降阶模型的精度，预测各阶模态时间系数的均方根误差能够减小1～2个数量级，预测的流场更接近原始流场；在预测相同阶数的情况下，计算时间显著减小，基于4阶和6阶扩展的8阶改进降阶模型相较于原始8阶POD-Galerkin降阶模型预测速度分别提高了约56%和25%。