Aplicación de técnicas de reducción dimensional en el modelado de flujos inestables

La dinámica de fluidos computacional (CFD) se caracteriza por producir datos espaciotemporales de alta dimensión. Por lo tanto, identificar un conjunto óptimo de coordenadas para representar los datos en un subespacio latente de baja dimensión es un primer paso hacia el desarrollo de modelos de orde...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Madrid Wagner, Martín
Formato:	Tesis NonPeerReviewed
Lenguaje:	Español
Publicado:	2024
Materias:	Ingeniería Computational fluid dynamics Dinámica de fluidos computacional [Unsteady flow modeling Modelado de flujo inestable Dimensionality reduction Reducción dimensional]
Acceso en línea:	http://ricabib.cab.cnea.gov.ar/1279/1/1Madrid_Wagner.pdf
Aporte de:	Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB) de Instituto Balseiro

id	I25-R131-1279
record_format	dspace
institution	Instituto Balseiro
institution_str	I-25
repository_str	R-131
collection	Repositorio Institucional Centro Atómico Bariloche e Instituto Balseiro (RICABIB)
language	Español
orig_language_str_mv	es
topic	Ingeniería Computational fluid dynamics Dinámica de fluidos computacional [Unsteady flow modeling Modelado de flujo inestable Dimensionality reduction Reducción dimensional]
spellingShingle	Ingeniería Computational fluid dynamics Dinámica de fluidos computacional [Unsteady flow modeling Modelado de flujo inestable Dimensionality reduction Reducción dimensional] Madrid Wagner, Martín Aplicación de técnicas de reducción dimensional en el modelado de flujos inestables
topic_facet	Ingeniería Computational fluid dynamics Dinámica de fluidos computacional [Unsteady flow modeling Modelado de flujo inestable Dimensionality reduction Reducción dimensional]
description	La dinámica de fluidos computacional (CFD) se caracteriza por producir datos espaciotemporales de alta dimensión. Por lo tanto, identificar un conjunto óptimo de coordenadas para representar los datos en un subespacio latente de baja dimensión es un primer paso hacia el desarrollo de modelos de orden reducido. El abordaje tradicional es mediante el Análisis de Componentes Principales (PCA), que da una aproximación lineal óptima. Sin embargo, en general los flujos son complejos e inherentemente no-lineales, lo cual limita la capacidad de representación en baja dimensión del PCA. En consecuencia, recientemente se han comenzado a aplicar en el campo del CFD algoritmos de reducción de dimensionalidad (RD) no-lineales, originalmente desarrollados en el área del aprendizaje automático. En este contexto, en el presente trabajo se busca implementar y comparar diferentes métodos de RD, lineal y no-lineales, en un problema canónico de flujo inestable: el flujo alrededor de un cilindro inmerso en un flujo uniforme. Para ello, en primer lugar se genera una base de datos a partir de simulaciones numéricas directas (DNS) con el software Xcompact3d a diferentes números de Reynolds. Luego se implementan las distintas técnicas de RD. Las mismas incluyen el estándar lineal PCA, que actúa como referencia para comparar el rendimiento de los métodos no-lineales implementados: Kernel PCA (KPCA), Locally Linear Embedding (LLE), Isometric Mapping (Isomap) y autoencoders (AE). En este marco, se comparan cuantitativamente las calidades de reconstrucción de estos métodos. Las técnicas no-lineales presentan mejores resultados en la reducción espacial, pero no superan al PCA en la reducción temporal. Sin embargo, la disposición temporal de los datos permite extraer modos espaciales visualizables que resaltan las principales estructuras características del flujo, facilitando la comparación cualitativa de los métodos.
format	Tesis NonPeerReviewed
author	Madrid Wagner, Martín
author_facet	Madrid Wagner, Martín
author_sort	Madrid Wagner, Martín
title	Aplicación de técnicas de reducción dimensional en el modelado de flujos inestables
title_short	Aplicación de técnicas de reducción dimensional en el modelado de flujos inestables
title_full	Aplicación de técnicas de reducción dimensional en el modelado de flujos inestables
title_fullStr	Aplicación de técnicas de reducción dimensional en el modelado de flujos inestables
title_full_unstemmed	Aplicación de técnicas de reducción dimensional en el modelado de flujos inestables
title_sort	aplicación de técnicas de reducción dimensional en el modelado de flujos inestables
publishDate	2024
url	http://ricabib.cab.cnea.gov.ar/1279/1/1Madrid_Wagner.pdf
work_keys_str_mv	AT madridwagnermartin aplicaciondetecnicasdereducciondimensionalenelmodeladodeflujosinestables
