典型文献
基于时程深度学习的复杂流场流动特性表征方法
文献摘要：
流场的特征分析与表征研究对流动机理的明确具有重要意义.然而湍流流场具有复杂的非定常时空演化特征,对其流场数据的低维表征有一定困难.针对此问题,本文提出了基于流场时程数据深度学习方法的湍流低维表征模型,实现了复杂流动数据的降维表征.分别建立了基于一维线性卷积、非线性全连接和非线性卷积的自动编码方法,对非定常时程数据进行降维并得到了低维空间到时域的解码映射关系,实现了特征提取与压缩.通过Re=2.2×104的方柱绕流场进行了研究与验证,结果表明:时程深度学习方法可以有效地实现流场的低维表征,适用于复杂湍流问题;非线性一维卷积自编码器对复杂流场的表征准确性优于全连接和线性卷积方法.本文方法是无监督训练方法,可应用于基于一点的传感器数据处理中,是研究复杂流场特征的新方法.
文献关键词：
时程深度学习;流场降维;卷积神经网络;湍流流场;流动表征
中图分类号：
作者姓名：
战庆亮;白春锦;葛耀君
作者机构：
大连海事大学,交通运输工程学院,大连 116026;同济大学,土木工程防灾国家重点实验室,上海 200092
文献出处：
引用格式：
[1]战庆亮;白春锦;葛耀君-.基于时程深度学习的复杂流场流动特性表征方法)[J].物理学报,2022(22):155-164
A类：
时程深度学习,流场降维,流动表征
B类：
流动特性,表征方法,分析与表征,表征研究,流动机理,湍流流场,非定常,常时,时空演化特征,时程数据,数据深度,深度学习方法,表征模型,复杂流动,流动数,线性卷积,全连接,自动编码,编码方法,低维空间,解码,映射关系,Re,方柱绕流,流问题,一维卷积,卷积自编码器,无监督训练,训练方法,传感器数据,流场特征
AB值：
0.326892
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
