基于物理场的动态模式分解(piDMD)研究（Matlab代码实现）
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
🎁完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击：
👉👉👉本文完整资源下载
💥1 概述
在这项工作中，我们展示了物理原理 - 例如对称性， 不变性和守恒定律 -- 可以集成到动态模式中 分解（DMD）。DMD是一种广泛使用的数据分析技术，它提取 来自高维测量的低秩模态结构和动力学。 但是，DMD 经常生成对噪声敏感的模型，无法 泛化在训练数据之外，违反基本物理定律。我们 物理信息DMD（piDMD）优化，可以表述为： Procrusts问题，将可接受的模型族限制为矩阵 尊重系统物理结构的歧管。我们专注于五个 基本物理原理——守恒、自伴随、 局部化、因果关系和移位不变性——并推导出几种闭合形式 解决方案和有效的算法，用于相应的piDMD优化。 由于自由度较低，piDMD模型不易过度拟合， 需要较少的训练数据，并且通常计算成本较低 比标准 DMD 模型构建。我们在一系列具有挑战性的领域展示了piDMD 物理科学中的问题，包括能量保存流体流动， 行波系统，薛定谔方程，溶质 平流扩散，具有因果动力学和三维的系统 过渡通道流。在每种情况下，piDMD的表现都明显优于piDMD 频谱识别、状态预测和 估计最佳强迫和响应。
基于物理场的动态模式分解（piDMD）是一种用于分析和预测动态系统行为的方法。它结合了动态模式分解（DMD）和物理场的信息，能够提供更准确和可解释的结果。
DMD是一种基于线性动力学系统的模型，通过分析系统的瞬时模态和频率来描述系统的行为。然而，DMD只能提供系统的近似模型，对于非线性系统和包含噪声的数据，其结果可能不准确。
piDMD通过将物理场的信息引入DMD模型中，能够更好地捕捉系统的非线性行为和噪声。具体来说，piDMD将物理场的信息作为约束条件加入到DMD模型中，通过优化算法来求解最优的模型参数。这样可以更好地拟合系统的动态行为，并提供更准确的预测结果。
piDMD的研究可以应用在许多领域，如气象预测、流体力学、结构动力学等。它可以帮助科学家和工程师更好地理解和预测复杂系统的行为，从而优化系统设计和控制策略。
总之，基于物理场的动态模式分解是一种结合了DMD和物理场信息的方法，能够提供更准确和可解释的动态系统分析和预测结果。它在许多领域具有广泛的应用前景。
一、piDMD的定义与核心原理
piDMD（Physics-informed Dynamic Mode Decomposition）是一种融合物理规律约束的动态模式分解方法，旨在克服传统DMD对数据噪声敏感、泛化性差及物理一致性缺失的缺陷。其核心思想是将物理方程（如守恒律、对称性、因果性）作为优化约束，引导DMD模态提取过程，提升模型的物理可解释性与预测鲁棒性。
与传统DMD的本质区别：
| 特性 | 传统DMD | piDMD |
|---|---|---|
| 优化目标 | 最小化状态重构误差 | 最小化重构误差 + 物理方程残差 |
| 约束条件 | 无物理约束 | 矩阵流形约束（如酉矩阵、对称矩阵等） |
| 模态物理意义 | 可能无明确物理解释 | 强制符合守恒律/对称性等基本物理原理 |
| 抗噪性 | 低（易受噪声干扰） | 高（物理约束抑制非物理解） |
例：对能量守恒系统，piDMD约束Koopman算子矩阵 A 为酉矩阵（A∗A=I)，确保能量总量不变；对自伴系统（如量子力学哈密顿量），约束 A 为埃尔米特矩阵（A=A∗），保证特征值为实数。
二、数学模型与算法实现
1.数学表述
piDMD将物理约束转化为矩阵流形优化问题，形式化为Procrustes问题：
其中 M 为满足物理定律的矩阵流形（如酉矩阵群、对称矩阵空间），X,Y 为状态快照矩阵。
2.关键算法步骤：
- 建模：确定物理原理（如质量守恒、自伴性）；
- 解释：将物理原理转化为矩阵流形 MM；
- 优化：求解约束Procrustes问题（闭式解或迭代算法）；
- 诊断：从 AA 提取特征值/模态，分析动力学。
闭式解示例：
