DOI: https://doi.org/10.1080/00295450.2025.2575701
تاريخ النشر: 2026-01-09
المؤلف: Stefano Riva وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
تبحث هذه الورقة البحثية في إصدارات مختلفة من خوارزمية تحليل الوضع الديناميكي البارامتري (pDMD) للتنبؤ بالأنظمة الديناميكية البارامترية، وتطبق بشكل خاص على ثلاث حالات اختبار حرارية هيدروليكية متميزة: تدفق لامع فوق أسطوانة، مجموعة بيانات مرجعية لنفس التدفق، ومرافق DYNASTY التجريبية في بوليتكنيكو دي ميلانو. تقارن الدراسة بين ثلاث طرق pDMD—التداخل مع المشغل المخفض (ROI)، التداخل مع مشغل كوبمان المخفض (RKOI)، وتداخل الديناميات الكامنة—مسلطة الضوء على مزاياها وقيودها. تشير النتائج إلى أنه بينما يكون ROI فعالاً من الناحية الحسابية، قد يواجه صعوبة مع الديناميات المعقدة. بالمقابل، يوفر RKOI، الذي يستخدم نسخة محسنة من DMD، توازناً بين الدقة والكفاءة الحسابية، خاصة للأنظمة الفوضوية.
تؤكد الورقة على ضرورة ضبط الرتبة \( k \) بعناية لتحقيق الأداء الأمثل عبر جميع الطرق، حيث تكون القيمة المثالية تعتمد على التطبيق. على الرغم من أن RKOI يتفوق بشكل عام على الآخرين، يجب أن يتماشى اختيار الخوارزمية مع متطلبات التطبيق المحددة، مثل التعقيد والموارد الحسابية المتاحة. يقترح المؤلفون أنه لا توجد طريقة واحدة متفوقة عالمياً، حيث يتطلب كل منها ضبطاً لتحقيق دقة قابلة للمقارنة. ستركز الأعمال المستقبلية على تعزيز خوارزميات pDMD لمشاكل استيعاب البيانات وتوسيع تطبيقاتها في سيناريوهات متعددة الفيزياء، مع خطط لدمج DMD المحسن في طريقة ROI لتحسين الأداء بشكل أكبر.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الحاجة الملحة لنماذج رياضية فعالة في العلوم الحاسوبية، خاصة للتطبيقات متعددة الاستعلامات وفي الوقت الحقيقي في الهندسة. غالباً ما تعتمد الأساليب التقليدية للنمذجة على المعادلات التفاضلية الجزئية (PDEs) وأشكالها المرقمة، المعروفة باسم نماذج النظام الكامل (FOMs). ومع ذلك، فإن التكلفة الحسابية المرتبطة بحل FOMs تحد من قابليتها للتطبيق في السيناريوهات التي تتطلب تقييمات سريعة، مثل تحسين التصميم والمراقبة عبر الإنترنت. للتخفيف من هذه المشكلة، ظهرت تقنيات النمذجة ذات الرتبة المخفضة (ROM)، مما يمكّن من إنشاء نماذج بديلة تقلل بشكل كبير من المتطلبات الحسابية مع الحفاظ على الدقة.
من بين تقنيات ROM المختلفة، اكتسب تحليل الوضع الديناميكي (DMD) شهرة بسبب تنفيذه البسيط وفعاليته عبر تطبيقات متنوعة، بما في ذلك ديناميات السوائل وديناميات المفاعلات. يتفوق DMD في تحديد الهياكل السائدة داخل مجموعات البيانات، مما يسمح بإنشاء نماذج بديلة خطية دون معرفة مسبقة بالمعادلات الحاكمة. ومع ذلك، يواجه DMD القياسي صعوبة مع السلاسل الزمنية البارامترية، مما يتطلب نماذج منفصلة لكل تحقق من المعلمات. تناقش هذه الورقة التقدمات الأخيرة في خوارزميات تحليل الوضع الديناميكي البارامتري (pDMD)، التي تهدف إلى معالجة هذه القيود من خلال دمج الاعتماديات البارامترية في عملية النمذجة. يقارن المؤلفون بين أساليب pDMD المختلفة باستخدام مجموعتين من البيانات من سيناريوهات حرارية هيدروليكية، مما يقيم في النهاية ملاءمتها للمراقبة والتحكم عبر الإنترنت في أنظمة الهندسة، خاصة في سياق ديناميات المفاعلات النووية. تعتبر هذه الدراسة استكشافاً أساسياً لتطبيقات pDMD، مما يمهد الطريق للتحقيقات المستقبلية في أنظمة ديناميكية أكثر تعقيداً.
