受控尾流中数据驱动潜空间降阶模型的紧凑性与预测精度权衡研究

《Journal of Fluid Mechanics》：The balance between compactness and forecast accuracy of data-driven latent-space reduced-order models in controlled wake flows

　　

： 基于模型（model-based）的主动流动控制（active flow control, AFC）需要兼具准确性、稳定性和足够实时优化速度的预测模型。在受控尾流（controlled wake flows）中，这一需求通常通过降阶模型（reduced-order models, ROMs）实现，该类模型首先将高维速度快照压缩至潜空间（latent space），随后学习潜空间动力学的时间步进预测器。本研究探讨空间编码器（spatial encoder）的选择如何影响受控尾流中潜坐标（latent coordinates）的可预测性。研究采用两种受驱动的二维尾流构型——简化卡车尾流（simplified truck wake）与流体弹球（fluidic pinball），对比了本征正交分解（proper orthogonal decomposition, POD）与非线性卷积自编码器（convolutional autoencoders, CAEs）及两类变分自编码器（variational autoencoders, VAEs）在压缩方面的表现，并评估了基于长短期记忆网络（long short-term memory, LSTM）的多种时间预测器。CAEs具有更高的压缩效率和更锐利的短期重构质量，但其潜动力学更为不规则且具有宽带频谱特征。因此，CAEs的长时域预报衰减更快，且出现灾难性发散（catastrophic divergence）的概率高于基于POD的模型。POD产生的潜轨迹更为平滑，更易于学习和外推，从而在超出短期范畴的预测中具有更高的可靠性。上述结果揭示了紧凑性（compactness）与预测精度（forecast accuracy）之间的明确权衡，并表明潜动力学预测的稳定性可能优于最大压缩。这一发现对于依赖动力学预报的控制策略（如模型预测控制（model predictive control, MPC）和强化学习（reinforcement learning, RL））尤为重要。研究结果为设计面向实时流动控制的、具备驱动感知能力且硬件可行的预测性ROM提供了实践指导。

论文解读文章：

一、研究背景与问题提出

主动流动控制（active flow control, AFC）作为提升地面及空中交通工具气动性能的重要手段，通过合成射流、等离子体装置或移动壁面等执行器操纵流动分离与尾流结构，可显著改善气动性能。尽管开环控制已在简化钝体风洞试验中展现出良好的减阻效果，但真实工况固有的非定常特性要求反馈控制系统能够感知当前流场状态、预测其演化并实时施加最优控制动作。

模型预测控制（model predictive control, MPC）作为典型的基于模型的控制策略，在每个时间步利用动力学模型在有限时域内预报未来流场状态并求解优化问题以获得最优控制序列。相较于纯无模型策略，MPC具有更高的样本效率、更清晰的稳定性与安全性保证路径，并能自然处理执行器与状态的约束条件。然而，MPC的有效性最终取决于被控对象模型的可靠性。在湍流中，不仅需要近似无驱动动力学，还需表征驱动如何重塑可达状态空间。已有研究表明，受控尾流往往演化于低维、依赖驱动（actuation-dependent）的流形上，若降维坐标未考虑控制输入，可能导致潜动力学不必要地复杂化甚至与可行驱动指令不一致。

全阶数值模拟虽在预测控制实现中具有金标准意义，但在实时回路中计算上不可行。因此，研究人员聚焦于基于降阶模型（reduced-order models, ROMs）的框架，包含两个阶段：（i）将高维速度场压缩至低维潜空间（编码阶段）；（ii）学习在驱动作用下潜演化的时间步进模型（预测步骤）。尽管已有研究探索了数据驱动方法在该框架中的应用，仍存在两个研究空白：其一，这些方法在不同外生输入下的泛化能力尚不明确，在主动控制环境下训练与预测的成熟方案尚未形成；其二，学界存在使用强大编码器的趋势，但尚不清楚在特定构型下奥卡姆剃刀式（Occam's razor）的简洁方案是否更为有效。尾流通常演化于低维吸引子上，具有相当可预测的动力学特性。在涡脱落主导的流动中，POD前几阶系数往往呈现窄带、近似振荡的动力学特征，因为POD分离了能量最集中的相干结构。然而必须指出，POD虽是线性分解，但并不意味其降维空间中可实现线性化动力学，POD系数动力学与Koopman模态之间的类比应视为问题依赖而非POD固有属性。卷积自编码器（convolutional autoencoders, CAEs）虽可被驱动以逼近Koopman算子，但以重构紧凑性为目标的训练并不蕴含动力学鲁棒性保证。已有POD与CAE的比较研究主要针对自治动力学系统，编码器选择与多输入驱动在依赖驱动的流形上的交互作用仍探索不足。

二、研究内容与主要结论

为填补上述空白，本研究系统比较了线性和非线性编码选项，针对受控制动作作用的尾流系统展开研究。编码方面，对比了经典的能量最优POD与非线性CAEs，后者通常产生更紧凑的潜表示但可能诱发更复杂的受控潜动力学。时间预测方面，采用长短期记忆网络（long short-term memory, LSTM），其适用于序贯潜动力学。利用两种二维尾流构型——简化卡车模型（单输入系统）与流体弹球（多输入系统），量化了潜空间动力学的紧凑性与预测精度之间的权衡，并展示了最优降维策略如何依赖于控制器所需的预测时域。

