[论文解读] Sparse reduced-order modeling : Sensor-based dynamics to full-state estimation

Jean-Christophe Loiseau, Bernd R. Noack+1 more|HAL (Le Centre pour la Communication Scientifique Directe)|Jun 12, 2017

Model Reduction and Neural Networks被引用 14

一句话总结

该论文提出了一种稀疏降阶建模框架，通过稀疏非线性动力学识别（SINDy）将时间解析的传感器数据转化为可预测且可解释的动力系统。该方法通过将传感器特征提升至动态空间、识别稀疏非线性模型，并可选地利用PIV快照构建高度精确的局部线性映射以恢复速度场，从而实现全状态估计的高精度；在雷诺数为100的瞬态圆柱绕流模拟中，其性能优于传统的POD-Galerkin模型。

ABSTRACT

We propose a general dynamic reduced-order modeling framework for typical experimental data: time-resolved sensor data and optional non-time-resolved PIV snapshots. This framework contains four steps. First, the sensor signals are lifted to a dynamic feature space. Second, we identify a sparse human-interpretable nonlinear dynamical system for the feature state based on the sparse identification of nonlinear dynamics (SINDy). Third, if PIV snapshots are available, a local linear mapping from the feature state to velocity fields is shown to be orders of magnitudes more accurate than optimal modal expansions of the same order. Fourth, a generalized feature-based modal decomposition identifies coherent structures that are most dynamically correlated with the linear and nonlinear interaction terms in the sparse model, adding interpretability. Steps 1 and 2 define a black-box model. Optional steps 3 and 4 lift the black-box dynamics to a 'gray-box' model of the coherent structures, if non-time-resolved full-state data is available. This gray-box modeling strategy is successfully applied to the transient and post-transient laminar cylinder wake, and compares favorably with a POD model. We foresee numerous applications of this highly flexible modeling strategy, including estimation, prediction and control. Moreover, the feature space may be based on intrinsic coordinates, which are unaffected by a key challenge of modal expansion: the slow change of low-dimensional coherent structures with changing geometry and varying parameters.

研究动机与目标

• 解决从有限实验传感器数据中构建准确、可解释的降阶模型的挑战，而无需全状态测量。
• 克服传统POD-Galerkin模型在处理瞬态过程、参数变化和缓慢结构变形方面的局限性。
• 开发一种灵活的、数据驱动的框架，实现从黑箱传感器模型向全息结构的灰箱模型的过渡，当获得全状态PIV数据时。
• 为流体动力学中的估计、预测和控制提供鲁棒、稀疏且物理解释性强的动力学模型。

提出的方法

• 使用用户定义或内在坐标将时间解析的传感器信号提升至动态特征空间，以增强模型的表达能力。
• 应用稀疏非线性动力学识别（SINDy）算法，识别控制特征状态的稀疏非线性动力系统，确保可解释性与低维性。
• 利用非时间解析的PIV快照，从特征状态到全速度场构建局部线性映射，其精度比标准POD展开高出数个数量级。
• 执行广义的基于特征的模态分解，以识别与SINDy模型中线性与非线性项最相关的一致结构，提升物理解释性。
• 将物理约束（如能量守恒）整合进SINDy识别过程，以提升模型的稳定性和性能。
• 将该框架应用于雷诺数为100的瞬态及后瞬态层流圆柱绕流，与POD-Galerkin模型对比验证性能。

实验结果

研究问题

• RQ1 能否仅从时间解析的传感器数据中直接识别出稀疏、可解释的非线性动力系统？
• RQ2 如何利用非时间解析的PIV快照来提升基于低维传感器模型的全状态重构精度？
• RQ3 所提出的框架在捕捉瞬态和后瞬态动力学方面，相较于标准POD-Galerkin模型，其性能优势在多大程度上体现？
• RQ4 该框架能否通过基于特征的模态分解揭示具有物理解释意义的一致结构？
• RQ5 在SINDy识别过程中引入物理约束，对模型精度和稳定性有何影响？

主要发现

• 基于SINDy的传感器模型能够准确捕捉层流圆柱绕流的瞬态动力学，其预测结果与直接数值模拟高度吻合。
• 引入PIV快照后，从特征状态到速度场的局部线性映射精度比同阶POD展开高出数个数量级。
• 在物理考虑指导下构建的约束型三次SINDy模型，优于无约束和低阶模型，在AICc准则下取得最佳拟合效果。
• 广义的基于特征的模态分解成功识别出与稀疏模型中线性与非线性项最相关的结构，显著增强了可解释性。
• 该框架对噪声数据具有鲁棒性，可适用于不同几何形状和参数的系统，因为特征空间对缓慢结构变化具有不变性。
• 离散时间SINDy公式成功识别出一个稳定的一阶稀疏向量自回归模型，能准确预测圆柱绕流的相空间轨迹。