[论文解读] Deep learning-based reduced-order methods for fast transient dynamics

Martina Cracco, Giovanni Stabile+6 more|arXiv (Cornell University)|Dec 15, 2022

Model Reduction and Neural Networks被引用 4

一句话总结

本文提出了一种非侵入式、基于深度学习增强的降阶模型（POD-DL），用于在城市环境中实现瞬态爆炸波的快速、实时模拟。通过结合时域分区、本征正交分解（POD）、用于非线性降维的自编码器，以及利用深度前馈神经网络将参数和时间映射到潜在空间，该方法在重建压力场和关键爆炸指标（如峰值超压和冲量）方面实现了高精度，优于传统POD在非线性、快速瞬态问题中的表现。

ABSTRACT

In recent years, large-scale numerical simulations played an essential role in estimating the effects of explosion events in urban environments, for the purpose of ensuring the security and safety of cities. Such simulations are computationally expensive and, often, the time taken for one single computation is large and does not permit parametric studies. The aim of this work is therefore to facilitate real-time and multi-query calculations by employing a non-intrusive Reduced Order Method (ROM). We propose a deep learning-based (DL) ROM scheme able to deal with fast transient dynamics. In the case of blast waves, the parametrised PDEs are time-dependent and non-linear. For such problems, the Proper Orthogonal Decomposition (POD), which relies on a linear superposition of modes, cannot approximate the solutions efficiently. The piecewise POD-DL scheme developed here is a local ROM based on time-domain partitioning and a first dimensionality reduction obtained through the POD. Autoencoders are used as a second and non-linear dimensionality reduction. The latent space obtained is then reconstructed from the time and parameter space through deep forward neural networks. The proposed scheme is applied to an example consisting of a blast wave propagating in air and impacting on the outside of a building. The efficiency of the deep learning-based ROM in approximating the time-dependent pressure field is shown.

研究动机与目标

• 解决全阶模拟在城市环境中对爆炸波进行实时和多参数查询研究时的计算不可行性。
• 克服传统本征正交分解（POD）在捕捉快速非线性瞬态动力学时的局限性，因其奇异值衰减缓慢。
• 开发一种非侵入式、数据驱动的降阶模型（ROM），以实现对新参数和时间值下压力场及爆炸指标的快速、高精度预测。
• 实现实时或近实时的爆炸波对建筑物和人员安全影响评估，支持应急响应规划。
• 展示将POD与自编码器及深度神经网络结合，可高效、高保真地逼近复杂瞬态流体动力学。

提出的方法

• 将时间域划分为子区域，以应用局部降阶模型，从而改善对快速瞬态动力学的逼近。
• 使用大量模态数（N）的本征正交分解（POD）构建局部降阶基，以捕捉解的变异性。
• 应用自编码器执行非线性降维，将高维POD空间映射到低维潜在空间（维度为n）。
• 训练深度前馈神经网络（DFNN），以学习从时间和参数空间到潜在空间表示的映射。
• 通过自编码器的逆映射和POD基函数，从潜在空间重构完整的压力场。
• 使用EUROPLEXUS求解器生成的高保真快照作为整个ROM流程的训练数据。

实验结果

研究问题

• RQ1 基于深度学习的非侵入式、数据驱动ROM是否能有效逼近标准POD失效的快速非线性瞬态爆炸波动力学？
• RQ2 与仅使用POD相比，时域分区、POD、自编码器和深度神经网络的组合在多大程度上提升了重构精度？
• RQ3 所提出的分段POD-DL方法在多大程度上能以高保真度预测关键爆炸指标（如峰值超压和冲量）？
• RQ4 重构压力场中的误差如何随POD模态数（N）和潜在维数（n）的变化而变化？
• RQ5 该方法是否能在全阶模型计算成本过高的情况下，实现大规模城市爆炸模拟的实时或近实时性能？

主要发现

• 分段POD-DL方法在重构时变压力场方面显著优于标准POD，尤其在高梯度区域和快速瞬态区域表现更优。
• 在$ L^2 $和$ L^∞ $范数下，误差在早期时间（t ≈ 0）最高，此时小区域内形成高压气泡，即使使用大量模态，POD逼近仍具挑战性。
• 当潜在维数（n）固定时，误差随POD模态数（N）增加而减小；当N固定时，误差也随n增加而减小，直至达到饱和点。
• 当n ≈ 20时，误差趋于平缓，这表明当前网络架构下深度前馈神经网络的回归能力已达到实际精度极限。
• 单次ROM预测的计算成本保持较低水平（每时间步约0.2秒），即使在大规模问题中也是如此，使该方法适用于实时应用。
• 该方法能够准确逼近关键爆炸指标（如最终时刻的峰值超压和冲量），这些指标对结构安全和风险评估至关重要。