[論文レビュー] Sparse reduced-order modeling : Sensor-based dynamics to full-state estimation

Jean-Christophe Loiseau, Bernd R. Noack+1 more|HAL (Le Centre pour la Communication Scientifique Directe)|Jun 12, 2017

Model Reduction and Neural Networks被引用数 14

ひとこと要約

本稿では、時間分解能のあるセンサデータをスパースな非線形力学系に変換することで、予測可能で解釈可能な動的システムを構築するスパース低次元モデル化フレームワークを提案する。スパース非線形力学の同定（SINDy）を用い、センサ特徴量を動的空間にアップラップすることで、全状態推定の高精度を達成している。さらに、任意のPIVスナップショットを用いて、速度場への局所的線形マッピングを構築し、伝統的なPODガレルキンモデルを上回る性能を発揮している。これは、乱流の発生を伴う円柱の流れの過渡状態シミュレーションにおいて確認された。

ABSTRACT

We propose a general dynamic reduced-order modeling framework for typical experimental data: time-resolved sensor data and optional non-time-resolved PIV snapshots. This framework contains four steps. First, the sensor signals are lifted to a dynamic feature space. Second, we identify a sparse human-interpretable nonlinear dynamical system for the feature state based on the sparse identification of nonlinear dynamics (SINDy). Third, if PIV snapshots are available, a local linear mapping from the feature state to velocity fields is shown to be orders of magnitudes more accurate than optimal modal expansions of the same order. Fourth, a generalized feature-based modal decomposition identifies coherent structures that are most dynamically correlated with the linear and nonlinear interaction terms in the sparse model, adding interpretability. Steps 1 and 2 define a black-box model. Optional steps 3 and 4 lift the black-box dynamics to a 'gray-box' model of the coherent structures, if non-time-resolved full-state data is available. This gray-box modeling strategy is successfully applied to the transient and post-transient laminar cylinder wake, and compares favorably with a POD model. We foresee numerous applications of this highly flexible modeling strategy, including estimation, prediction and control. Moreover, the feature space may be based on intrinsic coordinates, which are unaffected by a key challenge of modal expansion: the slow change of low-dimensional coherent structures with changing geometry and varying parameters.

研究の動機と目的

• 全状態測定が得られない限られた実験的センサデータから、正確で解釈可能な低次元モデルを構築する課題に対処すること。
• 過渡現象、パrameter変動、遅い構造的変形に対処できない伝統的なPODガレルキンモデルの限界を克服すること。
• 全状態PIVデータが利用可能になると、ブラックボックスのセンサモデルから、一貫性のある構造を有するグレイボックスモデルに移行可能な柔軟でデータ駆動型のフレームワークを構築すること。
• 推定、予測、制御に適した、ロバストでスパースかつ物理的に解釈可能な力学的モデルを、流体力学的システムに適用可能とする。

提案手法

• ユーザー定義または内在的な座標を用いて、時間分解能のあるセンサ信号を動的特徴空間にアップラップし、モデルの表現力を向上させる。
• スパース非線形力学の同定（SINDy）アルゴリズムを適用し、特徴状態を支配するスパースで非線形な力学系を同定することで、解釈可能性と低次元性を確保する。
• 時間分解能のないPIVスナップショットを用いて、特徴状態から全速度場への局所的線形マッピングを構築し、標準的なPOD展開と比較して1000倍以上の精度を達成する。
• 一般化された特徴ベースのモーダル分解を実施し、SINDyモデル内の線形および非線形項と最も相関の高いコherent構造を同定することで、物理的解釈可能性を向上させる。
• エネルギー保存などの物理的制約をSINDy同定プロセスに統合することで、モデルの安定性と性能を向上させる。
• 本フレームワークをRe=100の非定常的かつ過渡的な層流円柱の流れに適用し、PODガレルキンモデルと比較して性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 時間分解能のあるセンサデータのみから、スパースで解釈可能な非線形力学系を直接同定できるか？
• RQ2 時間分解能のないPIVスナップショットをどのように活用することで、低次元センサベースモデルからの全状態再構成精度を向上させられるか？
• RQ3 提案されたフレームワークは、標準的なPODガレルキンモデルに比べて、過渡および過渡後動的挙動をどの程度よく捉えられるか？
• RQ4 特徴ベースのモーダル分解により、物理的に意味のあるコherent構造を明らかにできるか？
• RQ5 SINDy同定プロセスに物理的制約を組み込むことで、モデルの精度と安定性にどのような影響が生じるか？

主な発見

• SINDyに基づくセンサモデルは、層流円柱の流れの過渡的挙動を正確に捉えており、直接数値シミュレーションとの予測が密接に一致している。
• PIVスナップショットの導入により、特徴状態から速度場への局所的線形マッピングが構築され、同等次数のPOD展開と比較して1000倍以上の精度を達成した。
• 物理的考察に基づいて制約を加えた立方体SINDyモデルは、非制約モデルおよび低次のモデルを上回り、AICc基準に従って最良の適合を得た。
• 一般化された特徴ベースのモーダル分解により、スパースモデル内の線形および非線形項と最も相関の高いコherent構造が成功裏に同定され、解釈可能性が向上した。
• 本フレームワークはノイズの多いデータに対してもロバストであり、幾何形状やパrameterが変化するシステムにも適用可能である。これは、特徴空間がゆっくりとした構造的変化に対して不変であるためである。
• 離散時間SINDy定式化により、安定で1次元のスパースベクトル自己回帰モデルが同定され、円柱の流れの位相空間軌道を正確に予測できた。