- 扩散系统：约束 A 为三对角矩阵，表征局部空间依赖性。
3.计算优势
因自由度减少，piDMD计算成本低于传统DMD，且抗过拟合能力强，适用于小样本数据。
三、典型应用场景与案例验证
1.流体动力学
- 圆柱绕流（Re=100）：piDMD准确捕捉涡脱落频率，避免标准DMD因噪声导致的虚假阻尼。
- 颗粒管道流：引入质量守恒约束，piDMD预测颗粒体积分数的误差（6.54%）显著低于DMD（13.49%）。
2.量子系统
- 薛定谔方程：约束 AA 为埃尔米特矩阵，piDMD精确识别能级与本征态，而DMD产生虚假虚部。
3.热传导与扩散
- Neumann边界条件下的热传导：piDMD结合带状矩阵约束，高效建模温度场演化。
4.跨领域应用潜力
| 领域 | 物理约束类型 | 应用案例 |
|---|---|---|
| 材料科学 | 裂纹扩展守恒律 | 微观结构演化预测 |
| 生物医学 | 药物扩散方程 | 体内药物传输模拟 |
| 气候科学 | 能量平衡方程 | 气候模式识别与趋势预测 |
四、与传统DMD的性能对比
1.精度与鲁棒性优势
- 频谱识别：piDMD在含噪数据中准确提取主导频率，DMD易受干扰。
- 状态预测：在训练数据外推时，piDMD因物理约束保持更高一致性（如三维过渡通道流案例）。
2.物理一致性保障
传统DMD可能违反基本物理定律（如能量非守恒），而piDMD通过矩阵流形约束强制满足。
五、最新研究进展（2024–2025）
- 复杂流体领域：
- 稠密颗粒流：piDMD结合CFD-DEM模拟，提升两相流预测精度。
- 算法扩展：
- 在线piDMD：将物理约束转化为凸优化问题，实现实时动态建模。
- sDMD变体：结构化DMD（如FD-sDMD、PE-sDMD）增强对边界条件的适应性。
- 交叉技术融合：
- 神经网络+piDMD：用NN表示物理方程残差，处理高维非线性系统。
六、挑战与未来方向
核心挑战：
- 非线性系统：强非线性物理约束（如Navier-Stokes）的矩阵流形构造困难。
- 模型不确定性：物理方程不精确时，piDMD性能可能退化。
- 计算效率：复杂约束（如偏微分方程）的优化求解仍需高效算法。
未来方向：
- 自适应物理约束：动态调整约束强度以平衡数据拟合与物理一致性。
- 多物理场耦合：扩展至电磁-热-流体等多场耦合系统。
- 开源工具完善：优化Manopt等库的piDMD接口，提升易用性。
结论
piDMD通过将物理定律嵌入数据驱动框架，显著提升了动态模式分解的物理解释性、外推预测能力及噪声鲁棒性，已在流体、量子、材料等领域验证其优越性。未来需突破非线性约束建模与计算效率瓶颈，深化与机器学习融合，以服务于更广泛的复杂系统分析与控制场景。
📚2 运行结果
部分代码：
%% Plot some results
FS = 'FontSize'; IN = 'Interpreter'; LT = 'Latex'; MS = 'MarkerSize'; LW = 'LineWidth';
figure(1)
clf
plot(exp(1i*linspace(0,2*pi)),'--','Color',[1 1 1]*.5,LW,2)
hold on
p2 = plot((exVals)+1i*eps,'r^',LW,2,MS,10);
p3 = plot((piVals)+1i*eps,'bx',LW,2,MS,10);
p4 = plot((trueVals)+1i*eps,'o','Color',.5*[1 1 1],LW,2,MS,10);
grid on; axis equal; hold off
axis(1.3*[-1,1,-1,1])
legend([p2,p3,p4],{'exact DMD','piDMD','truth'},FS,15,IN,LT)
title('Spectrum of linear operator',FS,20,IN,LT)
🎉3参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。
🌈4 Matlab代码、数据、文章
🎁完整资源、论文复现、期刊合作、论文辅导及科研仿真定制事宜点击：
👉👉👉本文完整资源下载