[论文解读] Model reduction techniques for linear constant coefficient port-Hamiltonian differential-algebraic systems

Sarah‐Alexa Hauschild, Nicole Marheineke+1 more|arXiv (Cornell University)|Jan 29, 2019

Model Reduction and Neural Networks参考文献 30被引用 7

一句话总结

本文提出针对线性常系数端口-哈密顿微分代数系统（pHDAE）的结构保持模型降阶技术，保持其内在能量结构、代数约束和无源性。通过结构保持的指标降阶，将矩匹配与力/流约束方法适配至pHDAE，实现了在H∞-范数和谱范数下的高保真近似，矩匹配在特定点的误差低至O(10−15)，ECRM在全频段的误差为O(10−5)。

ABSTRACT

Port-based network modeling of multi-physics problems leads naturally to a formulation as port-Hamiltonian differential-algebraic system. In this way, the physical properties are directly encoded in the structure of the model. Since the state space dimension of such systems may be very large, in particular when the model is a space-discretized partial differential-algebraic system, in optimization and control there is a need for model reduction methods that preserve the port-Hamiltonian structure while keeping the (explicit and implicit) algebraic constraints unchanged. To combine model reduction for differential-algebraic equations with port-Hamiltonian structure preservation, we adapt two classes of techniques (reduction of the Dirac structure and moment matching) to handle port-Hamiltonian differential-algebraic equations. The performance of the methods is investigated for benchmark examples originating from semi-discretized flow problems and mechanical multibody systems.

研究动机与目标

• 解决多物理场问题中产生的大规模端口-哈密顿微分代数系统（pHDAE）的模型降阶需求。
• 在降阶过程中保持端口-哈密顿结构，包括无源性、能量守恒以及显式与隐式代数约束。
• 将现有的结构保持降阶技术——矩匹配与力/流约束方法——适配至微分指标为一或二的pHDAE。
• 确保降阶模型保持系数矩阵中编码的物理特性，如J的反对称性、R与E的半正定性以及无源性。

提出的方法

• 应用结构保持的正则化概念，解耦pHDAE中的微分与代数变量，实现对动态状态的定向降阶。
• 通过约束矩阵（如GT）的奇异值分解（SVD）识别并消除冗余变量（如v1 = 0），推导出底层的常微分方程（ODE）系统。
• 在选定点s₀ ∈ ℂ ∪ {∞}（包括s₀ = ∞和s₀ = 10⁻¹⁰）通过Galerkin投影实现矩匹配，以匹配传递函数的矩。
• 应用力约束方法（ECRM）与流约束方法（FCRM），以在降阶模型中保持狄拉克结构与能量平衡。
• 通过在降阶形式中保持哈密顿、耗散与互联矩阵，确保降阶系统维持pHDAE结构。
• 使用谱范数与H∞-范数评估近似质量，比较不同降阶尺寸r下的ECRM、FCRM与矩匹配的性能。

实验结果

研究问题

• RQ1 能否在保持端口-哈密顿结构与无源性的前提下，有效将矩匹配方法适配至具有代数约束的pHDAE？
• RQ2 力约束方法与流约束方法在降阶指标为1或2的pHDAE时表现如何？其在精度与稳定性方面的相对优势为何？
• RQ3 FCRM中引入的前馈项对高频近似误差有何影响？与ECRM及矩匹配相比表现如何？
• RQ4 降阶点s₀的选择（如s₀ = ∞、s₀ = 10⁻¹⁰、s₀ = 0）如何影响矩匹配在谱范数与H∞-范数下的精度？
• RQ5 结构保持的模型降阶在半离散化流动系统与多体系统中，能在多大程度上保持物理特性（如能量守恒、稳定性）？

主要发现

• 在s₀ = ∞处的矩匹配在高频响应中实现O(10⁻¹⁵)量级的相对误差，表明在高频下近似近乎精确。
• 在s₀ = 10⁻¹⁰处的矩匹配对低频响应也实现类似低的误差（O(10⁻¹⁵）），表明具有极佳的局部近似质量。
• 力约束方法（ECRM）在全频段均实现优良的近似质量，误差为O(10⁻⁵）量级，其在H∞-与H2-范数下的表现优于矩匹配一到两个数量级。
• FCRM的近似行为与ECRM相似，但因降阶过程中引入额外的前馈项，导致在高频段出现误差漂移。
• 对于g = 6000的弹簧-质量系统，降阶后模型规模为n₁ = 11999，s₀ = ∞或s₀ = 10⁻¹⁰处的矩匹配均能产生高度精确的传递函数近似。
• 当应用Lyapunov平衡时，ECRM的性能与平衡截断法相当，证实其在全局误差最小化中的鲁棒性。