The balance between compactness and forecast accuracy of data-driven latent-space reduced-order models in controlled wake flows

📄 arXiv: 2607.24569v1 📥 PDF

作者: Alberto Solera-Rico, Patricia García-Caspueñas, Carlos Sanmiguel Vila, Stefano Discetti

分类: physics.flu-dyn, cs.LG

发布日期: 2026-07-27

备注: 32 pages, 20 figures

💡 一句话要点

提出数据驱动的低阶模型以平衡紧凑性与预测精度

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 降阶模型 流动控制 潜在空间 预测精度 卷积自编码器 长短期记忆网络 模型预测控制 稳定性

📋 核心要点

  1. 现有的降阶模型在流动控制中的预测精度和稳定性不足，尤其是在长期预测时容易出现灾难性发散。
  2. 本文提出通过比较不同的空间编码器（如POD与CAEs）来优化潜在空间的压缩与预测精度之间的平衡。
  3. 实验结果表明，POD模型在长期预测中表现更为稳定，提供了更平滑的潜在轨迹，适合实时流动控制应用。

📝 摘要（中文）

基于模型的主动流动控制需要准确、稳定且足够快速的预测模型。在受控尾流中，通常通过降阶模型（ROMs）将高维速度快照压缩到潜在空间，并学习潜在空间中的时间步预测器。本文研究了空间编码器的选择如何影响在控制输入下尾流的潜在坐标的可预测性。通过比较适用于两种激励的二维尾流配置，发现非线性卷积自编码器（CAEs）在压缩效率和短期重构上优于正交分解（POD），但其潜在动态更不规则，导致长期预测性能下降。POD模型则提供了更平滑的潜在轨迹，便于学习和外推，从而实现更可靠的预测。研究结果揭示了紧凑性与预测精度之间的权衡，为实时流动控制的可预测ROM设计提供了实用指导。

🔬 方法详解

问题定义：本文旨在解决在受控尾流中，现有降阶模型在预测精度和稳定性方面的不足，尤其是长期预测时的灾难性发散问题。

核心思路：通过比较不同的空间编码器（POD与CAEs）来优化潜在空间的压缩效率与预测精度之间的权衡，强调潜在动态的稳定性对预测的重要性。

技术框架：整体架构包括高维速度快照的压缩、潜在空间的动态学习和时间步预测器的构建，主要模块包括空间编码器、时间预测器和模型评估。

关键创新：最重要的技术创新在于揭示了压缩效率与预测精度之间的权衡，强调了潜在动态的稳定性在长期预测中的重要性，与传统方法相比，提供了更可靠的预测能力。

关键设计：在模型设计中，采用了不同类型的编码器（如POD、CAEs和变分自编码器），并使用基于长短期记忆网络的时间预测器，优化了损失函数以提高预测的稳定性和准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，POD模型在长期预测中表现出更高的稳定性，潜在轨迹更平滑，相比于CAEs，POD模型的预测精度显著提高，减少了灾难性发散的概率，为实时流动控制提供了更可靠的解决方案。

🎯 应用场景

该研究的潜在应用领域包括实时流动控制、模型预测控制和强化学习等。通过提供更可靠的预测模型，可以在航空航天、汽车工程和其他需要精确流动控制的领域实现更高效的控制策略，具有重要的实际价值和未来影响。

📄 摘要（原文）

Model-based active flow control requires predictive models that are accurate, stable, and fast enough for real-time optimisation. In controlled wake flows, this is often achieved through Reduced-Order Models (ROMs) that first compress high-dimensional velocity snapshots into a latent space and then learn a time- stepping predictor for the dynamics in the latent space. Here, we study how the choice of the spatial encoder affects the predictability of the resulting latent coordinates for wake flows under control inputs. Using two actuated 2D wake configurations, a simplified truck wake and the fluidic pinball, we compare Proper Orthogonal Decomposition (POD) against nonlinear Convolutional Autoencoders (CAEs) and two types of variational autoencoders for compression, and evaluate several temporal predictors based on Long Short-Term Memory networks. CAEs achieve higher compression efficiency and sharper short-term reconstructions, but they produce latent dynamics that are more irregular and with broadband spectral content. As a consequence, long-horizon forecasts degrade faster and show a higher probability of catastrophic divergence than POD-based models. POD yields smoother latent trajectories that are easier to learn and extrapolate, leading to more reliable predictions beyond the short- term regime. These results reveal a clear trade-off between compactness and forecast accuracy, and suggest that the stability of the latent dynamics prediction can outweigh maximal compression. This is particularly relevant for control strategies rooted in forecasts of the dynamics, such as model predictive control and reinforcement learning. The findings provide practical guidance for designing actuation-aware, hardware-feasible predictive ROMs for real-time flow control.