利用POD-Informer结合迁移学习和有限域涡量-矩理论进行的数据驱动振动诱导损伤(VIV)预测

《Ocean Engineering》:Data-driven prediction of VIV via POD-Informer with transfer learning and finite-domain vorticity-moment theory

【字体: 大 中 小 】 时间:2026年08月28日 来源:Ocean Engineering 6.3

编辑推荐:

  • 一个高效的POD-Informer框架,通过迁移学习增强了尾流预测的能力。• 有限域涡度-矩理论能够从预测的尾流中恢复流体动力应力。• 横向一致性条带策略实现了高效的3D立管涡激振动(VIV)预测。• 该框架相对于计算流体动力学(CFD)将计算成本降低了98.6%。 引言

  • 一个高效的POD-Informer框架,通过迁移学习增强了尾流预测的能力。• 有限域涡度-矩理论能够从预测的尾流中恢复流体动力应力。• 横向一致性条带策略实现了高效的3D立管涡激振动(VIV)预测。• 该框架相对于计算流体动力学(CFD)将计算成本降低了98.6%。

引言
涡激振动(VIV)响应分析是一个典型的流固耦合(FSI)问题,对于保证海底立管系统的结构完整性和运行可靠性至关重要(Qu等人,2022年)。现有研究主要采用计算流体动力学(CFD)、半经验模型和机器学习(ML)等方法来预测VIV响应(Zaman等人,2025年;Wu等人,2022年;Xu等人,2008年;Hu等人,2024年;Fu等人,2024年;Liao等人,2025年)。其中,高保真的CFD和双向FSI模拟提供了可靠的准确性,但计算成本较高,在研究复杂的多物理场耦合问题时,这种高成本成为进一步工程应用的关键瓶颈(Taira等人,2018年;Lu等人,2026年;Long等人,2025年)。因此,迫切需要数据驱动的降阶替代方法,这些方法在保持准确性的同时大幅降低成本,而擅长从大量数据中提取潜在模式的ML方法成为自然的选择(Wu等人,2026年)。流场动态特性和振动响应是VIV研究的两个核心方面(Gao等人,2023年;Kim和Kim,2022年;Cao等人,2025年;Li等人,2025年)。本研究提出了一个预测框架,该框架结合了降维方法和ML,以预测尾流有限区域内的涡旋的时空演变。在此基础上,随后预测作用在结构上的流体动力应力和振动响应。

为了从高维流数据中提取既有物理意义又在能量上占主导地位的表示,并将它们嵌入到潜在空间中,已经开发了多种降维方法,大致分为线性和非线性方法(Mendez,2023年)。线性方法包括经典技术,如动态模态分解(DMD)(Wang等人,2025年;SCHMID,2010年)、适当正交分解(POD)(Riches等人,2018年;Feng等人,2011年;Sui等人,2025年)和谱适当正交分解(SPOD)(Lario等人,2022年)。非线性方法包括卷积自编码器(CAE)(Gonzalez和Balajewicz,2018年)、局部线性嵌入(LLE)和其他流形学习技术(Wang等人,2024a)。DMD提供了一个具有明确模态频率的线性算子,但其线性限制了其对强非线性、瞬态主导的涡旋演化的外推能力,这种演化是锁定状态的特征。最近的研究将β-变分自编码器与变换器结合,为湍流流动提供了紧凑且近乎正交的潜在表示(Wang等人,2024b;Solera-Rico等人,2024年)。值得注意的是,这些模型学习到的解耦特征与POD获得的特征非常相似,但这些方法需要更大的训练数据集,这限制了它们在小样本条件下的使用(Csala等人,2022年)。相比之下,尽管POD本质上是线性的,但它提供了明确的物理可解释性,包括模态能量与特征值之间的直接对应关系。此外,它建立了截断阶数与重建误差之间的定量关系,这导致其在流体系统中识别主导相干结构方面得到广泛应用(Berkooz等人,2003年)。基于这些原因,POD提供了一个可解释的、能量排序的且数据高效的基。因此,它被选为降维的基础,而非线性的建模则委托给时间预测器。

建模低维系数的时间演化是关键组成部分(Lario等人,2022年;Zhu等人,2024年;Wang等人,2019年)。循环架构,如长短期记忆(LSTM)和门控循环单元(GRU)网络已被广泛用于非稳态尾流和VIV预测。例如,Liao等人(2025年)将立管模态特征与LSTM结合以预测VIV响应,而Lario等人(2022年)从LSTM预测的潜在空间重建了可压缩射流的时空演变。然而,这类循环模型在长时间范围内容易积累误差,并且训练并行性有限,提出的混合卷积-循环网络常常结构复杂(Qiu等人,2024年)。标准Transformer通过自注意力减轻了长距离依赖性,但其全注意力会导致计算复杂性随序列长度呈二次增长,这对于长VIV时间历史来说成本高昂。物理信息神经网络(PINNs)将控制方程直接嵌入损失函数,并已成功应用于VIV(Li等人,2025年;Yin和Ong,2025年;Kharazmi等人,2021年)。然而,PINNs对损失项加权敏感,并且在处理刚性、多尺度FSI问题时存在训练和收敛困难(Zhu等人,2025年;Krishnapriyan等人,2021年)。为了保留注意力的长序列建模能力同时降低其计算负担,本研究采用了Informer模型(Zhou等人,2020年),其ProbSparse自注意力降低了复杂性,其生成式解码器可以在单次前向传播中预测整个时间范围。通过设计,这种并行的、一次性的解码避免了循环预测器的误差积累和全注意力的二次成本,同时不需要PDE残差项,从而避免了PINNs在多尺度FSI问题中报告的收敛困难。

