[论文解读] A higher-order ensemble/proper orthogonal decomposition method for the nonstationary Navier-Stokes equations

Max Gunzburger, Nan Jiang+1 more|arXiv (Cornell University)|Sep 16, 2017

Model Reduction and Neural Networks参考文献 10被引用 18

一句话总结

本文提出了一种针对非定常Navier-Stokes方程的二阶精度集合-本征正交分解（POD）方法，结合高阶时间积分与基于POD的降阶建模，以高效计算参数不确定性下的解集合。该方法在保持高精度与计算效率的同时，数值结果表明：当使用六阶POD模态时，L²误差低于0.005，并在低雷诺数流动中保持稳定与收敛。

ABSTRACT

Partial differential equations (PDE) often involve parameters, such as viscosity or density. An analysis of the PDE may involve considering a large range of parameter values, as occurs in uncertainty quantification, control and optimization, inference, and several statistical techniques. The solution for even a single case may be quite expensive; whereas parallel computing may be applied, this reduces the total elapsed time but not the total computational effort. In the case of flows governed by the Navier-Stokes equations, a method has been devised for computing an ensemble of solutions. Recently, a reduced-order model derived from a proper orthogonal decomposition (POD) approach was incorporated into a first-order accurate in time version of the ensemble algorithm. In this work, we expand on that work by incorporating the POD reduced order model into a second-order accurate ensemble algorithm. Stability and convergence results for this method are updated to account for the POD/ROM approach. Numerical experiments illustrate the accuracy and efficiency of the new approach.

研究动机与目标

• 开发一种更高阶的集合方法，以提升在参数不确定性下求解多个非定常Navier-Stokes方程实例时的计算效率。
• 将本征正交分解（POD）集成到二阶时间精度集合算法中，以在保持精度的同时降低计算成本。
• 通过提升时间精度，将先前的一阶集合-POD方法扩展至适用于长时间积分场景。
• 为新的二阶集合-POD公式建立稳定性与收敛性结果。

提出的方法

• 该方法在集合框架内采用二阶时间离散格式求解Navier-Stokes方程，通过单个具有多个右端项的线性系统同时求解所有集合成员。
• 对从高保真解生成的快照矩阵应用POD，以提取最具能量的空间模态，从而构建降阶模型的基底。
• 将Navier-Stokes方程在POD基底上进行Galerkin投影，得到降阶模型（ROM），显著减少自由度数量。
• 集合-POD算法在每个时间步求解降阶系统，利用块迭代求解器提升多右端项问题的效率。
• 稳定性与收敛性分析已扩展以考虑POD/ROM近似，确保方法的鲁棒性与准确性。
• 数值实验采用有限元方法，使用结构化网格与时间步长Δt = 0.01，快照每0.04秒采集一次。

实验结果

研究问题

• RQ1 能否有效结合二阶精度集合算法与基于POD的模型降阶，以高效求解非定常Navier-Stokes方程？
• RQ2 在时间演化过程中，集合-POD方法在速度、能量与涡量方面与全阶集合方法相比，其精度如何？
• RQ3 POD模态数量对集合平均解的L²误差有何影响？
• RQ4 当应用于超出训练范围的参数不确定性（外推）时，该方法是否仍能保持稳定与收敛？
• RQ5 计算成本如何随集合成员数量与POD基底维度的变化而变化？

主要发现

• 在示例1中，随着POD基底维数增加，集合平均速度的L²相对误差单调下降，使用六阶模态时达到0.004886。
• 当使用六阶POD模态时，EnB-POD与EnB-full方法计算得到的能量与涡量分布几乎无法区分，证实了方法的高精度。
• 即使对于远超出训练范围的扰动参数（ε = 0.2 至 1.0，而训练范围为ε = ±0.001），EnB-POD方法仍与EnB-full解保持良好一致性，表明其具有优异的外推性能。
• 该方法通过POD降低系统规模，同时保持二阶时间精度，实现了显著的计算节省。
• 快照矩阵的奇异值衰减表明，仅少数POD模态即可捕捉主导流动动力学，验证了降阶基底的有效性。
• 稳定性与收敛性结果已严格更新，以包含POD/ROM框架，确认了理论上的可靠性。