Resumen

El modelo de orden reducido puede predecir de manera precisa y eficiente problemas inestables en muchas aplicaciones de ingeniería aeroespacial. El modelo de orden reducido tradicional basado en la descomposición ortogonal adecuada (POD) y la proyección de Galerkin tiene poca robustez y un gran error al predecir problemas complejos. En este artículo, se propone un modelo de orden reducido que combina POD y aprendizaje profundo para predecir las oscilaciones del flujo en una cavidad bajo diferentes condiciones de flujo. En primer lugar, se obtienen los modos POD y los coeficientes correspondientes mediante POD. Luego, se utilizan dos marcos de aprendizaje profundo, incluidas las redes neuronales de perceptrón multicapa (MLP) y memoria a corto y largo plazo (LSTM), para predecir los futuros coeficientes POD, respectivamente. Finalmente, las oscilaciones del flujo en la cavidad a través de múltiples números de Mach son predichas por los modos POD y los coeficientes futuros. Los resultados muestran que

• Materias:Ingeniería subterránea Deformaciones elásticas Excavación con explosivos Transitorios repetitivos Efecto de Perturbación
• Subjects:Underground engineering Elastic deformations Excavation with explosives Repetitive transients Perturbation effect
• Palabras claves:Modelo de orden reducido; Ingeniería aeroespacial; Descomposición ortogonal apropiada; Proyección de Galerkin; Aprendizaje profundo; Oscilaciones del flujo en cavidad
• Keywords:Reduced-order model; Aerospace engineering; Proper orthogonal decomposition; Galerkin projection; Deep learning; Cavity flow oscillations