POD-FNO方法用于高效且可解释地预测钝体周围的湍流流动
《BUILDING AND ENVIRONMENT》:POD-FNO for efficient and interpretable prediction of turbulent flow around bluff bodies
【字体:
大
中
小
】
时间:2026年07月07日
来源:BUILDING AND ENVIRONMENT 8.4
编辑推荐:
柯彦宇|刘俊乐|王一帆|陈文亮|胡刚|谢凯天|李辉中国香港特别行政区香港科技大学土木与环境工程系
摘要
准确预测湍流对于城市建筑环境而言至关重要。传统的降阶模型,如正交分解法,往往难以捕捉非线性时间动态,而近期基于机器学习的时空预测模型则存在训练成本高且物理可解释性有限的问题。
柯彦宇|刘俊乐|王一帆|陈文亮|胡刚|谢凯天|李辉中国香港特别行政区香港科技大学土木与环境工程系
摘要
准确预测湍流对于城市建筑环境而言至关重要。传统的降阶模型,如正交分解法,往往难以捕捉非线性时间动态,而近期基于机器学习的时空预测模型则存在训练成本高且物理可解释性有限的问题。为解决这些挑战,我们提出了一种基于正交分解法的傅里叶神经算子,该算法在具有可解释性的正交分解模态空间中描述动态,同时保留了神经算子的非线性表达能力。这一设计使得时间预测既准确又稳定,且计算效率大幅提升,尤其适用于数据量大的城市流动场景。该模型在多障碍体尾流区域进行了测试,并与FNO、长短期记忆网络、基于变换器的架构以及基于自编码器和正交分解法的降阶模型进行了比较。结果表明,POD–FNO有效结合了基于正交分解法的计算效率与FNO的更高精度和更强的长期稳定性,其性能始终优于其他时间预测模型。此外,我们还分析了计算复杂度,阐明了频谱卷积和模态截断如何提升效率。除了预测性能和效率之外,我们还通过分析模态重要性和耦合效应,研究了POD–FNO的物理可解释性,从而为理解复杂流动下的非线性时间动态提供了见解。该框架还被应用于多种多障碍体布局场景,展现了出色的性能和可扩展的效率。
引言
湍流具有极其复杂且不稳定的动态特性,给建模和预测带来了巨大挑战[1]。在实际工程应用中,这些挑战更为突出,例如风工程[2]、[3]、[4]和环境流体力学[5],在这些领域中,精确预测流场和气动载荷至关重要[6]。然而,使用高精度的数值模拟方法,如非稳态雷诺平均纳维-斯托克斯方程或大涡模拟,来处理这些复杂动态,在长时间范围内仍存在巨大的计算成本[7]、[8]。这一限制促使人们开发高效的降阶建模策略,以大幅降低计算成本的同时捕捉主要的流动动态。
降阶建模旨在通过低维子空间来表示高维非线性动力系统,同时保留原系统的核心物理特征[9]、[10]、[11]、[12]。在经典的降阶建模技术中,由[13]提出的正交分解法因其出色的能量捕获能力而被广泛采用。正交分解法将流场分解为正交的空间模态和相应的时间系数,从而为高维数据提供简洁的表示形式。尽管正交分解法能为高维流场提供高效的低维表示,但它本质上只是一种描述性技术,无法生成用于时间演化的预测模型。为此,人们发展出了频谱正交分解法和多尺度正交分解法等改进方法,以提高频率分辨率和尺度分离能力,进而更好地分析湍流尾流和复杂流动结构。不过,这些方法仍仅限于后续分析,若不引入额外的动力学模型,就无法直接推动降阶系统随时间发展[16]。为克服基于正交分解法的模型缺乏时间预测能力的缺陷,人们提出了正交分解-伽辽金法,该方法将控制方程投影到截断后的正交分解基上,从而得到一组简化的非线性动力方程[17]、[18]。尽管从理论上来看颇具吸引力,但由于未解决的非线性相互作用和截断误差,正交分解-伽辽金降阶模型在湍流预测中常常出现数值不稳定、相位漂移以及长期预测精度不足等问题[19]、[20]。为缓解这些局限,人们提出了各种稳定化和建模策略。Kitsios等人[21]引入了对称性约束和模态局部性假设,以降低正交分解-伽辽金降阶模型中与交互张量相关的计算复杂度。此外,人们还探索了基于数据驱动的方法,包括多层感知器和基于卷积神经网络的模型[22]、[23]、[24],以及物理信息神经网络[25]、[26]、[27],这些方法旨在提升非线性时间预测能力。
