[論文レビュー] A Low-Dimensional Learning Model via Convolutional Neural Networks for Unsteady Wake-Body Interaction

T. P. Miyanawala, Rajeev K. Jaiman|arXiv (Cornell University)|Jul 20, 2018

Model Reduction and Neural Networks被引用数 3

ひとこと要約

本論文では、不安定なワーキング・ボディ相互作用の低次元的ダイナミクスを学習するために、固有直交分解（POD）と畳み込みニューラルネットワーク（CNN）を組み合わせたPOD-CNNモデルを提案する。高精度なナビエ＝ストークスシミュレーションからのPOD係数を用いてCNNを訓練することで、特に非線形性が強い近ワーキング領域においても、フルオーダーのシミュレーションと比較して高い精度で長時間にわたる流れ場を正確に予測できる。

ABSTRACT

This paper is concerned with the development of a physical model by learning low-dimensional approximation for laminar wake-body interaction systems. Of particular interest is to predict the long time series of unsteady flow dynamics using the learned low-dimensional model. We consider convolutional neural networks (CNN) for the learning dynamics of wake-body interaction, which assemble layers of linear convolutions with nonlinear activations to automatically extract the low-dimensional features. Using high-fidelity time series data from the stabilized finite element Navier-Stokes solver, we first project the dataset to a low-dimensional subspace using proper orthogonal decomposition (POD). The time-dependent coefficients of the POD subspace are mapped to the flow field via a CNN with nonlinear rectification, and the CNN is iteratively trained using the stochastic gradient descent method to predict the POD time coefficient when a new flow field is fed to it. The time-averaged flow field, the POD basis vectors and the trained CNN are used to predict the long time series of the flow fields and results are compared with the full-order (high-dimensional) simulation results. POD-CNN based predictions maintain a remarkable accuracy in the entire fluid domain including the highly nonlinear near wake region for the long time series. The proposed POD-CNN model based on data-driven approximation has a profound impact on the predictive analysis of unsteady wake flow and fluid-structure interaction.

研究の動機と目的

• 長期間にわたる非定常なワーキング・ボディ相互作用の流れを予測するためのデータ駆動型低次元モデルの開発。
• 畳み込みニューラルネットワーク（CNN）を用いて高精度な流れデータからの特徴抽出を自動化すること。
• 従来の低次元モデルが失敗する可能性がある、近ワーキング領域のような非線形領域における予測精度の向上。
• 学習されたサーモンモデルを用いた流体構造相互作用系の効率的かつ長期的なシミュレーションの実現。
• 全流体領域にわたり、フルオーダーのシミュレーション結果と比較してモデルの精度を検証すること。

提案手法

• 安定化された有限要素ナビエ＝ストークスソルバーから得られる高精度な時間系列データを、トレーニングデータセットとして使用する。
• 固有直交分解（POD）を用いて流れ場を低次元部分空間に射影し、時間的係数を抽出する。
• 非線形活性化関数を用いて、入力の流れ場をその対応するPOD時間係数へマッピングする畳み込みニューラルネットワーク（CNN）を訓練する。
• 繰り返し勾配降下法を用いて、正確な係数予測が得られるようCNNを反復的にトレーニングする。
• トレーニング済みのCNNと時間平均流れ場、POD基底ベクトルを組み合わせることで、長時間にわたる完全な流れ場を再構成する。
• モデルの予測結果を、流れ場の線形領域および非線形領域の両方でフルオーダーのシミュレーション結果と照合して検証する。

実験結果

リサーチクエスチョン

• RQ1 低次元表現を用いたCNNベースのモデルは、非定常なワーキング・ボディ相互作用の流れを長期間にわたって正確に予測できるか？
• RQ2 POD-CNNモデルは、フルオーダーのシミュレーションと比較して、近ワーキング領域における非線形ダイナミクスをどの程度正確に捉えられるか？
• RQ3 再トレーニングなしで、異なる流れ配置にわたって学習モデルがどの程度一般化できるか？
• RQ4 PODとCNNの統合は、流体構造相互作用問題における予測精度と計算効率を向上させるか？
• RQ5 CNNにおける非線形活性化関数は、低次元モデリングにおける複雑な流れ特徴を捉えるために果たす役割は何か？

主な発見

• POD-CNNモデルは、特に非線形性が強い近ワーキング領域を含め、全流体領域において長期間にわたって高い精度を維持する。
• 時間平均流れ場、POD基底ベクトル、およびトレーニング済みのCNNのみを用いても、流れ場の正確な予測が可能である。
• CNNは流れ場とそのPOD係数との間の非線形マッピングを効果的に学習し、非定常ダイナミクスの高精度な再構成を可能にする。
• 線形低次元モデルが困難とする複雑で一時的な流れ特徴を、モデルはきめ細かく捉える能力を示す。
• 予測された時間系列は、フルオーダーのシミュレーション結果と非常によく一致しており、モデルの予測能力が裏付けられる。
• CNNとPODの統合により、非定常ワーキング流れの効率的で正確かつ安定した長期シミュレーションが可能になる。