[论文解读] Standardized Non-Intrusive Reduced Order Modeling Using Different Regression Models With Application to Complex Flow Problems

Arturs Bērziņš, Jan Helmig+2 more|arXiv (Cornell University)|Jun 24, 2020

Model Reduction and Neural Networks参考文献 55被引用 15

一句话总结

本论文提出了一种标准化的非侵入式模型降阶（ROM）框架，结合了本征正交分解（POD）与回归模型（RBF、GPR和ANN），用于复杂、参数化、时间依赖的流动问题。通过标准化数据和误差度量，并将时间视为离散坐标，该方法实现了高精度（使用400组训练样本时误差低于0.5%）和更高的可解释性，其中高斯过程回归（GPR）展现出计算高效、鲁棒性强的特性，成为神经网络的可行替代方案。

ABSTRACT

In recent years, numerical methods in industrial applications have evolved from a pure predictive tool towards a means for optimization and control. Since standard numerical analysis methods have become prohibitively costly in such multi-query settings, a variety of reduced order modeling (ROM) approaches have been advanced towards complex applications. In this context, the driving application for this work is twin-screw extruders (TSEs): manufacturing devices with an important economic role in plastics processing. Modeling the flow through a TSE requires non-linear material models and coupling with the heat equation alongside intricate mesh deformations, which is a comparatively complex scenario. We investigate how a non-intrusive, data-driven ROM can be constructed for this application. We focus on the well-established proper orthogonal decomposition (POD) with regression albeit we introduce two adaptations: standardizing both the data and the error measures as well as -- inspired by our space-time simulations -- treating time as a discrete coordinate rather than a continuous parameter. We show that these steps make the POD-regression framework more interpretable, computationally efficient, and problem-independent. We proceed to compare the performance of three different regression models: Radial basis function (RBF) regression, Gaussian process regression (GPR), and artificial neural networks (ANNs). We find that GPR offers several advantages over an ANN, constituting a viable and computationally inexpensive non-intrusive ROM. Additionally, the framework is open-sourced to serve as a starting point for other practitioners and facilitate the use of ROM in general engineering workflows.

研究动机与目标

• 开发一种适用于工业应用中复杂、参数化、时间依赖的偏微分方程（PDE）的、与问题无关的非侵入式ROM框架。
• 通过标准化数据和误差度量，提升基于POD的ROM的可解释性与计算效率。
• 在统一、标准化的框架中评估并比较RBF、GPR和ANN回归模型的性能。
• 通过开源实现和可复用的超参数指导，实现ROM在工程工作流程中的实际部署。

提出的方法

• 对输入参数和解快照进行标准化，消除尺度与平移效应，提升跨问题的可迁移性。
• 将时间视为离散坐标而非连续参数，简化回归映射，同时保持POD的效率。
• 定义一种标准化误差度量，通过训练数据的方差对预测误差进行归一化，实现跨问题的比较。
• 应用POD从高保真快照中提取降维基底，将全阶解投影到低维空间。
• 使用RBF、GPR和ANN回归模型，将输入参数（如粘度、导热率）映射到降维系数，实现在线快速评估。
• 使用100至400组不同规模的训练样本对模型进行训练与验证，以评估数据敏感性与性能扩展性。

实验结果

研究问题

• RQ1 标准化数据与误差度量是否能提升非侵入式ROM的可解释性与问题无关性？
• RQ2 将时间视为离散维度是否能提升POD-回归ROM在时间分辨问题中的效率与精度？
• RQ3 在复杂流动问题中，RBF、GPR与ANN回归模型在精度、训练成本与鲁棒性方面如何比较？
• RQ4 在标准化的POD-回归框架中，训练数据规模对预测误差有何影响？

主要发现

• 使用100组训练样本时，该方法在双螺杆挤出机模型中对速度、压力与温度的预测误差均低于3%。
• 将训练数据增至400组后，标准化误差降低至0.5%以下，满足典型工程精度要求。
• 在振荡顶板驱动方腔问题中，高斯过程回归（GPR）始终优于人工神经网络（ANN），尤其在各向异性和密集采样设置下表现更优。
• GPR在精度、计算成本与超参数调优便捷性之间实现了良好平衡，是ANN的可行替代方案。
• RBF回归性能劣于GPR与ANN，但因其结构简单，可作为计算成本低廉的基线模型。
• 标准化使超参数初始化具有一致性：对于ANN，最优学习率位于10⁻³至10⁻²之间，隐藏层宽度在20至40之间。