在这些发展的基础上,数据驱动学习在模拟和预测湍流动态方面展现出巨大潜力,尤其是在那些非线性特征极为显著的场景中,此时精确的时间演化预测依然十分困难[28]、[29]。在时间预测方面,循环神经网络,尤其是长短期记忆网络,为非线性和混沌动力学中的序列建模提供了理想的框架[30]、[31]。最近,人们开始探索基于变换器的架构,利用自注意力机制捕捉长距离依赖关系,从而用于时间预测[32]、[33]。为处理流场预测问题,后续研究还将空间结构纳入其中,以实现联合的时空建模。卷积循环模型将卷积与循环结构相结合,用于同时模拟局部空间相关性和时间演化[34]、[35]、[36]。与此同时,视觉变换器通过対空间块进行操作,使注意力机制能够适应流场特点,从而实现全局上下文建模[37]、[38]。尽管视觉变换器已展现出良好的性能,但基于注意力的架构由于存在与空间元素数量相关的二次方级计算复杂度,仍然具有较高的计算成本。除了传统的序列建模和时空建模方法之外,神经算子学习则着眼于学习函数空间之间的映射关系。在这些方法中,傅里叶神经算子因其能够在频谱域高效捕捉全局非线性相互作用而备受关注[39]、[40]。通过在截断后的傅里叶模态上学习非线性变换,傅里叶神经算子能够实现空间域和时间域内长距离依赖关系的稳定且高效建模,并已在多种复杂工程应用中展现出优异性能[5]、[41]。这些模型在预测非线性时空动态方面具有强大的表达能力,但通常需要处理全分辨率的流场数据。为进一步降低计算成本,人们广泛采用了基于自编码器的降维技术,将高维流场投影到低维潜空间中,从而在降维空间内实现高效的时间建模[42]、[43]。通过将自编码器与时间预测模型相结合,可以构建出紧凑且高效的降阶替代模型[36]、[44]。然而,由此产生的潜空间表示往往纯粹基于数据,缺乏清晰的物理可解释性。为解决这一问题,一些研究提出了结构化的潜空间表示方法,以提高可解释性。[45]提出了分层自编码器,通过多级重构策略按模态的贡献程度对潜空间模式进行排序。此外,[1]还采用了变分自编码器,通过概率正则化手段促进潜变量之间的解耦和近似正交性。不过,如此得到的潜空间依然主要以数据为依据,与基于物理原理的模态分解有本质区别。
现有的湍流预测降阶建模方法面临着物理可解释性、计算效率和非线性表达能力之间的根本权衡。传统的基于正交分解法的方法虽然能够提供高效且具有物理意义的模态表示,但却难以捕捉强非线性时间动态。相比之下,现代机器学习模型则为直接从数据中学习非线性动态提供了强大工具,但其高昂的训练成本和有限的物理可解释性也是不可忽视的问题。基于自编码器的降阶模型则采取了一种折中策略,即结合降维技术和数据驱动学习,但其产生的潜空间表示依然以数据为主,可解释性也低于传统的模态分解方法。从这个角度看,一种颇具吸引力的策略是保留正交分解法所提供的具有物理可解释性且计算效率高的模态结构,同时借助数据驱动模型来弥补其无法捕捉非线性时间动态的缺陷。先前的研究表明,将正交分解法与长短期记忆网络等序列学习模型相结合,相较于传统的伽辽金基方法,能够显著提升预测性能[6]、[46]、[47]。[48]则用数据自适应的正交分解基替换了神经算子中的傅里叶基,从而在保持正交分解法最优能量表示特性的同时,实现函数空间中高效的算子学习。正是基于这些考虑,人们提出了基于正交分解法的神经算子框架,该框架在保留正交分解法效率和可解释性的同时,还能实现高效且稳定的非线性时间建模。
在本研究中,我们提出了一种基于正交分解法的傅里叶神经算子,用于高效预测湍流的时间序列数据,尤其适用于存在强烈干扰效应的城市流动场景。该模型在受干扰影响的尾流区域进行了测试,并与三种建模策略进行了比较:全空间预测、基于自编码器的降维以及基于正交分解法的降维。我们还评估了FNO、ConvLSTM、视觉变换器及其降阶版本等代表性架构在预测精度和训练成本方面的表现。此外,我们还详细分析了计算复杂度,阐明了频谱卷积和模态截断如何提升基于FNO的架构的效率。在关注预测性能和效率之外,我们还在降阶空间内进行了可解释性分析,量化了各个正交分解模态及其非线性相互作用对预测误差的贡献。该框架还被应用于多种干扰场景,证明了其在大规模案例中的出色性能和可扩展的效率。本文的结构如下:第2节介绍了三种代表性的时间预测架构,以及基于自编码器和正交分解法的降阶模型的构建方法。第3节阐述了非稳态流场数据的生成过程及相关的预处理步骤。第4节对九种模型在三种降阶建模策略下的性能进行了系统比较,评估了它们的预测精度和训练成本。第5节和第6节进一步探讨了所提框架的计算复杂度和可解释性。第7节展示了该框架在多种场景下的可扩展预测能力。最后,第8节总结了本研究的主要成果。
