[论文解读] Lyapunov stable Galerkin models of post-transient incompressible flows

Maciej Balajewicz|arXiv (Cornell University)|Dec 1, 2013

Model Reduction and Neural Networks参考文献 9被引用 7

一句话总结

该论文提出了一种新颖的方法，通过广义伽辽金近似迭代优化展开模态，为不可压缩流体的后瞬态流动构建可证明的李雅普诺夫稳定的伽辽金模型。该方法确保线性化系统矩阵的厄米特部分为零，从而保证在不动点附近的轨迹有界，并在剪切层和顶盖驱动涡流中得到验证，能够准确再现纳维-斯托克斯吸引子的动力学行为，且具有内在的能量守恒特性。

ABSTRACT

A method for deriving provably stable low-dimensional Galerkin models of post-transient incompressible flows is introduced. The proposed approach involves an iterative procedure for expansion modes that satisfy Lyapunov stability in the neighborhood of a fixed point. The approach is demonstrated using two prototypical flow configurations: a two-dimensional mixing layer, and two-dimensional flow inside a lid-driven cavity. This new methodology can be a building block in an effort to develop more accurate and more robust low-dimensional models of incompressible flows.

研究动机与目标

• 解决传统POD-伽辽金降维模型在不可压缩流中固有的不稳定性问题，这些模型通常需要经验性修正才能实现长期有界性。
• 开发一种系统化方法，通过确保线性化系统矩阵的厄米特部分为零，来保证伽辽金模型不动点的李雅普诺夫稳定性。
• 证明此类稳定模型能够准确捕捉纳维-斯托克斯吸引子的长期动力学行为，而无需人工耗散项。
• 为未来集成仅在轨迹偏离吸引子时激活的经验耗散项提供可能，同时保持内在稳定性。
• 提供一种与模态推导算法无关的框架，使其可扩展至DMD或其他POD以外的降阶建模方法。

提出的方法

• 该方法采用广义伽辽金近似，其中展开模态为更多POD模态（N > n）的线性组合，由正交变换矩阵 X ∈ ℝ^{N×n} 表示。
• 伽辽金张量（C, L, Q）被重新表达为X的函数，从而实现对系统线性化动力学的优化。
• 采用李雅普诺夫候选函数 V(z) = ½∑zᵢ²，当线性化矩阵A的厄米特部分 A_H = (A + Aᵀ)/2 恒为零时，可确保稳定性。
• 优化问题被表述为最小化A_H的Frobenius范数与零的偏差，同时满足X的正交性约束，使用MATLAB中的非线性最小二乘求解器求解。
• 通过在变换矩阵X上进行约束优化实现该方法，使用fsolve结合有限差分法近似雅可比矩阵，以强制实现A_H = 0。
• 所得模型继承初始条件的能量，并可进一步增加仅在吸引子上失效的经验耗散项，从而保持核心模型的稳定性。

实验结果

研究问题

• RQ1 能否构建一个后瞬态不可压缩流的伽辽金模型，使其不动点具有李雅普诺夫稳定性，从而保证所有时间下轨迹有界？
• RQ2 如何利用广义伽辽金近似优化流体模态，使得线性化系统矩阵的厄米特部分为零？
• RQ3 李雅普诺夫稳定伽辽金模型在无人工耗散的情况下，能在多大程度上准确再现纳维-斯托克斯吸引子的长期动力学？
• RQ4 所提出的方法能否扩展以集成仅在轨迹偏离吸引子时激活的经验耗散项？
• RQ5 该方法在不同流动构型（如剪切层和顶盖驱动腔体流）中是否具有鲁棒性和可推广性？

主要发现

• 所提出的方法成功生成了厄米特部分为零（A_H = 0）的伽辽金模型，从而确保不动点的李雅普诺夫稳定性，并保证在吸引子邻域内轨迹有界。
• 由于系统具有内在能量守恒特性，该模型即使在无经验耗散项的情况下，也能以高保真度再现纳维-斯托克斯吸引子的动力学行为。
• 该方法在两种典型流动——二维剪切层和顶盖驱动腔体流中得到验证，展示了其在不同流动状态下的适用性。
• 系统能量在所有时间上均被守恒，因为模型继承了初始条件的能量，这直接源于A_H = 0。
• 该方法允许添加仅在吸引子上失效的经验耗散项，从而在不破坏核心模型稳定性的前提下实现长期准确模拟。
• 优化框架与模态推导算法无关，因此可兼容POD、DMD或其他降阶建模技术。