_version_	1812569788283617280
spelling	I25-R131-12792024-09-12T13:24:20Z Aplicación de técnicas de reducción dimensional en el modelado de flujos inestables Application of dimensionality reducction techniques in medeling unstable flows Madrid Wagner, Martín Ingeniería Computational fluid dynamics Dinámica de fluidos computacional [Unsteady flow modeling Modelado de flujo inestable Dimensionality reduction Reducción dimensional] La dinámica de fluidos computacional (CFD) se caracteriza por producir datos espaciotemporales de alta dimensión. Por lo tanto, identificar un conjunto óptimo de coordenadas para representar los datos en un subespacio latente de baja dimensión es un primer paso hacia el desarrollo de modelos de orden reducido. El abordaje tradicional es mediante el Análisis de Componentes Principales (PCA), que da una aproximación lineal óptima. Sin embargo, en general los flujos son complejos e inherentemente no-lineales, lo cual limita la capacidad de representación en baja dimensión del PCA. En consecuencia, recientemente se han comenzado a aplicar en el campo del CFD algoritmos de reducción de dimensionalidad (RD) no-lineales, originalmente desarrollados en el área del aprendizaje automático. En este contexto, en el presente trabajo se busca implementar y comparar diferentes métodos de RD, lineal y no-lineales, en un problema canónico de flujo inestable: el flujo alrededor de un cilindro inmerso en un flujo uniforme. Para ello, en primer lugar se genera una base de datos a partir de simulaciones numéricas directas (DNS) con el software Xcompact3d a diferentes números de Reynolds. Luego se implementan las distintas técnicas de RD. Las mismas incluyen el estándar lineal PCA, que actúa como referencia para comparar el rendimiento de los métodos no-lineales implementados: Kernel PCA (KPCA), Locally Linear Embedding (LLE), Isometric Mapping (Isomap) y autoencoders (AE). En este marco, se comparan cuantitativamente las calidades de reconstrucción de estos métodos. Las técnicas no-lineales presentan mejores resultados en la reducción espacial, pero no superan al PCA en la reducción temporal. Sin embargo, la disposición temporal de los datos permite extraer modos espaciales visualizables que resaltan las principales estructuras características del flujo, facilitando la comparación cualitativa de los métodos. Computational fluid dynamics (CFD) is characterized by producing high-dimensional spatiotemporal data. Therefore, identifying an optimal set of coordinates to represent the data in a low-dimensional latent subspace is a first step toward the development of reduced-order models. The traditional approach is Principal Component Analysis (PCA), which provides an optimal linear approximation. However, fluid flows are generally complex and inherently nonlinear, limiting the low-dimensional representation capability of PCA. Consequently, non-linear dimensionality reduction (DR) algorithms, originally developed in the field of machine learning, have recently begun to be applied in the field of CFD. In this context, this work aims to implement and compare different linear and nonlinear DR methods over a canonical unsteady flow problem: the flow around a cylinder immersed in a uniform stream. To this end, a database is generated from direct numerical simulations (DNS) using the Xcompact3d software at different Reynolds numbers. The DR techniques studied include the standard linear PCA, which serves as a reference for comparing the performance of the implemented nonlinear methods: Kernel PCA (KPCA), Locally Linear Embedding (LLE), Isometric Mapping (Isomap), and autoencoders (AE). The reconstruction quality of these methods is quantitatively compared. Nonlinear techniques show better results in spatial reduction,but do not outperform PCA in temporal reduction. However, the temporal arrangement of the data allows for the extraction of visualizable spatial modes that highlight the main characteristic structures of the flow, facilitating the qualitative comparison of the methods. 2024-06-26 Tesis NonPeerReviewed application/pdf http://ricabib.cab.cnea.gov.ar/1279/1/1Madrid_Wagner.pdf es Madrid Wagner, Martín (2024) Aplicación de técnicas de reducción dimensional en el modelado de flujos inestables / Application of dimensionality reducction techniques in medeling unstable flows. Proyecto Integrador Ingeniería Nuclear, Universidad Nacional de Cuyo, Instituto Balseiro. http://ricabib.cab.cnea.gov.ar/1279/

Aplicación de técnicas de reducción dimensional en el modelado de flujos inestables

Ejemplares similares