Predicting the temporal dynamics of turbulent channels through deep learning

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: WFRF:(Eivazi Hamidreza) > Predicting the temp...

1 av 12
Föregående post
Nästa post
Till träfflistan

Borrelli, GiuseppeKTH,Teknisk mekanik,Linné Flow Center, FLOW,Faculty of Aerospace Engineering, Alma Mater Studiorum – University of Bologna, Forlì, Italy (författare)

Predicting the temporal dynamics of turbulent channels through deep learning

Artikel/kapitelEngelska2022

Förlag, utgivningsår, omfång ...

Elsevier BV,2022
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:kth-316031
https://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-316031URI
https://doi.org/10.1016/j.ijheatfluidflow.2022.109010DOI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

QC 20220809
The success of recurrent neural networks (RNNs) has been demonstrated in many applications related to turbulence, including flow control, optimization, turbulent features reproduction as well as turbulence prediction and modeling. With this study we aim to assess the capability of these networks to reproduce the temporal evolution of a minimal turbulent channel flow. We first obtain a data-driven model based on a modal decom-position in the Fourier domain (which we denote as FFT-POD) of the time series sampled from the flow. This particular case of turbulent flow allows us to accurately simulate the most relevant coherent structures close to the wall. Long-short-term-memory (LSTM) networks and a Koopman-based framework (KNF) are trained to predict the temporal dynamics of the minimal-channel-flow modes. Tests with different configurations highlight the limits of the KNF method compared to the LSTM, given the complexity of the flow under study. Long-term prediction for LSTM show excellent agreement from the statistical point of view, with errors below 2% for the best models with respect to the reference. Furthermore, the analysis of the chaotic behaviour through the use of the Lyapunov exponents and of the dynamic behaviour through Poincare' maps emphasizes the ability of the LSTM to reproduce the temporal dynamics of turbulence. Alternative reduced-order models (ROMs), based on the identification of different turbulent structures, are explored and they continue to show a good potential in predicting the temporal dynamics of the minimal channel.

Ämnesord och genrebeteckningar

NATURVETENSKAP Fysik Subatomär fysik hsv//swe
NATURAL SCIENCES Physical Sciences Subatomic Physics hsv//eng
Turbulent flows
Deep-learning
Minimal channel flow
Fourier POD (FFT-POD)
Data-driven analysis
Long-short-term-memory (LSTM) networks

Biuppslag (personer, institutioner, konferenser, titlar ...)

Guastoni, LucaKTH,Strömningsmekanik och Teknisk Akustik,Linné Flow Center, FLOW(Swepub:kth)u1hugcg5 (författare)
Eivazi, HamidrezaKTH,Teknisk mekanik,Linné Flow Center, FLOW(Swepub:kth)u1gfi4i7 (författare)
Schlatter, PhilippKTH,Strömningsmekanik och Teknisk Akustik,Linné Flow Center, FLOW(Swepub:kth)u18wf7mg (författare)
Vinuesa, RicardoKTH,Strömningsmekanik och Teknisk Akustik,Linné Flow Center, FLOW(Swepub:kth)u12xffui (författare)
KTHTeknisk mekanik (creator_code:org_t)

Sammanhörande titlar

Ingår i:International Journal of Heat and Fluid Flow: Elsevier BV960142-727X1879-2278

Internetlänk

Hitta via bibliotek

International Journal of Heat and Fluid Flow (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 12
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Borrelli, Giusep ...; Guastoni, Luca; Eivazi, Hamidrez ...; Schlatter, Phili ...; Vinuesa, Ricardo

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Fysik; och Subatomär fysik

Artiklar i publikationen: International Jo ...

Av lärosätet: Kungliga Tekniska Högskolan

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se