Abstract: S. Akshay, E. Gopalakrishnan, V. Sowmya, J. Venkatramani, D. Tripathi, J. S. Prasad, S. Mondal (2024)

Nonlinear fluid dynamical systems, such as thermoacoustic systems, aeroelastic systems are archetypical complex systems involving state transitions upon a change in bifurcation parameter. These state transitions in any certain direction are always undesirable and can radically alter the operational paradigms associated with these systems. Hence, predicting the impending dynamical state is paramount for avoiding such undesirable transitions. The hitherto research so far focused largely on metric-based and model-based indicators to foretell an impending transition and is often fraught with difficulties when deployed in practicable scenarios. In this study, we assuage this end of concern by proposing a model-agnostic data-driven method for automated classification of the dynamical states of nonlinear fluid dynamical systems. By using recurrence plots we transform the time series pertaining to the dynamical states into images and subsequently employ a convolution neural network (CNN) to classify the generated images. This study also proceeds to present cross-domain classifications via a trained deep learning (DL) model and successfully classify the dynamical states of one fluid dynamical system (say, thermoacoustic) with the dynamical states of another fluid dynamical system (say, aeroelastic). The underlying methodology for the above is based on open set (OS) domain adaptation - inherent to transfer learning schemes. Towards enhancing the confidence levels of our proposed methodology, we carry out four cross-domain numerical experiments, wherein we consistently get about 94 - 98% accuracy.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Open Set Domain Adaptation for Classification of Dynamical States in Nonlinear Fluid Dynamical Systems