Machine learning for fluid flow reconstruction from limited measurements
Résumé
This paper investigates the use of data-driven methods for the reconstruction of unsteady fluid flow fields. The proposed framework is based on the combination of machine learning tools: dimensionality reduction to extract dominant spatial directions from data, reconstruction algorithm to recover encoded data by limited measurements and cross-validation for hyperparameter optimization. For the encoding part, linear and nonlinear extraction of patterns are considered: proper orthogonal decomposition (POD), linear autoencoder (LAE) and variational autoencoder (VAE). For the reconstruction part, regressive reconstruction (neural network, linear, support vector, gradient boosting) and library-based reconstruction are compared, each method being cross-validated to ensure good generalization on testing data. The position of sensors is optimized using an enhanced clustering algorithm. The robustness of regressive reconstructions to noise measurements is also addressed, showing the benefits of variational approaches in the reduction phase. The strategy is tested for three increasing complexity flows: 2D vortex shedding (Re = 200), 2D spatial mixing layer and 3D vortex shedding (Re = 20000). The results suggest that proper machine learning approaches to fluid flow data can lead to effective reconstruction models that can be used for the rapid estimation of complex flows.
Ce papier s'intéresse à l'utilisation de méthodes orientée données pour la reconstruction de champs de vitesse instationnaires. La stratégie proposée est basée sur la combinaison d'outils du machine learning : réduction de dimension pour extraire les directions dominantes de l'écoulement, algorithme de reconstruction pour estimer les données encodées à partir de mesures et validation croisée pour l’optimisation des hyperparamètres. Pour la partie «encodage», des transformations linéaires et non linéaires sont considérées : décomposition en modes propres orthogonaux, auto-encodeur linéaire et auto encodeur variationnel. Pour la partie «reconstruction», une méthode régressive (réseau de neurones, linéaire, machine à vecteurs support, boosting du gradient) et une méthode basée sur une bibliothèque de référence sont comparées. La position des capteurs est optimisée par clustering amélioré. La robustesse au bruit de mesures est étudiée, montrant l'intérêt des approches variationnelles lors de l'étape de réduction. La stratégie est testée sur trois cas de mécanique des fluides : écoulement derrière un cyclindre (Re 200), couche de mélange spatiale (Re 500) et écoulement derrière un cylindre 3D (Re 20000). Les résultats montrent qu'une bonne approche machine learning permet d'apprendre des modèles robustes et efficients pour l'estimation rapide d'écoulements complexes.
Origine : Fichiers produits par l'(les) auteur(s)