[论文解读] Shape optimization through proper orthogonal decomposition with interpolation and dynamic mode decomposition enhanced by active subspaces

Marco Tezzele, Nicola Demo+1 more|arXiv (Cornell University)|May 14, 2019

Model Reduction and Neural Networks被引用 6

一句话总结

该论文提出了一种非侵入式、数据驱动的船舶水动力学形状优化流程，结合主动子空间（AS）、动态模态分解（DMD）和带插值的本征正交分解（PODI），以加速球鼻艏阻力最小化。通过AS降低输入参数空间维度，并利用DMD和PODI提升仿真效率，该方法相较于全参数空间方法，实现了更快、更准确的降阶模型，且具有更优的奇异值衰减特性和插值性能。

ABSTRACT

We propose a numerical pipeline for shape optimization in naval engineering involving two different non-intrusive reduced order method (ROM) techniques. Such methods are proper orthogonal decomposition with interpolation (PODI) and dynamic mode decomposition (DMD). The ROM proposed will be enhanced by active subspaces (AS) as a pre-processing tool that reduce the parameter space dimension and suggest better sampling of the input space. We will focus on geometrical parameters describing the perturbation of a reference bulbous bow through the free form deformation (FFD) technique. The ROM are based on a finite volume method (FV) to simulate the multi-phase incompressible flow around the deformed hulls. In previous works we studied the reduction of the parameter space in naval engineering through AS [38, 10] focusing on different parts of the hull. PODI and DMD have been employed for the study of fast and reliable shape optimization cycles on a bulbous bow in [9]. The novelty of this work is the simultaneous reduction of both the input parameter space and the output fields of interest. In particular AS will be trained computing the total drag resistance of a hull advancing in calm water and its gradients with respect to the input parameters. DMD will improve the performance of each simulation of the campaign using only few snapshots of the solution fields in order to predict the regime state of the system. Finally PODI will interpolate the coefficients of the POD decomposition of the output fields for a fast approximation of all the fields at new untried parameters given by the optimization algorithm. This will result in a non-intrusive data-driven numerical optimization pipeline completely independent with respect to the full order solver used and it can be easily incorporated into existing numerical pipelines, from the reference CAD to the optimal shape.

研究动机与目标

• 开发一种非侵入式、高效且可靠的船舶船体形状优化数值流程，特别针对DTMB 5415球鼻艏。
• 通过集成降阶建模（ROM）技术与几何参数化方法，降低高保真流场仿真计算成本。
• 通过预处理参数空间以识别影响总阻力的主要输入变化，利用主动子空间（AS）提升ROM的精度与效率。
• 通过PODI对降阶系数进行插值，实现在未尝试过的几何形状上实时求解近似。
• 在降阶模型精度与插值质量方面，证明AS增强方法相较于标准PODI在全参数空间上的优越性。

提出的方法

• 通过自由形式变形（FFD）实现船体几何参数化，利用少量控制参数实现平滑、可控的形状变化。
• 通过分析总阻力阻力对输入参数的梯度，计算主动子空间（AS），识别出能捕捉目标函数大部分变化的低维子空间。
• 对少量高保真流场仿真快照应用动态模态分解（DMD），加速达到稳态流场状态，减少每项仿真所需的时间步数。
• 带插值的本征正交分解（PODI）通过从高保真解快照中计算POD模态，再对新参数值下的降阶系数进行插值，构建降阶模型。
• 完整流程整合了FFD用于几何建模，DMD用于仿真加速，AS用于参数空间降维，PODI用于实时求解重构，且无需修改全阶求解器。
• 该方法为非侵入式，与全阶模型完全解耦，可轻松集成至现有工业CFD工作流中。

实验结果

研究问题

• RQ1 主动子空间能否在保留阻力预测精度的前提下，有效降低船舶船体形状优化中输入参数空间的维度？
• RQ2 在降阶建模的背景下，DMD如何提升高保真流场仿真的效率？
• RQ3 将AS与PODI结合是否能导致POD奇异值更快衰减，表明对解流形的表示更紧凑、更精确？
• RQ4 在形状优化背景下，PODI在全参数空间采样与AS引导采样下的插值精度有何差异？
• RQ5 所提出的流程能否在极少依赖高保真仿真的情况下，实现可靠且快速的形状优化？

主要发现

• 基于AS引导采样策略训练的PODI模型，其奇异值衰减显著快于全参数空间方法，表明降阶表示更紧凑、更精确。
• POD+AS方法的奇异值衰减（图5中虚线红线）快于标准POD方法（实线蓝线），尤其在前几阶模态中，证实了模型效率的提升。
• 在AS降维后的参数空间中，降阶系数的插值更加准确且稳定，因为问题从五维多变量问题简化为单变量问题。
• DMD的使用通过实现早期收敛至稳态流场状态，减少了每项仿真所需的时间步数，从而加速了高保真仿真阶段。
• 整体流程实现了非侵入式、数据驱动的优化框架，独立于全阶求解器，可直接集成至现有工业CFD工作流中。
• AS、DMD与PODI的结合，形成了更鲁棒、更高效的优化循环，显著降低了计算成本，并提升了求解近似精度。