[论文解读] Data-driven modal decomposition methods as feature detection techniques for flow problems: a critical assessment

Beka Begiashvili, Nourelhouda Groun+3 more|arXiv (Cornell University)|Dec 23, 2022

Model Reduction and Neural Networks被引用 4

一句话总结

本文对八种数据驱动的模态分解技术——POD、DMD、FFT、SPOD、HODMD、mPOD、mrDMD 和 Resolvent Analysis——在流体流动特征检测中的应用进行了全面且公平的比较。研究评估了这些方法在层流、湍流和瞬态流动情况下的性能，结果表明重建精度和计算效率因方法和流动状态而异，其中HODMD和SPOD在复杂场景中表现出更优的鲁棒性。

ABSTRACT

Modal decomposition techniques are showing a fast growth in popularity for their good properties as data-driven tools. There are several modal decomposition techniques, yet Proper Orthogonal Decomposition (POD) and Dynamic Mode Decomposition (DMD) are considered the most demanded methods, especially in the field of fluid dynamics. Following their magnificent performance on various applications in several fields, numerous extensions of these techniques have been developed. In this work we present an ambitious review comparing eight different modal decomposition techniques, including most established methods: POD, DMD and Fast Fourier Trasform (FFT), extensions of these classical methods: based on time embedding systems, Spectral POD (SPOD) and Higher Order DMD (HODMD), based on scales separation, multi-scale POD (mPOD), multi-resolution DMD (mrDMD), and based on the properties of the resolvent operator, the data-driven Resolvent Analysis (RA). The performance of all these techniques will be evaluated on three different testcases: the laminar wake around cylinder, a turbulent jet flow, and the three dimensional wake around cylinder in transient regime. First, we show a comparison between the performance of the eight modal decomposition techniques when the datasets are shortened. Next, all the results obtained will be explained in details, showing both the conveniences and inconveniences of all the methods under investigation depending on the type of application and the final goal (reconstruction or identification of the flow physics). In this contribution we aim on giving a -- as fair as possible -- comparison of all the techniques investigated. To the authors knowledge, this is the first time a review paper gathering all this techniques have been produced, clarifying to the community what is the best technique to use for each application.

研究动机与目标

• 为流体流动分析中的八种数据驱动模态分解技术提供公平且系统的比较。
• 评估每种方法在不同流动状态下重建流场和识别底层物理机制的有效性。
• 基于重建误差、计算成本和物理解释性，明确每种技术的优势与局限性。
• 为实践者在流场重建或特征检测等特定应用中选择最优方法提供指导。
• 建立统一的模态分解技术比较框架，以弥补现有文献中缺乏全面综述的不足。

提出的方法

• 本研究采用三个基准流动案例（层流尾迹、湍流射流和三维瞬态圆柱尾迹）评估八种方法：POD、DMD、FFT、SPOD、HODMD、mPOD、mrDMD 和 Resolvent Analysis。
• 通过原始流场与重建流场之间差值的Frobenius范数量化重建精度，并利用最小二乘法幅度估计最小化误差。
• DMD和HODMD的幅度计算采用直接投影（公式37）和全矩阵优化（公式39）两种方式，后者因精度更优而被优先采用。
• 对于HODMD，通过SVD计算伪逆求解超定方程组以获得幅度，同时采用利用矩阵结构的替代公式以降低内存占用。
• 采用基于增长率的判据（公式46）对DMD模态按其物理相关性进行排序，综合考虑幅度与时间动态特性。
• 在三个不同数据长度的测试案例中评估各方法的性能，重点关注重建误差与计算时间。

实验结果

研究问题

• RQ1 在不同流动状态（层流、湍流、瞬态）下，哪种模态分解方法能实现最高的重建精度？
• RQ2 在大规模数据集下，八种方法的计算成本和内存需求如何变化？
• RQ3 不同的幅度计算策略（如公式37与公式39）在多大程度上影响DMD和HODMD重建的精度？
• RQ4 与经典POD和DMD相比，SPOD、HODMD、mPOD和mrDMD等扩展方法在捕捉多尺度或瞬态流动特征方面表现如何？
• RQ5 Resolvent Analysis在识别相干结构方面相对于传统模态分解技术的相对性能如何？

主要发现

• 在二维层流尾迹案例中，HODMD采用公式(39)计算幅度时实现了最低的重建误差 $5.85 \times 10^{-13}$，显著优于其他方法。
• 基于全矩阵投影的方法（公式39）相比基于快照的方法（公式37）将重建误差降低了六个数量级，后者误差为 $1.64 \times 10^{-6}$。
• 在三维圆柱尾迹案例中，SPOD和HODMD在捕捉瞬态和多尺度特征方面表现出更优的鲁棒性，尤其在数据有限的情况下。
• 最精确的幅度计算方式（公式39）的计算时间为 $6.53 \times 10^{-4}$ 秒，表明高精度可实现极低的计算开销。
• 基于增长率的判据（公式46）成功识别出湍流通道流中主导的、寿命较长的模态，即使其幅度适中。
• Resolvent Analysis与DMD和POD模态表现出高度相似性，尤其在识别湍流射流中的相干结构方面表现良好，但其计算成本高于标准DMD。