[论文解读] Robust Reduced-Order Model Stabilization for Partial Differential Equations Based on Lyapunov Theory and Extremum Seeking with Application to the 3D Boussinesq Equations

Mouhacine Benosman, Jeff Borggaard+1 more|arXiv (Cornell University)|Apr 15, 2016

Extremum Seeking Control Systems参考文献 21被引用 3

一句话总结

本文提出了一种基于李雅普诺夫的闭合模型方法，用于对偏微分方程的降阶模型（ROM）进行鲁棒稳定化，该方法对参数不确定性具有强鲁棒性。闭合模型中的自由参数通过一种无模型的多参数极值搜索（MES）算法自动调优，在三维Boussinesq方程的模拟中表现出更高的精度和稳定性，参数收敛至最优值 μₑ ≈ 0.85 和 μₙₗ ≈ 1.25×10⁻⁶。

ABSTRACT

We present some results on stabilization for reduced-order models (ROMs) of partial differential equations. The stabilization is achieved using Lyapunov theory to design a new closure model that is robust to parametric uncertainties. The free parameters in the proposed ROM stabilization method are optimized using a model-free multi-parametric extremum seeking (MES) algorithm. The 3D Boussinesq equations provide a challenging numerical test-problem that is used to demonstrate the advantages of the proposed method.

研究动机与目标

• 解决POD-ROM在长时间演化中失去稳定性的问题，特别是在PDE的降阶模型中。
• 开发一种对降阶系统中参数不确定性具有鲁棒性的闭合模型。
• 采用无模型学习方法，在无需事先掌握PDE模型知识的前提下，优化闭合模型参数。
• 在具有挑战性的三维Boussinesq方程上验证该方法，该模型在自然对流和流体控制应用中具有实际意义。
• 通过闭合参数的自动调优，展示在层流流动场景下，长期预测精度和稳定性的显著提升。

提出的方法

• 基于李雅普诺夫理论推导出一种新型闭合模型，以确保在ROM系数存在参数不确定性时仍具备鲁棒稳定性。
• 该闭合模型包含两个部分：线性涡粘性项（μₑ）和非线性粘性项（μₙₗ），分别作为稳定化机制。
• 通过离散时间多参数极值搜索（MES）算法优化自由参数 μₑ 和 μₙₗ，该算法以ROM-PDE解误差为基础的代价函数最小化为目标。
• MES算法采用两个频率的正弦扰动（ω₁ = 10 rad/sec，ω₂ = 50 rad/sec）和自适应增益（a₁ = 0.08，a₂ = 10⁻⁷），以估计梯度类更新。
• 代价函数 Q(μ) 定义为POD-ROM解与真实PDE解在降维空间上的投影之间时间积分的L²误差。
• 该方法应用于一个雷诺数为 Re = 4.964×10⁴、普朗特数为 Pr = 0.712、格拉晓夫数为 Gr = 7.369×10⁷的非均匀加热腔体内三维瑞利-贝纳德对流问题，每个变量使用8个POD模态。

实验结果

研究问题

• RQ1 能否设计一种基于李雅普诺夫的闭合模型，以确保在PDE中存在参数不确定性时，ROM具备鲁棒稳定性？
• RQ2 无模型极值搜索算法在无需事先掌握PDE模型知识的前提下，能否有效自动调优闭合模型参数，以最小化ROM预测误差？
• RQ3 与标准Galerkin ROM相比，该方法是否能显著提升POD-ROM在复杂三维PDE（如Boussinesq方程）中的精度与稳定性？
• RQ4 在三维对流问题中，使ROM与真实PDE解之间误差最小化的闭合模型参数 μₑ 和 μₙₗ 的最优值是什么？
• RQ5 在真实的三维流体动力学测试案例中，MES算法收敛至最优参数值的速度如何？

主要发现

• 学习代价函数在前20次迭代内迅速下降，表明MES调优过程中ROM精度快速提升。
• MES算法成功收敛至最优闭合模型参数：μₑ ≈ 0.85 和 μₙₗ ≈ 1.25×10⁻⁶，代价函数达到收敛容差。
• 速度和温度误差分布图（图9和图10）与名义Galerkin ROM相比（图5和图6）显著降低，表明解的保真度得到提升。
• 所学习的 μₑ 和 μₙₗ 参数分布（图12和图13）表明在初始代价下降后仍持续进行微调，表明具备鲁棒适应能力。
• 该方法在长达78秒的时间区间内实现了稳定且精确的ROM预测，优于无闭合项的标准POD-ROM-G。
• 结果证实，基于李雅普诺夫的闭合模型结合MES自动调优，可显著提升层流三维Boussinesq流动中的稳定性与预测精度。