طرق
تم تصميم مرفق DYNASTY التجريبي، الواقع في بوليتكنيكو دي ميلانو، للتحقيق في ديناميات الدورة الطبيعية في التدفقات المسخنة داخلياً، باستخدام حالة اختبار حرارية هيدروليكية مرجعية لـ “التدفق فوق الأسطوانة” عبر أرقام رينولدز متغيرة. يتكون المرفق من حلقة مربعة 3 × 3 تستخدم سوائل مثل الماء والجليكول البروبيلي، مع أنابيب من الفولاذ المقاوم للصدأ AISI316 بقطر 38 مم وسمك 2 مم. تم تجهيز ثلاثة من أرجل الحلقة الأربعة بشرائط تسخين كهربائية، بينما تعمل الأنبوبة الأفقية العلوية كموصل حراري مزود بمروحة هوائية. يسمح الإعداد التجريبي بتكوينات تسخين مرنة، مما يمكّن من تفعيل الشرائط الحرارية بشكل متزامن أو فردي.
لتمثيل الظروف التجريبية، تم تطوير نموذج RELAP5/MOD3.3، مع التركيز على تكوين VHHC-GV1. تم تصميم كود RELAP5، الذي تم تصميمه في الأصل لتحليل الانتقالات في مفاعلات المياه الخفيفة، ليكون بارعاً في نمذجة مجموعة من الانتقالات الحرارية الهيدروليكية، بما في ذلك تلك التي تتضمن خلطات من البخار والماء. يدمج النموذج إطار عمل غير متجانس وغير متوازن أحادي البعد للتنبؤ بدقة بالانتقالات مع الحفاظ على البساطة للتحليلات البارامترية. نجحت المحاكاة في تكرار بدء الدورة الطبيعية على مدى فترة انتقالية مدتها 2000 ثانية، مع خطوة أخذ عينات قدرها 10 ثوانٍ. تم أخذ القياسات التجريبية، باستخدام ثيرموكبلات موضوعة في مواقع استراتيجية داخل المرفق، مع عدم يقين قدره ±2 كلفن، مما يضمن بيانات موثوقة للتحقق من صحة النموذج العددي.
نتائج
تقدم هذه القسم نتائج عددية من تطبيق ثلاث إصدارات من تحليل الوضع الديناميكي البارامتري (pDMD) على حالات اختبار متنوعة، بما في ذلك تدفق ذو رقم رينولدز منخفض فوق أسطوانة، مجموعة بيانات مرجعية لتعلم الآلة مع بيانات ديناميات السوائل الحاسوبية (CFD)، ومرفق DYNASTY التجريبي في بوليتكنيكو دي ميلانو. الهدف من هذه الدراسات الحالة هو تقييم الدقة والمزايا والقيود للخوارزميات المختلفة pDMD في الأدبيات.
يسمح التركيز الأولي على مشاكل ديناميات السوائل الأكثر بساطة، مثل التدفق فوق الأسطوانة، باستكشاف الديناميات المعقدة وغير الخطية الكبيرة التي يصعب التنبؤ بها. بعد ذلك، تظهر تطبيقات طرق pDMD على مرفق DYNASTY فعاليتها على الأنظمة الحقيقية، باستخدام كود نظام معتمد على نطاق واسع داخل مجتمع الهندسة النووية. تؤكد هذه المقاربة الشاملة على إمكانيات تقنيات pDMD في التطبيقات النظرية والعملية في ديناميات السوائل وبحوث المفاعلات النووية.
