Low-order thermoacoustic models are qualitatively correct, but they are typically quantitatively inaccurate. We propose a time-domain method to make qualitatively low-order models quantitatively (more) accurate. First, we develop a Bayesian data assimilation method for a low-order model to self-adapt and self-correct any time that reference data, for example from experiments, becomes available. Second, we apply the methodology to infer the thermoacoustic states, heat release parameters, and model errors on the fly without storing data (real-time). Third, we analyse the performance of the data assimilation with synthetic data and interpret the results physically. We apply the data assimilation algorithm to all nonlinear thermoacoustic regimes, from limit cycles to chaos, in which acoustic pressure measurements from microphones are assimilated. Fourth, we propose practical rules for thermoacoustic data assimilation based on physical observations on the dynamics. An increase, reject, inflate strategy is proposed to deal with the rich nonlinear behaviour, the bifurcations of which are sensitive to small perturbations to the parameters. We show that (i) the correct acoustic pressure and parameters can be accurately inferred; (ii) the learning is robust because it can tackle large uncertainties in the observations (up to 50% the mean values); (iii) the uncertainty of the prediction and parameters is naturally part of the output; and (iv) both the time-accurate solution and statistics can be successfully inferred. Physical time scales for assimilation are proposed in non-chaotic regimes (with the Nyquist-Shannon criterion) and in chaotic regimes (with the Lyapunov time). Data assimilation opens up new possibility for real--time prediction of thermoacoustics by synergistically combining physical knowledge and data.


翻译:低顺序的温度感应模型在质量上是正确的,但通常在数量上是不准确的。 我们提出一个时间- 域方法, 使质量低顺序模型在数量上( 更多) 准确。 首先, 我们为低序模型开发一种巴伊西亚数据同化方法, 到自适应和自纠正, 任何参考数据( 例如实验数据) 出现时, 我们用这个方法来推断热声状态、 热释放参数和飞行模型错误, 而不存储数据( 实时) 。 第三, 我们用合成数据分析数据同化的性能, 并用物理解释结果。 我们用数据同值计算数据, 从限量周期到混杂状态, 将数据同化。 第四, 我们根据对动态的物理观察, 提出热感应数据同化的实用规则。 提议增加、 拒绝、 冷淡化战略, 以应对丰富的非线性行为, 其内值的比值与参数的细度值比较。 我们用数据与非线性值的数值一起, 显示( ) 准确的压压压压值和精确的数值是时间( ), 和直数级的数值可以进行, 。我们用测测算, 和直调的数值是时间, 。

0
下载
关闭预览

相关内容

ACM/IEEE第23届模型驱动工程语言和系统国际会议,是模型驱动软件和系统工程的首要会议系列,由ACM-SIGSOFT和IEEE-TCSE支持组织。自1998年以来,模型涵盖了建模的各个方面,从语言和方法到工具和应用程序。模特的参加者来自不同的背景,包括研究人员、学者、工程师和工业专业人士。MODELS 2019是一个论坛,参与者可以围绕建模和模型驱动的软件和系统交流前沿研究成果和创新实践经验。今年的版本将为建模社区提供进一步推进建模基础的机会,并在网络物理系统、嵌入式系统、社会技术系统、云计算、大数据、机器学习、安全、开源等新兴领域提出建模的创新应用以及可持续性。 官网链接:http://www.modelsconference.org/
【Cell】神经算法推理,Neural algorithmic reasoning
专知会员服务
28+阅读 · 2021年7月16日
专知会员服务
37+阅读 · 2021年5月14日
【新书】Python编程基础,669页pdf
专知会员服务
194+阅读 · 2019年10月10日
聊聊RTA(Realtime API)
AINLP
28+阅读 · 2020年6月5日
通过Docker安装谷歌足球游戏环境
CreateAMind
11+阅读 · 2019年7月7日
TorchSeg:基于pytorch的语义分割算法开源了
极市平台
20+阅读 · 2019年1月28日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
R工程化—Rest API 之plumber包
R语言中文社区
11+阅读 · 2018年12月25日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Teacher-Student Training for Robust Tacotron-based TTS
Arxiv
8+阅读 · 2018年11月27日
VIP会员
相关资讯
聊聊RTA(Realtime API)
AINLP
28+阅读 · 2020年6月5日
通过Docker安装谷歌足球游戏环境
CreateAMind
11+阅读 · 2019年7月7日
TorchSeg:基于pytorch的语义分割算法开源了
极市平台
20+阅读 · 2019年1月28日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
R工程化—Rest API 之plumber包
R语言中文社区
11+阅读 · 2018年12月25日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员