[论文解读] A Dynamic Mode Decomposition Extension for the Forecasting of Parametric Dynamical Systems

Francesco Andreuzzi, Nicola Demo+1 more|arXiv (Cornell University)|Oct 18, 2021

Model Reduction and Neural Networks被引用 4

一句话总结

该论文提出了一种数据驱动的动态模态分解（DMD）扩展方法，用于预测参数化动力系统，通过结合本征正交分解（POD）进行降维以及回归方法，以预测未测试参数配置和未来时间点的系统状态。该方法在离线-在线框架下实现了高精度、低成本的预测，且无需依赖模型方程，在线性、热传导和流体动力学问题上均表现出有效性。

ABSTRACT

Dynamic mode decomposition (DMD) has recently become a popular tool for the non-intrusive analysis of dynamical systems. Exploiting Proper Orthogonal Decomposition (POD) as a dimensionality reduction technique, DMD is able to approximate a dynamical system as a sum of spatial basis evolving linearly in time, thus enabling a better understanding of the physical phenomena and forecasting of future time instants. In this work we propose an extension of DMD to parameterized dynamical systems, focusing on the future forecasting of the output of interest in a parametric context. Initially all the snapshots -- for different parameters and different time instants -- are projected to a reduced space; then DMD, or one of its variants, is employed to approximate reduced snapshots for future time instants. Exploiting the low dimension of the reduced space the predicted reduced snapshots are then combined using regression techniques, thus enabling the possibility to approximate any untested parametric configuration in future. This paper depicts in detail the algorithmic core of this method; we also present and discuss three test cases for our algorithm: a simple dynamical system with a linear parameter dependency, a heat problem with nonlinear parameter dependency and a fluid dynamics problem with nonlinear parameter dependency.

研究动机与目标

• 实现对参数化动力系统中矢量场在未测试参数和未来时间点的精确预测。
• 扩展DMD框架以处理依赖参数的系统，同时保持其数据驱动、非侵入的特性。
• 通过利用降模态建模和降维空间上的回归，降低实时或迭代仿真中的计算成本。
• 利用问题特定知识稳定DMD算子，以提高长期预测精度。
• 提供一种独立于原始模型控制方程的框架，仅依赖高保真快照和参数。

提出的方法

• 使用本征正交分解（POD）将来自不同参数和时间点的高保真快照投影到降维空间。
• 对降维后的快照应用DMD，以预测所有测试参数在未来时间步的演化。
• 使用回归技术对未测试参数配置下的预测降维快照进行插值，实现泛化能力。
• 通过将回归预测的降维系数与POD基矩阵结合，重构全阶解。
• 利用问题特定知识稳定DMD算子，以提高长期预测精度并减少误差增长。
• 实现整体式（所有参数同时处理）和分组式（按参数分组）两种方法，以评估鲁棒性与精度之间的权衡。

实验结果

研究问题

• RQ1 DMD能否有效扩展以预测未测试参数和未来时间点的参数化动力系统？
• RQ2 所提方法的精度在多大程度上依赖于POD模态数量和回归策略？
• RQ3 与标准DMD相比，利用问题特定知识对DMD算子进行稳定化是否能提升长期预测性能？
• RQ4 在参数化系统中，整体式与分组式回归方法在精度和泛化能力方面有何差异？
• RQ5 该方法在具有非线性参数依赖关系的复杂系统（如Navier-Stokes流动）中，其泛化能力能达到何种程度？

主要发现

• 在圆柱绕流问题的尾迹区域，该方法实现了可接受的点态误差，靠近圆柱处误差较低，而向下游壁面方向误差逐渐增大，这是由于POD模态数量有限所致。
• 对于热传导问题，该方法提供了参数流形的稳定近似，但高维情况下因回归不准确导致误差增加。
• 前三个POD模态捕捉了参数范围内主导的结构特征，包括低参数下的静止模态和高参数下的波状模态。
• 整体式回归方法在精度上通常优于分组式方法，但后者在参数聚类明显时也具有可行性。
• 所提出的DMD算子稳定化方法显著提升了长期预测的精度，尤其在长时间预测中优于标准DMD。
• 该方法在在线阶段表现出强鲁棒性和低计算成本，适用于实时或迭代应用场景。