- 必威体育下载

姓名
邮箱
手机号码
标题
留言内容
验证码

摘要

流场的特征分析与表征研究对流动机理的明确具有重要意义. 然而湍流流场具有复杂的非定常时空演化特征, 对其流场数据的低维表征有一定困难. 针对此问题, 本文提出了基于流场时程数据深度学习方法的湍流低维表征模型, 实现了复杂流动数据的降维表征. 分别建立了基于一维线性卷积、非线性全连接和非线性卷积的自动编码方法, 对非定常时程数据进行降维并得到了低维空间到时域的解码映射关系, 实现了特征提取与压缩. 通过 Re= 2.2×10 ⁴的方柱绕流场进行了研究与验证, 结果表明: 时程深度学习方法可以有效地实现流场的低维表征, 适用于复杂湍流问题; 非线性一维卷积自编码器对复杂流场的表征准确性优于全连接和线性卷积方法. 本文方法是无监督训练方法, 可应用于基于一点的传感器数据处理中, 是研究复杂流场特征的新方法.

关键词:

Abstract

Flow analysis and low-dimensional representation model is of great significance in studying the complex flow mechanism. However, the turbulent flow field has complex and unstable spatiotemporal evolution feature, and it is difficult to establish the low-dimensional representation model for the flow big data. A low-dimensional representation model of complex flow is proposed and verified based on the flow time-history deep learning method. One-dimensional linear convolution, nonlinear full connection and nonlinear convolution autoencoding methods are established to reduce the dimension of unsteady flow time history data. The decoding mapping from low-dimensional space to time domain is obtained to build the representation model for turbulence. The proposed method is verified by using flow around the square clyinder with Re= 2.2×10 ⁴. The results show that the flow time-history deep learning method can be used to effectively realize the low-dimensional representation of the flow and is suitable for solving the complex turbulent flow problems; the nonlinear one-dimensional convolutional autoencoder is superior to the full connection and linear convolution methods in representing the complex flow features. The method in this work is an unsupervised training method, which can be widely used in single-point-based sensor data processing, and is a new method to study the characteristics of turbulence and complex flow problems.

Keywords:

作者及机构信息

1.
2.

通信作者:战庆亮,zhanqingliang@163.com

基金项目:国家自然科学基金(批准号: 51778495, 51978527)、桥梁结构抗风技术交通行业重点实验室(上海)开放课题(批准号: KLWRTBMC21-02)和中央高校基本科研业务费专项资金(批准号: 3132022189)资助的课题.

Authors and contacts

1.
2.

Corresponding author:Zhan Qing-Liang,zhanqingliang@163.com

Funds:Project supported by the the National Natural Science Foundation of China (Grant Nos. 51778495, 51978527), the Open Project of the Industry Key Laboratory of Bridge Structure Wind Resistance Technology (Shanghai), China (Grant No. KLWRTBMC21-02), and the Fundamental Research Funds for the Central Universities (Grant No. 3132022189).

文章全文: translate this paragraph

参考文献

[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]

施引文献

下载: 全尺寸图片幻灯片

名称	滤波器个数	非线性激活方法
Input	—	—
Conv 1	64	ReLU
Conv 2	32	ReLU
Conv 3	20	ReLU
Flatten layer	—	—
Dense layer	20	ReLU
Code layer	20	ReLU
Dense layer2	20000
Reshape layer	—	—
Conv_T 1	20	ReLU
Conv_T 2	32	ReLU
Conv_T 3	64	ReLU
Output	1	ReLU

下载: 导出CSV

名称	神经元数	非线性激活方法
Input	—	—
Dense 1	64	ReLU
Dense 2	32	ReLU
Dense 3	20	ReLU
Flatten layer	—	—
Dense layer	20	ReLU
Code layer	20	ReLU
Dense layer2	20000
Reshape layer	—	—
Dense 1	20	ReLU
Dense 2	32	ReLU
Dense 3	64	ReLU
Output	1	ReLU

下载: 导出CSV

流场参数	LCN-AE	MLP-AE	NCN-AE
流向速度	0.0554	0.0306	0.0104
横向速度	0.0532	0.0192	0.0076
展向速度	0.0621	0.0199	0.0039
速度绝对值	0.0585	0.0310	0.0122

下载: 导出CSV

[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
[17]
[18]
[19]
[20]
[21]
[22]
[23]