مناقشة
في هذا القسم، يتم مناقشة طريقة تحليل الوضع الديناميكي (DMD)، مع تسليط الضوء على مبادئها الأساسية وتنوعاتها. تم تطوير DMD في الأصل بواسطة شميت، وهو طريقة قاعدة مخفضة تستخدم تحليل القيم الفردية (SVD) لاستخراج الهياكل المتماسكة زمانياً ومكانياً من مجموعات بيانات عالية الأبعاد، خاصة في ديناميات السوائل. تحدد الخوارزمية مشغلاً خطياً \( A \) يقارب ديناميات النظام، مما يسمح بتقدم متجهات الحالة مع مرور الوقت. تصبح طريقة DMD الدقيقة، التي تستخدم مصفوفات عالية الأبعاد، غير قابلة للتطبيق حسابياً لمجموعات البيانات الكبيرة؛ وبالتالي، يتم تقديم نسخة مخفضة، تستفيد من SVD لإنشاء تمثيل منخفض الأبعاد مع الحفاظ على الدقة.
يتناول القسم المزيد من القيود الخاصة بـ DMD الأساسي، خاصة حساسيتها للضوضاء، ويقدم DMD المحسن كبديل أكثر قوة. تعزز هذه النسخة من الانحدار للديناميات ذات الزمن الأسي وتستوعب أخذ عينات غير متجانسة من البيانات. بالإضافة إلى ذلك، يتم تقديم عدة طرق متقدمة، بما في ذلك التداخل مع المشغلين المخفضين (ROI) والتداخل مع مشغل كوبمان المخفض (RKOI)، التي تهدف إلى تحسين كفاءة ودقة DMD في الإعدادات البارامترية. تستخدم هذه الطرق تقنيات الانحدار للتنبؤ بمشغلات DMD عبر معلمات متغيرة، مما يسهل في النهاية إعادة بناء متجهات الحالة عالية الأبعاد من التمثيلات المخفضة. يتم تقييم أداء هذه الخوارزميات في سياق تدفق لامع فوق أسطوانة، مما يظهر فعاليتها في التقاط الديناميات المعقدة مع الحفاظ على الكفاءة الحسابية.
DOI: https://doi.org/10.1080/00295450.2025.2575701
Publication Date: 2026-01-09
Author(s): Stefano Riva et al.
Primary Topic: Model Reduction and Neural Networks
Overview
This research paper investigates various versions of the parametric Dynamic Mode Decomposition (pDMD) algorithm for predicting parametric dynamical systems, specifically applied to three distinct thermal-hydraulics test cases: laminar flow over a cylinder, a benchmark dataset for the same flow, and the DYNASTY experimental facility at Politecnico di Milano. The study compares three pDMD methods—Reduced Operator Interpolation (ROI), Reduced Koopman Operator Interpolation (RKOI), and Interpolation of the Latent Dynamics—highlighting their respective advantages and limitations. The findings indicate that while ROI is computationally efficient, it may struggle with complex dynamics. In contrast, RKOI, which utilizes an optimized version of DMD, offers a balance of accuracy and computational efficiency, particularly for chaotic systems.
The paper emphasizes the necessity of careful tuning of the rank \( k \) for optimal performance across all methods, with the ideal value being application-dependent. Although RKOI generally outperforms the others, the choice of algorithm should align with specific application requirements, such as complexity and available computational resources. The authors suggest that no single method is universally superior, as each requires tuning to achieve comparable accuracy. Future work will focus on enhancing pDMD algorithms for data assimilation problems and extending their application to multi-physics scenarios, with plans to integrate optimized DMD into the ROI method to improve performance further.
Introduction
The introduction of this research paper highlights the critical need for efficient mathematical models in computational sciences, particularly for multi-query and real-time applications in engineering. Traditional modeling approaches often rely on Partial Differential Equations (PDEs) and their discretized forms, known as Full Order Models (FOMs). However, the computational expense associated with solving FOMs limits their applicability in scenarios requiring rapid evaluations, such as design optimization and online monitoring. To mitigate this issue, Reduced Order Modeling (ROM) techniques have emerged, enabling the creation of surrogate models that significantly reduce computational demands while maintaining accuracy.
