Pronóstico de campos de flujo no estacionarios aprovechando una arquitectura de aprendizaje profundo híbrida

Con el rápido desarrollo de la tecnología basada en datos, el aprendizaje profundo se ha utilizado ampliamente para estudiar fenómenos de flujo no estacionarios, debido a sus capacidades de procesamiento de datos grandes, no lineales y de alta dimensión. Predecir rápida y precisamente los campos de flujo no estacionarios ha sido un gran desafío en la mecánica de fluidos. Por lo tanto, diseñamos un nuevo marco de red neuronal profunda híbrida en forma de U (UDNN) utilizando una convolución multicapa. A través de la interacción de aprendizaje multicapa de datos de flujo de campo de alta dimensión, se capturan las características temporales y espaciales del flujo del campo, y las características del campo de flujo se predicen de forma integral. La UDNN comprende una capa neuronal de convolución, una capa de deconvolución, capas de convolución a largo y corto plazo, y una capa de mecanismo de atención. Primero, basándonos en dinámica de fluidos computacional, generamos conjuntos de datos de flujo no estacionario del flujo alrededor de cilindros fijos y rotatorios a diferentes números de Reynolds, que se utilizaron como muestras de entrenamiento para el marco de la red. En segundo lugar, diseñamos una capa convolucional en forma de U, añadimos procesamiento de características de series temporales horizontales y unidades de mecanismo de atención, y fusionamos la información de características profundas predicha por el modelo con información semántica superficial para predecir las características del campo de flujo. Además, comparamos la UDNN, la descomposición ortogonal adecuada – memoria a largo y corto plazo, y los modelos tradicionales de autoencoders convolucionales – memoria a largo y corto plazo en términos del error de predicción del campo de flujo, el tiempo de entrenamiento del modelo y la velocidad de inferencia. Los resultados finales mostraron que el marco UDNN propuesto logró alta precisión y fuerte robustez en la predicción de campos de flujo no estacionarios.