摘要
本发明公开了一种融合物理建模与深度学习的非定常流场降维与预测方法，属于计算机辅助流体力学分析技术领域。本发明首先利用DMD从非定常流场中提取反映全局动力学的模态系数，同时通过CVAE从流场快照中学习潜在空间的低维特征表示。两类特征在物理与统计意义上具有互补性，通过联合构建的低维特征更有效地表征非定常流场的复杂动力学演化规律。在此基础上，利用LSTM模型对联合特征进行时间序列建模，实现对流场未来演化的高精度预测。本发明所提出的混合建模方法在保持物理一致性的同时，提升了对高维非线性非定常流场的降维效率与预测精度，适用于复杂流动场景下的智能模拟与快速预测任务。
