Machine learning for fluid flow reconstruction ...
Document type :
Compte-rendu et recension critique d'ouvrage
Title :
Machine learning for fluid flow reconstruction from limited measurements
Author(s) :
Dubois, Pierre [Auteur]
DAAA, ONERA [Lille]
gomez, thomas [Auteur]
DAAA, ONERA [Lille]
Planckaert, Laurent [Auteur]
Laboratoire de Mécanique des Fluides de Lille – Kampé de Fériet - UMR 9014 [LMFL]
Perret, Laurent [Auteur]
Laboratoire de recherche en Hydrodynamique, Énergétique et Environnement Atmosphérique [LHEEA]
DAAA, ONERA [Lille]
gomez, thomas [Auteur]
DAAA, ONERA [Lille]
Planckaert, Laurent [Auteur]
Laboratoire de Mécanique des Fluides de Lille – Kampé de Fériet - UMR 9014 [LMFL]
Perret, Laurent [Auteur]
Laboratoire de recherche en Hydrodynamique, Énergétique et Environnement Atmosphérique [LHEEA]
Journal title :
Journal of Computational Physics
Pages :
110733
Publisher :
Elsevier
Publication date :
2022-01
ISSN :
0021-9991
Keyword(s) :
ORIENTE DONNEES
APPRENTISSAGE AUTOMATIQUE
REDUCTION
APPRENTISSAGE AUTOMATIQUE
REDUCTION
English keyword(s) :
data-driven
machine learning
dimensionality reduction
machine learning
dimensionality reduction
HAL domain(s) :
Sciences de l'ingénieur [physics]
Physique [physics]
Physique [physics]
French abstract :
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 ...
Show more >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.Show less >
Show more >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.Show less >
English abstract : [en]
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 ...
Show more >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.Show less >
Show more >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.Show less >
Language :
Anglais
Popular science :
Non
Source :
Files
- https://hal.archives-ouvertes.fr/hal-03396275/document
- Open access
- Access the document
- https://hal.archives-ouvertes.fr/hal-03396275/file/DAAA20102.1634743310_postprint.pdf
- Open access
- Access the document
- https://hal.archives-ouvertes.fr/hal-03396275/document
- Open access
- Access the document
- https://hal.archives-ouvertes.fr/hal-03396275/file/DAAA20102.1634743310_postprint.pdf
- Open access
- Access the document
- https://hal.archives-ouvertes.fr/hal-03396275/document
- Open access
- Access the document
- https://hal.archives-ouvertes.fr/hal-03396275/document
- Open access
- Access the document
- document
- Open access
- Access the document
- DAAA20102.1634743310_postprint.pdf
- Open access
- Access the document