Among various ROM techniques, Dynamic Mode Decomposition (DMD) has gained traction due to its straightforward implementation and effectiveness across diverse applications, including fluid dynamics and reactor dynamics. DMD excels in identifying dominant structures within datasets, allowing for the generation of linear surrogate models without prior knowledge of governing equations. However, standard DMD struggles with parametric time series, necessitating separate models for each parameter realization. This paper discusses recent advancements in Parametric Dynamic Mode Decomposition (pDMD) algorithms, which aim to address this limitation by incorporating parametric dependencies into the modeling process. The authors compare different pDMD approaches using two datasets from thermal-hydraulics scenarios, ultimately assessing their suitability for online monitoring and control in engineering systems, particularly in the context of nuclear reactor dynamics. The study serves as a foundational exploration of pDMD applications, setting the stage for future investigations into more complex dynamical systems.
Methods
The DYNASTY Experimental Facility, located at Politecnico di Milano, is designed to investigate the dynamics of natural circulation in internally heated flows, specifically using a thermal-hydraulic benchmark test case of ‘flow over cylinder’ across varying Reynolds numbers. The facility consists of a 3-by-3 square loop utilizing fluids such as water and propylene glycol, with AISI316 stainless steel pipes measuring 38 mm in diameter and 2 mm in thickness. Three of the four loop legs are equipped with electrical heating strips, while the upper horizontal tube serves as a finned heat sink cooled by an air fan. The experimental setup allows for flexible heating configurations, enabling either simultaneous or individual activation of the heating strips.
To simulate the experimental conditions, a RELAP5/MOD3.3 model was developed, focusing on the VHHC-GV1 configuration. The RELAP5 code, originally designed for light water reactor transient analysis, is adept at modeling a range of thermal-hydraulic transients, including those involving mixtures of steam and water. The model incorporates a non-homogeneous, nonequilibrium one-dimensional framework to accurately predict transients while maintaining simplicity for parametric analyses. The simulation successfully replicated the startup of natural circulation over a 2000-second transient period, with a sampling timestep of 10 seconds. Experimental measurements, taken with thermocouples placed at strategic locations within the facility, have an uncertainty of ±2 K, ensuring reliable data for validation against the numerical model.
Results
The section presents numerical results from applying three versions of parametric Dynamic Mode Decomposition (pDMD) to various test cases, including a low Reynolds number flow over a cylinder, a benchmark dataset for machine learning with computational fluid dynamics (CFD) data, and the DYNASTY experimental facility at Politecnico di Milano. The aim of these case studies is to evaluate the accuracy, advantages, and limitations of the different pDMD algorithms in the literature.
The initial focus on simpler fluid dynamics problems, such as the flow over a cylinder, allows for the exploration of complex dynamics and significant non-linearities that are challenging to predict. Subsequently, the application of pDMD methods to the DYNASTY facility demonstrates their effectiveness on real systems, utilizing a widely adopted system code within the nuclear engineering community. This comprehensive approach underscores the potential of pDMD techniques in both theoretical and practical applications in fluid dynamics and nuclear reactor research.
Discussion
In this section, the Dynamic Mode Decomposition (DMD) method is discussed, highlighting its foundational principles and variations. Originally developed by Schmid, DMD is a Reduced Basis method that utilizes Singular Value Decomposition (SVD) to extract spatially and temporally coherent structures from high-dimensional datasets, particularly in fluid dynamics. The algorithm identifies a linear operator \( A \) that approximates the dynamics of the system, allowing for the advancement of state vectors over time. The exact DMD approach, which employs high-dimensional matrices, becomes computationally infeasible for large datasets; thus, a reduced version is introduced, leveraging SVD to create a low-dimensional representation while maintaining accuracy.
The section further elaborates on the limitations of the basic DMD, particularly its sensitivity to noise, and presents the Optimised DMD as a more robust alternative. This variant enhances the regression of exponential-time dynamics and accommodates non-uniform sampling of data. Additionally, several advanced methods are introduced, including Reduced Operators Interpolation (ROI) and Reduced Koopman Operator Interpolation (RKOI), which aim to improve the efficiency and accuracy of DMD in parametric settings. These methods utilize regression techniques to predict DMD operators across varying parameters, ultimately facilitating the reconstruction of high-dimensional state vectors from reduced representations. The performance of these algorithms is evaluated in the context of a laminar flow over a cylinder, demonstrating their effectiveness in capturing complex dynamics while balancing computational efficiency.