[1]	施岳, 欧攀, 郑明, 邰含旭, 王玉红, 段若楠, 吴坚.基于轻量残差复合增强收敛神经网络的粒子场计算层析成像伪影噪声抑制. 必威体育下载 , 2024, 73(10): 104202.doi:10.7498/aps.73.20231902
[2]	欧阳鑫健, 张岩星, 王之龙, 张锋, 陈韦嘉, 庄园, 揭晓, 刘来君, 王大威.面向铁电相变的机器学习: 基于图卷积神经网络的分子动力学模拟. 必威体育下载 , 2024, 73(8): 086301.doi:10.7498/aps.73.20240156
[3]	罗仕超, 吴里银, 常雨.高超声速湍流流动磁流体动力学控制机理. 必威体育下载 , 2022, 71(21): 214702.doi:10.7498/aps.71.20220941
[4]	朱琦, 许多, 张元军, 李玉娟, 王文, 张海燕.基于卷积神经网络的白蚀缺陷超声探测. 必威体育下载 , 2022, 71(24): 244301.doi:10.7498/aps.71.20221504
[5]	张航, 胡月姣, 陈嘉文, 修龙汪.程能映射下配光平移群的深度神经网络实现. 必威体育下载 , 2022, 71(13): 134201.doi:10.7498/aps.71.20220178
[6]	战庆亮, 葛耀君, 白春锦.基于深度学习的流场时程特征提取模型. 必威体育下载 , 2022, 71(7): 074701.doi:10.7498/aps.71.20211373
[7]	隋怡晖, 郭星奕, 郁钧瑾, Alexander A. Solovev, 他得安, 许凯亮.生成对抗网络加速超分辨率超声定位显微成像方法研究. 必威体育下载 , 2022, 71(22): 224301.doi:10.7498/aps.71.20220954
[8]	赵伟瑞, 王浩, 张璐, 赵跃进, 褚春艳.基于卷积神经网络的高精度分块镜共相检测方法. 必威体育下载 , 2022, 71(16): 164202.doi:10.7498/aps.71.20220434
[9]	董帅, 纪祥勇, 李春曦.横向磁场作用下Taylor-Couette湍流流动的大涡模拟. 必威体育下载 , 2021, 70(18): 184702.doi:10.7498/aps.70.20210389
[10]	黄伟建, 李永涛, 黄远.基于混合神经网络和注意力机制的混沌时间序列预测. 必威体育下载 , 2021, 70(1): 010501.doi:10.7498/aps.70.20200899
[11]	周静, 张晓芳, 赵延庚.一种基于图像融合和卷积神经网络的相位恢复方法. 必威体育下载 , 2021, 70(5): 054201.doi:10.7498/aps.70.20201362
[12]	徐启伟, 王佩佩, 曾镇佳, 黄泽斌, 周新星, 刘俊敏, 李瑛, 陈书青, 范滇元.基于深度卷积神经网络的大气湍流相位提取. 必威体育下载 , 2020, 69(1): 014209.doi:10.7498/aps.69.20190982
[13]	王晨阳, 段倩倩, 周凯, 姚静, 苏敏, 傅意超, 纪俊羊, 洪鑫, 刘雪芹, 汪志勇.基于遗传算法优化卷积长短记忆混合神经网络模型的光伏发电功率预测. 必威体育下载 , 2020, 69(10): 100701.doi:10.7498/aps.69.20191935
[14]	彭向凯, 吉经纬, 李琳, 任伟, 项静峰, 刘亢亢, 程鹤楠, 张镇, 屈求智, 李唐, 刘亮, 吕德胜.基于人工神经网络在线学习方法优化磁屏蔽特性参数. 必威体育下载 , 2019, 68(13): 130701.doi:10.7498/aps.68.20190234
[15]	吴然超.时滞离散神经网络的同步控制. 必威体育下载 , 2009, 58(1): 139-142.doi:10.7498/aps.58.139
[16]	楼旭阳, 崔宝同.混沌时滞神经网络系统的反同步. 必威体育下载 , 2008, 57(4): 2060-2067.doi:10.7498/aps.57.2060
[17]	王占山, 张化光.时滞递归神经网络中神经抑制的作用. 必威体育下载 , 2006, 55(11): 5674-5680.doi:10.7498/aps.55.5674
[18]	崔万照, 朱长纯, 刘君华.薄膜场发射开启电场的小波神经网络预测模型研究. 必威体育下载 , 2004, 53(5): 1583-1587.doi:10.7498/aps.53.1583
[19]	.神经网络的自适应删剪学习算法及其应用. 必威体育下载 , 2001, 50(4): 674-681.doi:10.7498/aps.50.674
[20]	于丽娟, 朱长纯.用人工神经网络预测场发射开启电场. 必威体育下载 , 2000, 49(1): 170-173.doi:10.7498/aps.49.170

计量

文章访问数:3501
PDF下载量:79
被引次数:0

搜索

留言板