[论文解读] Space-time registration-based model reduction of parameterized one-dimensional hyperbolic PDEs

Tommaso Taddei, Lei Zhang|arXiv (Cornell University)|Apr 14, 2020

Model Reduction and Neural Networks参考文献 51被引用 5

一句话总结

该论文提出了一种基于时空配准的模型降阶（MOR）方法，用于参数化的一维双曲型偏微分方程（PDE），此类方程因参数依赖的激波和间断而难以应用传统线性降阶模型。通过采用自适应时空配准将解特征对齐至固定参考域，再结合时空Galerkin-Petrov格式与超还原技术，该方法实现了高保真、快速的在线求解，显著提升了线性可压缩性并降低了投影误差，已在Burgers方程和浅水方程上得到验证，分别使用N=20和N=3个模态。

ABSTRACT

We propose a model reduction procedure for rapid and reliable solution of parameterized hyperbolic partial differential equations. Due to the presence of parameter-dependent shock waves and contact discontinuities, these problems are extremely challenging for traditional model reduction approaches based on linear approximation spaces. The main ingredients of the proposed approach are (i) an adaptive space-time registration-based data compression procedure to align local features in a fixed reference domain, (ii) a space-time Petrov-Galerkin (minimum residual) formulation for the computation of the mapped solution, and (iii) a hyper-reduction procedure to speed up online computations. We present numerical results for a Burgers model problem and a shallow water model problem, to empirically demonstrate the potential of the method.

研究动机与目标

• 解决因参数依赖的激波和间断导致参数化双曲型PDE解流形线性可压缩性差的问题。
• 开发一种拉格朗日非线性压缩技术，通过时空配准提升解流形的可压缩性。
• 通过超还原的时空Galerkin-Petrov格式与基于核的回归方法映射系数，实现在线快速计算。
• 在Burgers方程和浅水方程等基准双曲型问题上验证该方法的有效性。

提出的方法

• 一种自适应时空配准算法构建参数化时空变换Φμ，将解快照中的局部特征对齐至固定参考域。
• 解表示为Uμ ≈ bUμ ◦ Φ−1μ，其中bUμ = ZN bαμ，ZN为用于降阶状态的线性算子，Φμ = id + WM baμ为映射表达式。
• 对原始快照与映射后快照分别应用本征正交分解（POD），以计算降阶基ZN与映射基WM。
• 基于核的回归算法在线计算新参数值下的映射系数baμ。
• 采用时空Galerkin-Petrov（最小残差）格式高效计算降阶系数bαμ，并应用超还原技术加速在线组装过程。
• 该方法称为RePOD（配准POD），通过引入配准机制增强线性可压缩性，是标准POD的推广。

实验结果

研究问题

• RQ1 时空配准能否显著提升双曲型PDE中激波流形的线性可压缩性？
• RQ2 与标准POD相比，基于配准的压缩在投影误差与特征值衰减方面表现如何？
• RQ3 超还原的时空Galerkin-Petrov格式能否在保持精度的同时实现快速在线计算？
• RQ4 该方法在参数变化下对自相似结构与激波特性的保持程度如何？

主要发现

• 对于N=20模态的Burgers方程，与标准POD相比，时空配准使最大样本内投影误差降低超过90%，且配准后归一化POD特征值衰减更快。
• 该方法成功几乎将激波特性的位置在参数变化下“冻结”不变，Burgers方程与浅水方程的时空图均显示了这一点。
• 对于浅水方程，仅使用N=3个模态即可通过最优非线性重构bU optμ = ΠZN,μUμ实现高精度重构，证明了极高的压缩效率。
• 基于核的回归方法实现了映射系数的快速在线计算，支持高效的解评估。
• 超还原技术有效降低了在线组装成本，实现了高效的在线求解。
• RePOD框架推广了标准POD，适用于任何具有参数依赖激波的双曲型PDE系统，不限于特定模型。