[论文解读] Constrained Sparse Galerkin Regression

Jean-Christophe Loiseau, Steven L. Brunton|arXiv (Cornell University)|Nov 10, 2016

Model Reduction and Neural Networks参考文献 36被引用 6

一句话总结

本文提出了一种约束稀疏伽辽金回归方法，这是一种数据驱动的方法，通过结合本征正交分解与稀疏回归，在强制执行能量守恒的二次非线性等物理约束条件下，识别流体流动的非线性降阶模型。该方法在无需高保真求解器的情况下，实现了与传统伽辽金投影方法相当的精度，并能捕捉对建模截断模态至关重要的三次非线性项，在圆柱流和腔流案例中优于标准方法。

ABSTRACT

Although major advances have been achieved over the past decades for the reduction and identification of linear systems, deriving nonlinear low-order models still is a chal- lenging task. In this work, we develop a new data-driven framework to identify nonlinear reduced-order models of a fluid by combining dimensionality reductions techniques (e.g. proper orthogonal decomposition) and sparse regression techniques from machine learn- ing. In particular, we extend the sparse identification of nonlinear dynamics (SINDy) algorithm to enforce physical constraints in the regression, namely energy-preserving quadratic nonlinearities. The resulting models, hereafter referred to as Galerkin regression models, incorporate many beneficial aspects of Galerkin projection, but without the need for a full-order or high-fidelity solver to project the Navier-Stokes equations. Instead, the most parsimonious nonlinear model is determined that is consistent with observed mea- surement data and satisfies necessary constraints. Galerkin regression models also readily generalize to include higher-order nonlinear terms that model the effect of truncated modes. The effectiveness of Galerkin regression is demonstrated on two different flow configurations: the two-dimensional flow past a circular cylinder and the shear-driven cavity flow. For both cases, the accuracy of the identified models compare favorably against reduced-order models obtained from a standard Galerkin projection procedure. Present results highlight the importance of cubic nonlinearities in the construction of accurate nonlinear low-dimensional approximations of the flow systems, something which cannot be readily obtained using a standard Galerkin projection of the Navier-Stokes equations. Finally, the entire code base for our constrained sparse Galerkin regression algorithm is freely available online.

研究动机与目标

• 开发一种无需依赖全阶求解器的数据驱动框架，用于识别流体流动的非线性降阶模型。
• 在稀疏回归中强制执行物理约束——特别是能量守恒的二次非线性项——以提高模型保真度。
• 通过引入高阶非线性项，实现对截断模态的准确建模。
• 在典型流体动力学问题（圆柱绕流和剪切驱动腔流）上展示该方法的有效性。
• 提供一个免费的代码库，以支持可复现性，并推动该方法在流体动力学研究中的广泛应用。

提出的方法

• 结合本征正交分解（POD）进行降维与稀疏非线性动力学识别（SINDy）进行方程发现。
• 通过修改稀疏回归优化过程，强制模型结构与纳维-斯托克斯方程一致，从而施加物理约束——特别是能量守恒的二次非线性项。
• 将SINDy扩展以包含三次非线性项，以建模截断POD模态的影响，从而提升模型精度。
• 使用稀疏性调节参数λ平衡模型复杂度与数据拟合程度，通过决定性指标（如r²分数和非零系数数量）选择模型。
• 采用凸优化（如CVXOPT）高效且稳健地求解稀疏回归问题。
• 通过识别准确率与稀疏性之间的帕累托最优权衡进行模型选择，避免过拟合与欠拟合。

实验结果

研究问题

• RQ1 数据驱动的稀疏回归框架是否能够在保持关键物理约束的前提下，准确识别流体流动的非线性降阶模型？
• RQ2 在无法访问全阶方程的情况下，约束稀疏伽辽金回归在多大程度上能够复现高保真流体模拟的动力学行为？
• RQ3 三次非线性项如何影响降阶模型的精度？能否通过数据驱动方法有效捕捉这些项？
• RQ4 与无约束稀疏回归相比，强制实现能量守恒的二次非线性项是否能提升模型的稳定性和预测精度？
• RQ5 该方法是否能在不同流动构型（如钝体流和腔流）中实现泛化，且仅需极少先验知识？

主要发现

• 该约束稀疏伽辽金回归模型在无需高保真求解器的情况下，实现了与标准伽辽金投影方法相当的预测精度。
• 在雷诺数Re=100的二维圆柱流中，三次模型（B1）包含了显著的三次项，如a₁³（系数0.0053）和a₁a₂²（系数-2.487），这些项对捕捉动力学行为至关重要。
• 在雷诺数Re=4250的剪切驱动腔流中，三次模型（B2）包含了强烈的三次相互作用，如a₁a₂aΔ（系数0.2242）和a₂³（系数2.445），表明高阶项的重要性。
• 该方法成功通过a₁aΔ（系数13.53）和a₂aΔ（系数-13.53）等项识别出平均流畸变动力学，这些项对捕捉非平衡行为至关重要。
• 通过稀疏性调节参数λ进行模型选择时，在λ≈0.1处观察到帕累托前沿的拐点，表明进一步增加稀疏性将显著降低平均流方程的精度，揭示了精度与稀疏性之间的权衡。
• 整个算法与代码库均已公开，支持可复现性，并可推广至其他流体系统。