除了预测模型本身外,跨操作条件的泛化以及物理一致载荷的恢复对于工程应用至关重要。迁移学习已成为数据驱动流体力学中的重要策略,用于减少目标域数据需求和训练成本,同时提高模型适应性(Sotto-Mayor和Kalech,2024年;Vinuesa,2024年)。Lee和Kim(2026年)采用了基于半监督的迁移学习方案进行长跨度桥梁的点态VIV检测,Tang等人(2022年)将迁移学习与PINN结合,从一部分训练数据中重建VIV流动和结构信息。然而,这些研究仅限于流场或结构重建,没有从预测流到最终流体动力载荷的闭环。为了弥合这一差距,本研究采用了有限域涡度-矩理论。大量工作已经建立了涡旋结构演变与物体流体动力特性之间的关联(Li等人,2024年)。Wu等人(WU等人,2007年)应用了导数-矩变换来根据Lamb向量推导物体的积分力(Rousseaux等人,2007年),从而明确了控制流体动力学的关键流结构,Zhu等人(2026年)使用Lamb向量分析量化了局部流结构对VIV的贡献。本研究利用这一理论将预测的流场演变映射到流体动力应力,进而映射到VIV响应,形成了一个完整的数据驱动链。

尽管取得了这些进展,数据驱动VIV建模中仍存在两个空白。首先,大多数降阶替代方法分别针对流场重建/反演或结构响应预测,两者之间缺乏物理上的一致联系。其次,很少涉及跨操作条件的泛化,因为大多数替代方法是在单一流动条件下进行训练和评估的。为了解决上述问题,本研究将POD-Informer预测器与迁移学习策略和有限域涡度-矩理论结合起来,并通过流场误差、力-响应相位、流体动力工作和横向载荷一致性来评估模型。第2节定义了二维(2D)和三维(3D)数值模型的几何设置、计算域和边界条件,并概述了整体研究程序。第3节介绍了控制方程、POD方法、Informer模型策略和有限域涡度-矩理论。第4节进行了数值方法验证,并进一步研究了有限域选择对反演流体动力结果的影响。第5节首先系统地分析了不同流场中不同刚性圆柱体的VIV响应特性,并分别使用机器学习和迁移学习范式构建了预测模型。随后,所提出的模型被扩展用于预测柔性立管的VIV响应,系统地评估了模型的预测准确性和计算效率。最后,第6节总结了从本研究得出的主要结论,同时概述了未来的研究方向。

问题描述
假设流体是不可压缩且密度恒定的,2D和3D数值模型如图1(a和b)所示。原点建立在刚性圆柱体的中心位置(或立管底部)。定义了一个笛卡尔坐标系(O-xyz),其中x轴与流动方向对齐,y轴对应于横流方向,z轴与立管的纵轴重合。

计算域最初使用有限体积法离散化。基于质量和动量守恒的原则,控制框架基于雷诺平均纳维-斯托克斯(RANS)方程。这些方程如下:
?ui/?xi = 0
?ρfui/?t + ?ρfui·uj/?xi
-j?2ui/?xj - ?p/?xi + μ?2ui′/?xj

数值模型的验证
在本研究中,进行了系统的验证,以确立所有训练和测试数据所基于的仿真数据库的可靠性。所有关键求解器设置汇总在表2中供参考。此外,为了准确解析近壁流动,在圆柱体(或立管)表面生成了边界层网格,使用y+参数约为1,网格增长率为约1.15。

SST k-ω模型考虑了具有不同质量比的刚性圆柱体的湍流剪切应力和VIV响应特性。

获取训练数据是构建机器学习框架的关键步骤。在本研究中,首先使用CFD方法分析了具有不同质量比m*的2-DOF刚性圆柱体的VIV响应特性。选定的质量比参数列在表10中,圆柱体的质量阻尼参数在所有情况下保持不变,为m*ξ=0.013。从每种情况获得的流场的时空演变数据作为训练样本。

结论
本研究采用了一种数据驱动的方法,将适当正交分解(POD)降阶建模与有限域涡度-矩理论相结合,应用机器学习和迁移学习技术来预测二维刚性圆柱体的涡激振动(VIV)行为。在此基础上,提出的预测框架逐步扩展到预测复杂三维流场中柔性立管的振动响应。

作者贡献声明
Qing-Yang Li:形式分析、方法论、软件、验证、可视化、撰写——原始草案。
Peng-Nan Sun:资金获取、资源、监督、撰写——审稿与编辑。
Tian-Yu Gao:方法论、可视化。
Nian-Nian Liu:软件、监督。

利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢
本研究得到了中国国家重点研发计划(项目编号2022YFC2806300)的支持。

Qing-Yang Li | Peng-Nan Sun | Tian-Yu Gao | Nian-Nian Liu
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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