Una técnica de descomposición modal que extrae funciones base ortogonales (modos) de datos o instantáneas de solución mediante descomposición en valores propios del operador de covarianza o descomposición en valores singulares, representando estructuras energéticas dominantes en un subespacio lineal de baja dimensión.

Principio

Recopilar instantáneas de solución o datos, formar la matriz de covarianza o de snapshots, realizar autodescomposición o SVD para obtener modos ortogonales ordenados por varianza o energía capturada y truncar la expansión para conservar los modos más energéticos para la modelización reducida.

Demostración

En simulación de flujo de fluidos, reunir instantáneas del campo de velocidad, calcular la matriz de snapshots, realizar SVD para obtener modos principales (modos POD), proyectar las ecuaciones de Navier–Stokes sobre los modos dominantes para obtener un modelo de orden reducido que capture las estructuras coherentes dominantes.

Aplicación incorrecta

Usar modos POD calculados a partir de un conjunto de snapshots no representativo, truncar demasiado agresivamente o aplicar el subespacio modal lineal fuera de su dominio de entrenamiento puede producir grandes errores de proyección y bajo rendimiento predictivo.

Consecuencia

Cuando se construye adecuadamente, POD produce bases compactas que permiten modelos de orden reducido eficientes, compresión de datos e insight sobre dinámicas dominantes, reduciendo significativamente el coste computacional manteniendo las características principales.

Inversión

Retener la discretización de orden completo sin truncamiento modal; la reversión preserva la fidelidad pero renuncia a los ahorros computacionales y suele ocultar estructuras de baja dimensión valiosas para control o análisis.

Límite

POD produce subespacios lineales óptimos en sentido L2 o energético para los datos de entrenamiento pero excluye la estructura de variedades no lineales y puede fallar cuando la dinámica se aparta fuertemente del conjunto de snapshots; no aborda por sí sola la evaluación eficiente de operadores no lineales.

Tensión semántica

Existe tensión con métodos de interpolación e hiperreducción (como EIM o DEIM): POD proporciona la base pero no una estrategia eficiente para evaluar operadores no lineales en línea, mientras que EIM suministra puntos de interpolación para aproximar esos operadores en la base reducida.

Síntesis

La Descomposición Ortogonal Propia es una reducción de modelo lineal guiada por datos que extrae modos ortogonales que capturan la varianza o energía máxima de los snapshots, proporcionando bases compactas para modelos reducidos por proyección y requiriendo técnicas complementarias para manejar operadores no lineales de forma eficiente.