片段摘录
时间预测模型与时空扩展
在本研究中,我们采用了几种代表性的数据驱动时间预测模型,用于学习湍流的时间演化规律。从统一的角度来看,所有时间预测模型都旨在近似描述从系统状态的有限历史信息到其未来演化状态之间的非线性映射关系,这一关系可抽象为一个非线性时间演化算子:
数据生成
基于上述整合后的降阶建模和时间预测模型框架,我们使用开源计算流体动力学软件OpenFOAM v-2206模拟了障碍体周围的非稳态流场。在OpenFOAM中,我们采用了厚度很小的三维计算域,并设置了相应的对称条件,这是进行准二维模拟的常用方法。在本研究中,障碍体被简化为……
时间预测模型性能
为评估不同预测模型在模拟非稳态尾流动态方面的性能,我们在相同的输入时间长度和预测时间范围内,对FNO、ConvLSTM和ViT三种基准模型进行了测试。所有模型均在单块NVIDIA A40 GPU上,使用AdamW优化器进行训练,批量大小为64,训练周期为100轮。所有神经网络模型的详细架构和超参数均总结在附录A.2中。图5展示了这三种模型的训练收敛情况……
计算复杂度分析
在第四节中,我们比较了九种时间预测模型在每轮训练中的耗时,从而展示了这些模型结合降阶建模技术后的计算效率。虽然实际耗时能够提供实用的参考信息,但它们并不能直接说明为何某些架构的效率更高。为了从结构层面更好地理解计算行为,我们对九种代表性模型的计算复杂度进行了分析。这一分析有助于我们更深入地理解模型架构……
从正交分解-伽辽金视角解读模型架构
利用公式(7)中介绍的截断正交分解表示方法,波动压力场可以被表示为正交空间模态及其对应的时间系数。通过伽辽金方法将控制方程投影到截断后的正交分解子空间中,就可以得到描述模态动态的一组常微分方程[17]、[18],其一般形式为:
其中,三阶张量表示正交分解模态之间的二次非线性相互作用……
在速度场及其他干扰场景中的应用
为进一步评估POD–FNO的泛化能力,我们将预测任务从局部的尾流区压力场扩展到了更大空间范围内的速度幅值场。图14展示了在一步 ahead时刻和较长时间跨度后的速度场预测结果。预测得到的流场分布与真实值非常吻合,且平均绝对误差也很小。这些结果表明,POD–FNO具备很高的预测精度……
结论
本研究提出了POD–FNO这种高效且具有物理可解释性的神经算子,可用于湍流的时间建模,尤其适用于存在强烈干扰效应的城市流动场景。通过结合基于正交分解法的降维技术与傅里叶神经算子的全球近似能力,POD–FNO能够在大幅降低训练成本的同时实现准确且稳定的时间预测,因此非常适合用于数据量大的城市流动场景。
CRediT作者贡献声明
柯彦宇:写作——审稿与编辑、写作——初稿撰写、可视化、验证、方法论、数据整理、概念构思。刘俊乐:写作——审稿与编辑、可视化、形式分析。王一帆:写作——审稿与编辑、形式分析、数据整理。陈文亮:写作——审稿与编辑、可视化、形式分析。耿虎:写作——审稿与编辑、监督、资源协调、项目管理、资金筹措。谢凯天:写作——审稿与编辑、利益冲突声明。作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢:本研究得到了中国国家自然科学基金(项目编号52441803,W2511050)、香港科技大学沿海城市气候韧性国家重点实验室(项目编号ITC-SKLCRCC26EG01)、香港研究资助局一般研究基金(项目编号16211821)以及深圳市科技计划(项目编号KJZD20230923115210021,GXWD20231129111527001)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号