Apr, 2024

探索利用模态分解的混合方法比全深度学习模型更有效的流体动力学预测

PDF
TL;DR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。
fluid dynamicstime series forecastingdeep learningautoregressive modelsmodal decomposition
发现论文，激发创造
  • 基于多模态深度学习的交通流量预测的混合方法

    本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明，该模型能够有效地处理复杂的非线性城市交通流预测问题。

    Mar, 2018

  • FLODCAST：多模态递归架构中的流量和深度预测

    本研究提出了一种多任务循环架构的流和深度预测模型 FLODCAST，通过训练使用流和深度地图的多个时刻一起进行预测，改善了两个任务的性能，并在 Cityscapes 数据集上获得了最先进的结果。

    Oct, 2023

  • 深度预测因素

    本研究提出了一种混合模型，将经典时间序列模型与基于深度神经网络的模型结合起来，通过全局深度组件实现可扩展性和数据驱动，同时通过本地经典模型处理不确定性。实验证明，该模型在数据效率、准确性和计算复杂性方面具有优势。

    May, 2019

  • 从多模态时间序列中重建非线性动力系统

    提出了一种基于动态可解释循环神经网络的通用框架，用于多模态数据的非线性 DS 重建和跨模态关系分析。该算法能够通过利用其他信道来弥补单个数据通道中过度嘈杂或缺失的信息，并演示了该算法如何学习将不同数据域链接到潜在动力学。

    Nov, 2021

  • 基于条件正则流的多元概率时间序列预测

    本文介绍了一种基于自回归深度学习模型和有条件归一化流模型的多元时序动态建模方法，该方法通过建模统计依赖关系来提高精度和分析交互效应。实验结果表明，该方法在多个实际数据集上比现有技术表现更好。

    Feb, 2020

  • 流体流动的模态分析：概述

    本研究论文介绍实现流体动力学中基于模态分解的分析方法，其中包括 Proper Orthogonal Decomposition（POD）和 Dynamic Mode Decomposition (DMD) 等关键词。

    Feb, 2017

  • 用深度卷积循环自编码器学习流体系统低维特征动态

    本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

    Aug, 2018

  • 基于数据驱动的多时刻 Landau 阻尼流体建模

    本文使用深度学习来学习针对等离子体系统获得的数据，推导包含 Landau 阻尼等动力学效应的流体偏微分方程，并且根据该流体方程重现了这个等离子体系统的所有物理量，这种数据驱动的 PDE 流体建模方法可以改善流体封闭性以及降低计算成本。

    Sep, 2022

  • 面向物理学信息的深度学习在湍流流场预测中的应用

    使用基于物理原理的 TensorFlow-net 深度学习模型，可以准确预测高效非线性动力学物理场，并且满足保守质量、模拟湍流动能和频谱等物理特征。

    Nov, 2019

  • 深度神经算子模型在海洋预测中的评估

    深度学习模型框架在预测时间序列数据方面具有潜在应用，尤其是在大气和海洋领域。本研究探讨了利用深度神经操作模型对经典流体流动和真实海洋动力学进行重现和预测的可能性，并证实了这些模型对理想化周期性涡流脱落和真实海洋表面流动的一些特征的预测能力。

    Aug, 2023