基于长短期记忆神经网络的涡激振动快速预报

基于本征正交分解（POD）方法和长短期记忆（LSTM）神经网络,建立圆柱双自由度VIV短期高精度快速预报模型,即POD-LSTM模型。模型训练所需数据通过浸没边界格子玻尔兹曼方法（IB-LBM）生成。基于POD降阶方法建立编码层和解码层,将流场快照集转化为一系列模态系数的时间序列,将其作为LSTM网络的输入,并将预报所得模态系数重构为流场快照。通过LSTM及滑动时间窗口策略实现未来任意时刻信息的预报。在Re=150、Ur=3,5,6,8工况下,基于过去50个时刻的历史数据,对未来300个时刻的流场速度分布及圆柱横流向位移进行预报。速度场的量纲一预报误差和均方根误差、圆柱横流向位移的均方根误差均维持在较低的水平,证明了POD-LSTM模型具备较高的预报精度。此外,在相同条件下,POD-LSTM模型计算耗时仅为IB-LBM的5.27%,在预报效率方面有显著优势。