[论文解读] Least Squares Shadowing for Sensitivity Analysis of Turbulent Fluid Flows

Patrick Blonigan, Steven Gomez+1 more|arXiv (Cornell University)|Jan 16, 2014

Model Reduction and Neural Networks参考文献 34被引用 11

一句话总结

本文提出一种新颖的最小二乘阴影化（LSS）方法，用于在湍流流动中准确计算长时间平均量的敏感度，克服了传统伴随法和切线法因‘蝴蝶效应’而失效的问题。该方法通过时间上的两点边值问题公式稳定梯度计算，展示了两种变体（II型和III型）在Kuramoto-Sivashinsky方程和均匀各向同性湍流中的应用，尽管III型方法中Krylov求解器收敛缓慢，但结果仍表现出收敛性和准确性。

ABSTRACT

Computational methods for sensitivity analysis are invaluable tools for aerodynamics research and engineering design. However, traditional sensitivity analysis methods break down when applied to long-time averaged quantities in turbulent fluid flow fields, specifically those obtained using high-fidelity turbulence simulations. This is because of a number of dynamical properties of turbulent and chaotic fluid flows, most importantly high sensitivity of the initial value problem, popularly known as the "butterfly effect". The recently developed least squares shadowing (LSS) method avoids the issues encountered by traditional sensitivity analysis methods by approximating the "shadow trajectory" in phase space, avoiding the high sensitivity of the initial value problem. The following paper discusses how the least squares problem associated with LSS is solved. Two methods are presented and are demonstrated on a simulation of homogeneous isotropic turbulence and the Kuramoto-Sivashinsky (KS) equation, a 4th order chaotic partial differential equation. We find that while LSS computes fairly accurate gradients, faster, more efficient linear solvers are needed to apply both LSS methods presented in this paper to larger simulations.

研究动机与目标

• 解决传统敏感度分析方法在湍流和混沌流体流动中因对初值高度敏感而失效的问题。
• 开发一种鲁棒方法，用于计算混沌系统中长时间平均量的梯度，例如时间平均阻力或能量谱。
• 提出并验证两种新型LSS算法——II型和III型，通过最小二乘法最小化避免初值问题的不稳定性。
• 证明LSS在高保真度CFD模拟中的可行性，包括均匀各向同性湍流和Kuramoto-Sivashinsky方程。
• 识别计算瓶颈，特别是LSS III型中Krylov求解器收敛缓慢的问题，并建议通过多重网格时间方法实现未来改进。

提出的方法

• 该方法利用阴影引理，寻找一条与给定混沌轨迹保持接近的轨迹，从而在蝴蝶效应存在的情况下仍能稳定计算敏感度。
• LSS II型在全时间区间求解大规模最小二乘问题，最小化所有时间点上切线方程的残差。
• LSS III型通过仅在离散时间检查点上求解最小二乘问题，减小问题规模，形成一个更小但仍较大的KKT系统。
• 该方法基于最小二乘问题最优性条件推导出KKT系统，使用迭代Krylov求解器（如MINRES）求解。
• 实现了LSS III型的伴随和切线形式，以高效计算梯度，并通过线性回归验证了一致性。
• 该方法假设遍历性，确保长时间平均量与初值无关，这对统计稳定性至关重要。

实验结果

研究问题

• RQ1 最小二乘阴影化能否在传统方法失效的混沌湍流流动中，准确计算长时间平均量的梯度？
• RQ2 在高维混沌系统中，LSS II型与III型的计算成本和收敛率如何比较？
• RQ3 时间检查点的选择对LSS III型在大规模模拟中收敛性和准确性有何影响？
• RQ4 LSS能否有效应用于真实湍流流动模拟，如均匀各向同性湍流或湍流通道流？
• RQ5 在大规模CFD问题中，LSS III型最有效的线性求解器和预条件策略是什么？

主要发现

• LSS III型计算的梯度与线性回归结果几乎无法区分，相对于回归基线仅高估约5%。
• LSS III型的KKT系统为6223×6223，比LSS II型的127128×127128系统小两个数量级，显著降低了内存和计算成本。
• LSS III型MINRES求解器收敛缓慢，对于T=100的模拟，需约5000次迭代才能使相对残差范数降至10−6。
• LSS III型的切线与伴随形式产生的梯度几乎完全一致，证实了方法的一致性和数值可靠性。
• 该方法成功计算了Kuramoto-Sivashinsky方程和均匀各向同性湍流的敏感度，验证了其在混沌PDE和湍流流动中的适用性。
• 作者指出，亟需更高效的线性求解器，特别是时间多重网格方法，以实现LSS在大规模CFD问题中的可扩展性。