Geschichtsbewusste adaptive reduzierte Modelle durch inkrementelle Singulärwertzerlegung
Forscher entwickeln ein adaptives Framework für reduzierte Modelle (ROMs) basierend auf inkrementeller Singulärwertzerlegung (iSVD), das durch Speicherung der Dynamikgeschichte die Genauigkeit bei sich ändernden Bedingungen verbessert. Tests an nichtlinearen Problemen wie der Burgers-Gleichung und Detonationsmotoren zeigen deutliche Verbesserungen gegenüber bestehenden Methoden.
Einordnung
Diese Forschung adressiert ein fundamentales Problem in der numerischen Simulation: Reduzierte Modelle beschleunigen zwar Berechnungen, verlieren aber an Genauigkeit, wenn sich die Systemdynamik von den Trainingsdaten unterscheidet. Der geschichtsbewusste iSVD-Ansatz ist besonders relevant für komplexe Strömungssimulationen und könnte erhebliche Auswirkungen auf die Computational Fluid Dynamics haben.
Die Ergebnisse zeigen, dass das Verfahren bei einem zehnspezies rotierenden Detonationsmotor sowohl in der Vorhersagegenauigkeit als auch in der Recheneffizienz überlegen ist. Dies könnte den Weg für ROMs ebnen, die über Zeitspannen hinweg vorhersagefähig bleiben, die um Größenordnungen länger sind als ihr ursprüngliches Trainingsfenster.