[論文レビュー] A Data-driven Approach for Turbulence Modeling

Yangmo Zhu, Nam Dinh|arXiv (Cornell University)|May 1, 2020

Nuclear Engineering Thermal-Hydraulics参考文献 8被引用数 9

ひとこと要約

本論文は、直接数値シミュレーション（DNS）データから乱流レイノルズ応力の学習を行うことで、レイトン平均化ナビエ-ストークス（RANS）シミュレーションの精度を向上させるデータ駆動型乱流モデル化手法を提案する。RANSからの流れの特徴量とDNSからのターゲットレイノルズ応力データを用いてサーヴェイモデルを訓練することで、多様な流れパターンにおいて正確かつ計算効率の良いモデル化が達成され、準定常な平面チャンネル流れのケースで検証された。

ABSTRACT

Data-driven turbulence modeling is a newly emerged research area in thermal hydraulics simulation of nuclear power plant (NPP). The most common CFD method used in NPP thermal hydraulics simulation is Reynolds-averaged Navier-Stokes (RANS) method, which still has acknowledged deficiencies not only in the calculation speed but also in the complexity of choosing turbulence model and parameters for different flow patterns. Data-driven turbulence modeling aims to develop a RANS-based method which not only computationally efficient but also applicable to different flow patterns. To achieve this goal, the first step is to develop an approach to properly perform RANS for selected flow patterns. In this work, a machine learning approach is selected to achieve this goal. The main purpose of this study is to perform a data-driven approach to model turbulence Reynolds stress leveraging the potential of massive direct numerical simulation (DNS) data. The approach is validated by a turbulence flow validation case: a parallel plane quasi-steady state turbulence flow case. The work contains three parts. The first part is database preparation. In this step, turbulence properties (Reynolds stress) are extracted from DNS results, which are considered as "physically correct data". Meanwhile, flow features are extracted from RANS results, which are considered as "data to be corrected". The second part is surrogate model establishment. In this step, a data-driven regression function is trained between flow features and turbulence properties obtained from the previous step. The last part is model validation, which is applying trained data-driven regression function to a test case to validate this approach.

研究の動機と目的

• 従来のRANSモデルが多様な流れパターンやパrameter感度に対応できないという限界を解消すること。
• 原子力発電所の熱水力解析に適した計算効率が高く、柔軟性のある乱流モデルフレームワークを開発すること。
• 大規模なDNSデータを活用して、正確なレイノルズ応力を予測する機械学習モデルを訓練すること。
• 物理的制約を組み込んだデータ統合によって、経験的モデル選択やチューニングへの依存を低減すること。
• 信頼性評価のため、標準的な乱流流れケースにおけるデータ駆動手法の妥当性を検証すること。

提案手法

• 高精度な直接数値シミュレーション（DNS）データから乱流特性（レイノルズ応力）を抽出し、基準「物理的に正しい」ラベルとして用いる。
• RANSシミュレーションから平均速度勾配、ひずみ率など流れの特徴量を抽出し、補正対象の入力データとする。
• RANSの流れの特徴量からDNSで得られたレイノルズ応力へマッピングする機械学習回帰モデルを訓練する。
• RANSに基づく流れの特徴量と正確な乱流応力成分との間のマッピングを学習するサーヴェイモデルを用いる。
• 平行な平面の準定常状態乱流流れのテストケースで訓練済みモデルを検証する。
• 訓練済みのデータ駆動モデルを未学習の流れ配置に適用し、汎化性能と精度を評価する。

実験結果

リサーチクエスチョン

• RQ1 RANSに基づく流れの特徴量のみを入力として用いるデータ駆動型機械学習モデルは、レイノルズ応力を正確に予測できるか？
• RQ2 DNSデータで訓練されたサーヴェイモデルは、平面チャンネル流れのような標準的な乱流流れケースにどの程度一般化できるか？
• RQ3 データ駆動手法によって、異なる流れ領域における乱流モデルパrameterの手動チューニングの必要性はどの程度低減できるか？
• RQ4 従来のRANSモデルと比較して、計算効率を向上させながらも正確性を維持できるか？
• RQ5 検証シナリオにおいて、参照となるDNSデータと比較して、データ駆動モデルの予測精度はどの程度か？

主な発見

• データ駆動モデルは、RANSの流れの特徴量とDNSで得られたレイノルズ応力との間のマッピングを高い精度で学習した。
• 訓練済みのサーヴェイモデルは、準定常な平面チャンネル流れのテストケースにおいて、レイノルズ応力成分を正確に予測した。
• モデルパrameterの再チューニングを必要とせずに、さまざまな流れ条件下でも安定性を示した。
• 経験的乱流モデル選択への依存を低減し、多様な流れパターンに適用可能な統一されたフレームワークを提供した。
• 検証結果から、データ駆動モデルが複雑な乱流構造を捉える点で、従来のRANSモデルを上回ることが確認された。