[論文レビュー] A Data-Driven Surrogate Modeling Approach for Time-Dependent Incompressible Navier-Stokes Equations with Dynamic Mode Decomposition and Manifold Interpolation

Martin W. Hess, Annalisa Quaini+1 more|arXiv (Cornell University)|Jan 26, 2022

Model Reduction and Neural Networks被引用数 4

ひとこと要約

本稿では、固有直交分解（POD）、動的モード分解（DMD）、多様体補間を組み合わせたマルチステップフレームワークを用いて、時間に依存する非圧縮性ナビエ＝ストークス方程式のデータ駆動型代替モデル化手法を提示する。この手法は、レイノルズ数が高くなるに従って乱流に近い領域においても、時間周期的でかつカオス的流れを正確に捉え、トレーニングデータに存在しない周波数を回復することができ、工学的精度（平均誤差2–15%）を達成する。

ABSTRACT

This work introduces a novel approach for data-driven model reduction of time-dependent parametric partial differential equations. Using a multi-step procedure consisting of proper orthogonal decomposition, dynamic mode decomposition and manifold interpolation, the proposed approach allows to accurately recover field solutions from a few large-scale simulations. Numerical experiments for the Rayleigh-Bénard cavity problem show the effectiveness of such multi-step procedure in two parametric regimes, i.e.~medium and high Grashof number. The latter regime is particularly challenging as it nears the onset of turbulent and chaotic behaviour. A major advantage of the proposed method in the context of time-periodic solutions is the ability to recover frequencies that are not present in the sampled data.

研究の動機と目的

• 複雑なダイナミクス（分岐や周期性を含む）を示す時間に依存するパrametric PDEに適した、非侵襲的かつデータ駆動型の低次元モデル（ROM）を開発すること。
• トレーニングデータの周波数とは異なるパラメータ値における時間周波数の違いを補間する課題に取り組むこと、特に乱流に近い高レイノルズ数領域において。
• 少数のサンプルパラメータからの高精度なシミュレーションデータのみを用いて、新しいパラメータ値における場の解をオンラインで正確に予測することを可能にすること。
• 標準的なROM、ニューラルネットワーク（ANN）、ニューラルODE、スパース同定法の限界を克服し、分岐系における周波数シフトを捉えること。
• レイノルズ＝ベナールキャビティ問題を用いて手法を検証すること。これはホップ分岐と複雑な時間周期的挙動を示すベンチマーク問題である。

提案手法

• 高精度なナビエ＝ストークス解の次元削減のため、固有直交分解（POD）を用いて空間モードを抽出する。
• POD係数に動的モード分解（DMD）を適用し、周波数や増幅率を含む時間的ダイナミクスを抽出する。
• 多様体補間を用いてDMD作用素をパラメータ値間で補間し、非線形なパラメータ依存性に対処する。
• PODモードと補間されたDMDダイナミクスを組み合わせることで代替モデルを構築し、新しいパラメータ値でのオンライン予測を可能にする。
• オフライン・オンライン分解を段階的に適用する：オフラインでPODモード、DMD作用素、多様体補間を計算し、オンラインで低コストデバイスで評価する。
• 将来の拡張として、平坦でない計量または複素数DMDを適用し、補間の安定性と精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 トレーニングデータにおける周波数とは異なるオンラインパラメータにおける時間周期的解を、データ駆動型ROMが正確に予測できるか？
• RQ2 分岐を伴うパラメータ領域において、DMDに基づくダイナミクスを効果的に補間する方法は何か？特に時間周期が著しく変化する場合に。
• RQ3 DMD作用素の多様体補間が、高レイノルズ数領域における時間周期的解の正しい周波数と振幅をどの程度正確に保持できるか？
• RQ4 本手法のマルチステップ的手法は、標準的なROM、ANN、スパース同定法と比較して、カオス的領域に近い複雑で非定常な挙動を捉える能力に優れているか？
• RQ5 本手法は、中程度および高レイノルズ数領域、特に乱流に近い流れにおいても、工学的精度を達成できるほど堅牢か？

主な発見

• 提案手法は、中程度および高レイノルズ数領域において、L²およびL∞ノルムで平均相対誤差2%～15%を達成しており、フルオーダー解との直接比較に比べて誤差が低減されている。
• Gr = 674.92×10³では、L²およびL∞ノルムで平均誤差3.5%～5%、最大誤差も同程度に抑えられ、一部のロールにおける位相のずれが見られるものの、主な流れの特徴を捉えている。
• Gr = 683.985×10³では、中間のロールにおける位相ずれにより、L∞ノルムで平均誤差14%、最大誤差25%に増加しており、複雑な流れにおける位相精度の感度が顕在化している。
• 本手法は、サンプルデータに存在しない周波数を正確に回復でき、時間的ダイナミクスがずれている場合でも、新しいパラメータ値での正確なシミュレーションを可能にしている。
• 高次元PODモードは複雑で非正弦的挙動を示すが、標準DMDではうまく捉えられないが、本手法は支配的モードの正確な表現を優先しており、工学的精度には十分である。
• 高Gr領域では、フルオーダー解との固定時刻比較が最大35%の誤差を示す一方、ROMは平均誤差15%未満を維持しており、直接比較を上回る性能を示している。