[論文レビュー] A deep learning framework for turbulence modeling using data assimilation and feature extraction

Atieh Alizadeh Moghaddam, Amir Sadaghiyani|arXiv (Cornell University)|Feb 16, 2018

Model Reduction and Neural Networks参考文献 16被引用数 5

ひとこと要約

本論文では、直接数値シミュレーション（DNS）からのデータ同化を活用して、乱流モデル化のための予測可能な特徴を抽出するためのディープラーニングフレームワークを提案する。統計的に有意な特徴が乱流統計と相関していることを特定することで、従来のRANSモデルよりも精度が優れた偏微分方程式を構築する。

ABSTRACT

Turbulent problems in industrial applications are predominantly solved using Reynolds Averaged Navier Stokes (RANS) turbulence models. The accuracy of the RANS models is limited due to closure assumptions that induce uncertainty into the RANS modeling. We propose the use of deep learning algorithms via convolution neural networks along with data from direct numerical simulations to extract the optimal set of features that explain the evolution of turbulent flow statistics. Statistical tests are used to determine the correlation of these features with the variation in the quantities of interest that are to be predicted. These features are then used to develop improved partial differential equations that can replace classical Reynolds Averaged Navier Stokes models and show improvement in the accuracy of the predictions.

研究の動機と目的

• 閉じた仮定によるRANSモデルの固有の不正確さに対処する。
• 直接数値シミュレーション（DNS）からの高精度なデータを活用することで、従来の乱流モデル化の限界を克服する。
• 乱流統計の主要な指標と相関する、最適で統計的に関連のある特徴を特定する。
• 抽出された特徴を用いて、古典的RANS閉じ込め項を置き換える改善された偏微分方程式を構築する。
• データ駆動型の特徴選択とディープラーニングの統合により、乱流モデルの予測精度を向上させる。

提案手法

• 直接数値シミュレーション（DNS）から得た流れ場データから空間的および統計的特徴を抽出するために畳み込みニューラルネットワーク（CNN）を用いる。
• 乱流予測における関心の対象となる量と強く相関する特徴を特定するために統計的検定を適用する。
• 高精度なDNSデータを学習フレームワークに統合して一般化性能を向上させるために、データ同化技術を採用する。
• 選択された特徴に基づいて、新しい偏微分方程式を構築し、古典的RANSモデル項を置き換えたり改善したりする。
• DNSデータを用いて、流れの特徴と乱流統計とのマッピングを学習するため、ディープラーニングモデルをエンドツーエンドで訓練する。
• ベンチマークとなる乱流流れの事例に対して学習された方程式を検証し、予測性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 DNSデータから抽出されたどの流れの特徴が、RANSモデルにおける乱流統計を最も予測可能にするか？
• RQ2 ディープラーニングと統計的検定をどのように組み合わせて、乱流モデル化に最も関連する特徴を特定できるか？
• RQ3 高精度なDNSからのデータ同化は、従来のRANSアプローチと比較して、乱流モデルの精度を向上させることができるか？
• RQ4 抽出された特徴に基づいた学習された偏微分方程式は、標準的なRANS閉じ込め項をどの程度上回るか？
• RQ5 特徴の相関関係が、データ駆動型乱流モデルの予測能力を向上させる役割を果たすか？

主な発見

• ディープラーニングフレームワークは、DNSデータから統計的に有意な特徴を効果的に特定し、乱流統計と強く相関していることを確認した。
• 抽出された特徴を用いて、古典的RANSモデルよりも予測精度が向上する新しい偏微分方程式を導出できた。
• 統計的検定により、選択された特徴が関心の対象となる量と強く相関していることが確認され、その予測的妥当性が裏付けられた。
• ヒューリスティックな閉じ込め仮定の代わりに、データ駆動型の特徴に基づく定式化を採用することで、モデルの不確実性を低減した。
• フレームワークはベンチマークとなる乱流ケースにおいて、改善された予測性能を示したが、具体的な定量的指標（例：誤差低減率）は提供されたテキストに記載されていない。
• データ同化によりモデルの一般化性能が向上し、学習された特徴が未観測の流れ配置へも効果的に転送可能になった。