光谱信息驱动的流体流动学习
内容提要
本文探讨了将物理先验知识融入数据驱动模型的方法，以提高模型的质量和稳定性。研究表明，保持Lyapunov稳定性的模型能够增强泛化性能并减少预测不确定性。机器学习在计算流体力学中的应用能够加速数值模拟和优化模型，提升模拟精度和效率。
延伸解读
物理先验与Lyapunov稳定性的结合
文章强调将物理先验知识融入数据驱动模型，并以Lyapunov分析为视角，验证了保持Lyapunov稳定性的模型能提高泛化性能并减少预测不确定性。这提示读者，在构建流体预测模型时，除了追求拟合精度，还应关注模型的稳定性理论保证，这可能是提升模型可靠性的关键。
机器学习在CFD中的多样化应用
从2019年到2024年，文章列举了机器学习在计算流体力学中的多种应用，包括基于物理的TensorFlow-net、可微旋涡质点方法、beta-VAE与transformer联合学习、扩散生成模型、解耦方法以及FLUID-LLM等。这些案例展示了机器学习在加速数值模拟、降阶建模、湍流生成和时空信息整合等方面的潜力，同时也指出需要考虑潜在限制和问题。
低维预测模型与谱子流形方法
针对非线性系统，文章提出了一种构建低维预测模型的方法，利用吸引光谱子流形上的扩展正常形式获得数据驱动的稀疏非线性模型，并在梁振动、涡 shedding和水箱晃荡等数据集上验证了其强大降维能力。该方法不仅能预测无外力下的非线性响应，也能准确预测受外力影响的情况，为复杂流体系统的低维建模提供了新思路。
解耦多尺度动力学的新求解模式
文章介绍了一种解耦方法，将大尺度动力学独立建模，小尺度动力学视为受控系统，并在正交基函数空间中开发谱PINN来逼近小尺度系统。该方法在KS方程和NS方程等数值实验中得到验证，并探讨了非均匀网格、复杂几何、噪声数据和高维小尺度动力学等复杂情况，展示了其多功能性和局限性，为时空系统的分析和预测提供了高效准确的途径。
Q&A
如何将物理先验知识融入数据驱动模型？
通过将物理先验知识加入模型，可以提高模型的质量和稳定性，尤其是在流体流动预测中。
什么是Lyapunov稳定性，它如何影响模型性能？
Lyapunov稳定性是一种数学性质，保持这种稳定性的模型能够增强泛化性能并减少预测不确定性。
机器学习在计算流体力学中的应用有哪些？
机器学习可以加速数值模拟，提高湍流建模的效率，并发展优化的降阶模型。
如何构建低维预测模型以处理非线性系统？
可以通过在低维、吸引光谱子流形上获得的数据驱动、稀疏、非线性模型来构建低维预测模型。
新可微旋涡质点方法的主要功能是什么？
该方法能够从视频中推断流体动力学，并提供稳健的长期预测。
解耦方法在多尺度动力学中的作用是什么？
解耦方法通过独立建模大尺度动力学并将小尺度动力学视为受控系统，简化了时空系统的分析和预测。
