[论文解读] Recursive dynamic mode decomposition of a transient cylinder wake

Bernd R. Noack, Witold Stankiewicz+2 more|arXiv (Cornell University)|Nov 21, 2015

Fluid Dynamics and Vibration Analysis参考文献 20被引用 17

一句话总结

该论文提出递归动态模态分解（RDMD），一种数据驱动的流场分解方法，结合了本征正交分解（POD）的正交性和低残差特性，以及动态模态分解（DMD）的纯频率成分特性。RDMD通过在正交子空间中最小化时间平均残差，递归提取模态，从而获得具有单色频率成分且能准确反映初始、瞬态和渐近幅值行为的模态——在从相同快照数据中解析极限环动力学方面，其性能优于POD和DMD。

ABSTRACT

A novel data-driven modal decomposition of fluid flow is proposed comprising key features of POD and DMD. The first mode is the normalized real or imaginary part of the DMD mode which minimizes the time-averaged residual. The N-th mode is defined recursively in an analogous manner based on the residual of an expansion using the first N-1 modes. The resulting recursive DMD (RDMD) modes are orthogonal by construction, retain pure frequency content and aim at low residual. RDMD is applied to transient cylinder wake data and is benchmarked against POD and optimized DMD (Chen et al. 2012) for the same snapshot sequence. Unlike POD modes, RDMD structures are shown to have pure frequency content while retaining a residual of comparable order as POD. In contrast to DMD with exponentially growing or decaying oscillatory amplitudes, RDMD clearly identifies initial, maximum and final fluctuation levels. Intriguingly, RDMD outperforms both POD and DMD in the limit cycle resolution from the same snaphots. RDMD is proposed as an attractive alternative to POD and DMD for empirical Galerkin models, with nonlinear transient dynamics as a niche application.

研究动机与目标

• 开发一种数据驱动的模态分解方法，既保持POD的低残差和正交性，又能实现DMD的纯频率成分特性。
• 解决DMD在表征初始和渐近流场幅值时的局限性，后者常表现出非物理解的指数增长或衰减。
• 通过单一、递归且无监督的框架，提升对流场中瞬态和极限环动力学的解析能力。
• 为经验伽辽金建模提供一种稳健的POD和DMD替代方案，尤其适用于非线性瞬态流场。

提出的方法

• RDMD首先对快照数据进行完整的动态模态分解（DMD），以提取候选模态。
• 首个RDMD模态被选为使训练数据时间平均残差最小化的DMD模态的归一化实部或虚部。
• 后续模态在先前计算模态的正交补空间中递归计算，通过构造保证正交性。
• 在每一步中，选择当前子空间中残差最小的模态，从而保持低截断误差。
• 该方法通过利用DMD的特征模态结构实现单色频率成分，同时通过递归投影强制正交性。
• 该方法应用于瞬态圆柱绕流模拟，结果与POD及优化DMD（Chen et al., 2012）进行对比。

实验结果

研究问题

• RQ1 能否通过数据驱动的分解方法，在流场模态中同时实现正交性和纯频率成分，从而克服POD和DMD的局限性？
• RQ2 基于残差最小化的模态递归选择，如何影响瞬态和极限环流场重构的准确性？
• RQ3 与假设幅值呈指数演化、存在非物理行为的DMD相比，RDMD能否更准确捕捉瞬态流场的初始、最大和最终波动水平？
• RQ4 在从相同快照序列中解析极限环动力学方面，RDMD是否在渐近和最大截断误差方面优于POD和DMD？
• RQ5 RDMD是否可作为构建非线性瞬态流场控制与稳定性分析中降阶模型的可行替代方案？

主要发现

• 当N=10时，RDMD的渐近截断误差为5%，仅为POD的10%的一半，且显著低于DMD的10%。
• RDMD的最大截断误差为28%，而DMD为46%，POD为13%，表明其在捕捉瞬态动力学方面表现更优。
• RDMD模态表现出近乎纯正的频率成分，而POD模态则混合了空间与时间频率，同时保持与POD相当的残差水平。
• RDMD能清晰识别初始、最大和最终波动水平，而DMD模态则表现出非物理的指数幅值增长或衰减。
• 第三次谐频仅被RDMD捕捉到，POD和DMD均未能识别，表明其在解析极限环特征方面具有更优分辨率。
• 在从相同快照数据中解析极限环方面，RDMD优于POD和DMD，因此特别适用于瞬态和控制导向的建模。