[論文レビュー] A Comprehensive Physics-Informed Machine Learning Framework for Predictive Turbulence Modeling

Jianxun Wang, Jinlong Wu+3 more|arXiv (Cornell University)|Jan 24, 2017

Model Reduction and Neural Networks参考文献 24被引用数 40

ひとこと要約

この論文は、高精度なデータからのレイノルズ応力のずれを学習することで、RANS乱流モデルを改善する物理的制約付き機械学習（PIML）フレームワークを提示する。入力特徴量に整合性不変量を組み込み、修正されたレイノルズ応力をRANS方程式に伝播させることで、学習データに含まれないより高いレイノルズ数の正方形断面ダクト内のレイノルズ応力および平均速度場を正確に予測することができ、点単位の応力補正をはるかに超えた予測能力を示している。

ABSTRACT

Although an increased availability of computational resources has enabled high-fidelity simulations of turbulent flows, the RANS models are still the dominant tools for industrial applications. However, the predictive capabilities of RANS models are limited by potential inaccuracy driven by hypotheses in the Reynolds stress closure. Recently, a Physics-Informed Machine Learning (PIML) approach has been proposed to learn the functional form of Reynolds stress discrepancy in RANS simulations based on available data. It has been demonstrated that the learned discrepancy function can be used to improve Reynolds stresses in different flows where data are not available. However, owing to a number of challenges, the improvements have been demonstrated only in the Reynolds stress prediction but not in the corresponding propagated quantities of interest. In this work, we introduce the procedures toward a complete PIML framework for predictive turbulence modeling, including learning Reynolds stress discrepancy function, predicting Reynolds stresses in different flows, and propagating to mean flow fields. The process of Reynolds stress propagation and predictive accuracy of the propagated velocity field are investigated. To improve the learning-prediction performance, the input features are enriched based on an integrity basis of invariants. The fully developed turbulent flow in a square duct is used as the test case. The discrepancy model is trained on flow fields obtained from several Reynolds numbers and evaluated on a duct flow at a Reynolds number higher than any of the training cases. The predicted Reynolds stresses are propagated to velocity field through RANS equations. Numerical results show excellent predictive performances in both Reynolds stresses and their propagated velocities, demonstrating the merits of the PIML approach in predictive turbulence modeling.

研究の動機と目的

• 事前応力補正にとどまらず、平均流れ場の予測モデリングにまで拡張する包括的なPIMLフレームワークの開発。
• 既存のデータ駆動型手法が、速度など意味のある物理量への応力の伝播に失敗するという限界を克服すること。
• 物理的不変量を入力特徴空間に組み込むことで、流れの条件にわたる一般化性能を向上させること。
• 同一の乱流流れ—正方形断面ダクト内の完全に発達した流れ—を、変化するレイノルズ数で検証すること。

提案手法

• ランダムフォレスト回帰器を用いて、RANSで予測された応力と高精度（DNS）応力とのずれを学習する。
• 生の平均流れ変数（例：ひずみ率、回転率）から不変量の整合性基底を構築することで、入力特徴量を拡張し、一般化性能と物理的一致性を向上させる。
• 訓練済みのずれモデルは、学習データに含まれない、より高いレイノルズ数の流れに対してもレイノルズ応力補正を予測する。
• 修正されたレイノルズ応力をRANS方程式に伝播させ、平均速度場を予測する。
• 物理的制約（実現可能性、対称性など）を統合することで、物理的に意味のある予測を保証する。
• 訓練データは低いレイノルズ数、テストは高いレイノルズ数を用いて、完全に発達した正方形断面ダクト内の乱流流れでフレームワークを検証する。

実験結果

リサーチクエスチョン

• RQ1 低レイノルズ数の流れで訓練されたデータ駆動型モデルは、同じ幾何形状のより高いレイノルズ数の流れにおけるレイノルズ応力のずれを正確に予測できるか？
• RQ2 修正されたレイノルズ応力をRANS方程式に伝播させることで、ベースラインRANSに比べて平均速度場の予測精度が向上するか？
• RQ3 物理的不変量を入力特徴量に組み込むことで、乱流モデリングにおける機械学習モデルの一般化性能と精度にどのような影響を与えるか？
• RQ4 PIMLフレームワークは、安定な速度場伝播に不可欠な滑らかで物理的に一貫したレイノルズ応力場の予測をどの程度保証できるか？
• RQ5 このフレームワークは、単一のダクト幾何形状を超えて、多様な流れ配置に一般化できるか？

主な発見

• PIMLフレームワークは、学習データ範囲をはるかに超える、訓練に使用されたいかなるレイノルズ数よりも高い正方形断面ダクト内のレイノルズ応力を正確に予測し、学習データ範囲外への外挿能力を示した。
• 修正されたレイノルズ応力は、予測された平均速度場に顕著な改善をもたらし、数値結果は高精度な基準データと非常に良好に一致した。
• 入力特徴量に整合性不変量の基底を組み込むことで、生の物理的座標に比べてモデルの一般化性能と予測精度が向上した。
• PIMLフレームワークは、レイノルズ応力とその伝播された速度場の両方を正確に予測でき、PIML手法が単なる事前補正ではなく、予測的乱流モデリングに応用可能であることを示した。
• 機械学習予測の滑らかでない性質が、安定な速度場伝播のための主な課題であると同定され、今後の研究では空間相関構造を組み込むことで滑らかさを強制する必要があると示唆された。
• 本研究は、データ駆動型学習と物理的一致性を効果的に統合することで、複雑な乱流流れにおいて信頼性の高い予測を可能にする、物理的制約付き機械学習の有効性を示した。