[论文解读] Reduced-order Model for Fluid Flows via Neural Ordinary Differential Equations

Carlos Jose Gonzalez Rojas, Andreas Dengel+1 more|arXiv (Cornell University)|Feb 3, 2021

Model Reduction and Neural Networks参考文献 23被引用 9

一句话总结

该论文提出了一种基于神经常微分方程（NODE）的数据驱动降阶模型，用于预测本征正交分解（POD）模态的时序系数。通过用连续潜在空间的NODE架构替代传统的伽辽金投影，该方法在外推能力和误差鲁棒性方面优于LSTM基线模型，实现了在极低计算成本下对涡流动力学和流场特征的精确重构。

ABSTRACT

Reduced order models play an important role in the design, optimization and control of dynamical systems. In recent years, there has been an increasing interest in the application of data-driven techniques for model reduction that can decrease the computational burden of numerical solutions, while preserving the most important features of complex physical problems. In this paper, we use the proper orthogonal decomposition to reduce the dimensionality of the model and introduce a novel generative neural ODE (NODE) architecture to forecast the behavior of the temporal coefficients. With this methodology, we replace the classical Galerkin projection with an architecture characterized by the use of a continuous latent space. We exemplify the methodology on the dynamics of the Von Karman vortex street of the flow past a cylinder generated by a Large-eddy Simulation (LES)-based code. We compare the NODE methodology with an LSTM baseline to assess the extrapolation capabilities of the generative model and present some qualitative evaluations of the flow reconstructions.

研究动机与目标

• 开发一种非侵入式、数据驱动的流体降阶模型（ROM），避免全阶模拟带来的计算负担。
• 用连续的、生成式的神经ODE架构替代经典伽辽金投影，以在潜在空间中学习时序系数的动力学。
• 与自回归模型（如LSTM）相比，提升长期流场预测中的外推性能并减少误差累积。
• 实现无需标注时间窗口或显式物理定律公式化的动力系统无监督学习。

提出的方法

• 对300个大涡模拟（LES）生成的快照应用快照本征正交分解（POD），提取空间模态和时序系数，仅使用8个模态即保留99%的信息。
• 采用无监督自编码器框架，将时序系数编码至低维潜在空间。
• 在编码器与解码器之间集成神经ODE（NODE）模块，以建模潜在动力学的连续时间演化。
• 使用连续时间损失函数训练NODE，通过最小化时间序列上的重构误差，无需离散时间步的监督。
• 利用前馈解码器网络将潜在状态解码回时序系数空间。
• 将NODE-ROM性能与具有相同训练、验证和测试划分（75/25/200个时间步）的LSTM基线进行对比。

实验结果

研究问题

• RQ1 基于神经ODE的架构能否有效学习并预测流体系统中POD系数的时序演化？
• RQ2 在长期外推精度和误差累积方面，NODE-ROM与LSTM基线相比表现如何？
• RQ3 NODE的连续潜在空间公式是否相比离散自回归模型具有更好的泛化能力和物理一致性？
• RQ4 NODE-ROM在多大程度上能以极低的全阶模拟成本重构复杂流场特征（如冯·卡门涡街）？

主要发现

• 在第三和第四POD时序系数的预测中，NODE模型相比LSTM基线表现出显著更高的预测精度，尤其在长期测试窗口（t ∈ [200,300]）中表现更优。
• 由于其自回归特性，LSTM模型随时间推移出现明显的误差累积，尤其在α₁和α₂上，这与先前研究的发现一致。
• NODE模型展现出优越的外推能力，在整个200步测试序列中保持稳定且准确的预测，无误差漂移现象。
• 使用NODE预测系数在t=300时刻的流场重构结果与LES真实值高度一致，仅在涡结构上存在微小差异。
• 下游探测点处速度脉动的时间历程表明，NODE-ROM准确捕捉了系统随时间的物理响应。
• 通过随机搜索进行超参数调优，确定了最优配置：6个潜在维度，4层编码器/解码器，以及NODE模型的学习率为0.0015。