流体流动的模态分析:概述
本文介绍了模态分析技术在研究、建模和控制典型空气动力学流体中的应用。通过选取四个基本实例,展示了模态分析技术如何以互补方式提供物理洞见。另外,针对数据科学的快速发展,对模态分析技术的展望也作了简要讨论。
Mar, 2019
本研究通过应用时间序列预测到流体动力学问题中,测试了基于深度学习的三种自回归模型,其中一个是与深度学习相结合的混合模型。研究发现,混合模型在具有湍流特性的实验数据中产生更可靠的预测,因为它借助模态分解从物理学角度提取了物理特征,从而实现了对流体动力学的预测。
Apr, 2024
Dynamic Mode Decomposition (DMD) 是一种流行的数据驱动分析技术,用于将复杂的非线性系统分解成一组模式,通过谱分析揭示底层的模式和动态特性。本综述全面而系统地研究了 DMD,强调了 Koopman 算子在将复杂非线性动力学转化为线性框架中的作用。我们将 DMD 方法的多元宇宙分类为三个主要领域:线性回归方法、Galerkin 逼近和保结构技术,并研究了每个类别在谱计算中的独特贡献和挑战。该综述通过实例和应用程序提供了 MATLAB 包,以加强对这些方法的实际理解。这项研究作为对各种 DMD 方法的实用指南和理论参考,既适用于专家也适用于新手,并使读者能够深入研究他们在广阔的 DMD 领域中感兴趣的领域。
Nov, 2023
通过多元高斯过程回归(MVGPR)方法,克服稀缺和时间不规则数据限制,提出了一种新颖的模态分析技术,能够代替传统的模态分析方法如动态模态分解(DMD)和谱正交分解(SPOD)。MVGPR 的核函数结构基于线性动态的相关函数假设,通过与 DMD 和 SPOD 的联系,该方法在学术研究、合成数据和非稳态翼型气动等范例下得到了验证,展示了 MVGPR 作为一种有前景的替代方法。
Mar, 2024
本文介绍了一种理论框架,将 DMD 展开为一个逼近线性算子的特征分解,并扩展了 DMD 的应用范围,包括非连续时间序列。文中还提出了线性一致性的概念,帮助理解在低秩数据集上应用 DMD 的潜在缺陷,并且阐明了 DMD 与 Koopman 算子理论以及其他技术之间的联系。此外,作者通过实验证明了新的采样策略可以提高计算效率,并抑制噪声影响,进而证明在特定条件下 DMD 等价于线性反演建模(LIM)。
Nov, 2013
通过引入 Dynamic Mode Decomposition (DMD) 算法,对电浆动力学的跨场 ExB 结构进行数据驱动分析和降阶建模,在高保真数据集上应用 DMD 算法,提取主导的时空模式并发现 OPT-DMD 方法能更可靠地重建基准值,以及通过揭示频谱的空间结构,为等离子现象的时空特性提供更全面、更易理解的信息。
Aug, 2023
本文提出了一种基于随机动态模态分解的新的降阶模型框架,并将其应用于二维流的建模,通过有效地将随机动态模态分解算法和径向基函数插值相结合,我们成功地解决了通过 POD 和 Galerkin 投影方法得到的模型降阶的缺陷,并在非侵入式数据建模中取得了较好的效果。
Nov, 2016
通过将动态模分解(Dynamic mode decomposition,DMD)与多分辨率分析相结合,本文提出了一种分解方法,可以将复杂系统分解成一系列多分辨率时间尺度组件,从而有效解决动力学数据分离等问题,并且在多尺度动态数据的示例数据上展示了其出色的分解结果。
Jun, 2015
通过对 Burgers 方程中速度场进行全 Koopman 分解,我们首次得到了非线性 PDE 的 Koopman 模式和特征函数的显式表达式。该分解突出了不同观测量需要不同的 Koopman 特征函数来表示的事实,并评估了 DMD 提取衰减的非线性相干结构的能力。
Dec, 2017
该文章介绍了一种基于变分模态分解的非平稳相干结构分析方法,能够从高维时空数据中提取和分析非平稳现象中的相干结构,该方法对时空分布的时变性进行了建模,并验证了其在流体力学中的应用。
Dec, 2023