研究得出以下核心结论：CAEs在压缩效率和短期重构锐度上优于POD，但其潜动力学更不规则且具有宽带频谱内容，导致长时域预报退化更快且灾难性发散概率更高。POD产生更平滑的潜轨迹，更易于学习和外推，在超出短期范畴的预测中具有更高可靠性。研究揭示了紧凑性与预测精度之间的明确权衡，表明潜动力学预测的稳定性可能比最大压缩更为重要。该发现对依赖动力学预报的控制策略（如MPC和强化学习）尤为重要，为设计驱动感知的、硬件可行的预测性ROM提供了实践指导。

三、关键技术方法

研究人员采用以下主要技术方法开展研究：

（1）数据生成：通过直接数值模拟（direct numerical simulation, DNS）生成两个二维尾流构型的数据集。简化卡车模型（雷诺数Re=500）采用OpenFOAM求解器，结合Gym-preCICE耦合库封装，控制信号为带通滤波噪声激励的零净质量流合成射流；流体弹球（Re=150）采用隐式时间积分有限元求解器，控制信号为准静态阶跃斜坡的三圆柱旋转速度组合。卡车模型数据集含50,000个快照（时间步长0.2对流时间，空间分辨率128×256），弹球数据集含70,000个快照（时间步长0.1对流时间，空间分辨率96×192）。

（2）降维编码：对比能量最优线性POD与非线性CAEs，并额外评估两种正则化变分变体——β-变分自编码器（β-VAE）和分解KL变分自编码器（DKL-VAE），以评估潜空间正则化是否改变潜动力学特性。能量百分比E指标用于量化低阶重构的能量捕获能力。

（3）时间预测：采用基于LSTM网络架构的三种方法预测潜空间在控制输入下的时间演化，将潜状态与控制序列共同输入预测器，推断潜空间未来演化，再由解码器将预测潜状态重构回高维速度场。

四、研究结果

4.1 流场构型与数据生成

简化卡车模型为长L=7.647W、宽W=1的矩形钝体，前缘圆角半径r=0.118W，Re=500。控制采用基底两侧的零净质量流射流（宽度w_jet=0.05W，最大速度1.5U_∞），整体质量流率每时刻为零。控制信号由白高斯噪声经四阶Butterworth带通滤波（截止频率0.05t_c^-1至0.5t_c^-1，覆盖自然脱落频率f_sh≈0.2t_c^-1）生成，并限幅至执行器物理极限（最大体积流率0.075U_∞W）。速度场插值至均匀笛卡尔网格，减去时间平均场并按分量全局标准差归一化，最后10%快照用于测试。

流体弹球由三个等直径（D=2R）圆柱构成，圆心位于等边三角形顶点，边长3R，Re=150高于准周期非对称到混沌的转变点（Re?115），呈现主导涡脱落伴随中心射流随机上下切换的混沌动力学。控制为三圆柱切向速度（归一化于U_∞，逆时针为正），从125种离散速度组合（集合{-1, -0.5, 0, 0.5, 1}）中选取目标值，各圆柱具有不同的斜坡时长（25t_c、40t_c、120t_c）和保持时长（30t_c、235t_c、1250t_c）。最后20,000个快照用于测试。

4.2 降维与预测框架

研究框架如图1所示：高维输入速度场经编码器（POD或CAE）压缩为低维潜空间时间序列，该潜状态连同对应控制序列输入时间预测器，推断潜空间未来演化，最后由解码器将预测潜状态重构回高维全场速度状态空间。能量百分比E指标定义为重构误差能量占比的补数。

4.3 编码器对潜动力学可预测性的影响

CAEs实现更高的压缩效率和更锐利的短期重构，但其潜动力学更不规则且具有宽带频谱特征。作为后果，CAE长时域预报退化更快且灾难性发散概率更高。POD产生更平滑的潜轨迹，更易于学习和外推，在超出短期范畴的预测中具有更高可靠性。结果揭示了紧凑性与预测精度之间的明确权衡：潜动力学预测的稳定性可优于最大压缩。

五、讨论与结论

本研究表明，在受控尾流中构建预测性ROM时，编码器的选择对潜动力学的可预测性具有决定性影响。尽管CAEs在压缩效率上具有优势，但其潜动力学的宽带频谱特征和更高的发散概率使其在长时域预报中不及POD可靠。这一权衡对于依赖动力学预报的控制策略（如MPC和强化学习）具有直接意义：控制器的预测时域需求应指导降维策略的选择。当需要较长预测时域时，POD的平滑潜轨迹和更好的外推能力使其成为更稳健的选择；当短期精度优先且压缩效率至关重要时，CAEs可能更为合适。研究结果为设计驱动感知的、硬件可行的预测性ROM提供了实践指导，有助于推动基于模型的主动流动控制在真实工况中的应用。该权衡根植于POD的频谱组织与CAE潜动力学的宽带特性，预期不限于本研究采用的雷诺数区间，更高雷诺数和三维构型下的显式评估留待未来工作。