[論文レビュー] A Perspective on Machine Learning Methods in Turbulence Modelling

Andrea Beck, Marius Kurz|arXiv (Cornell University)|Jan 1, 2020

Fluid Dynamics and Turbulent Flows参考文献 75被引用数 4

ひとこと要約

本論文は、大規模済み乱流シミュレーション（LES）および平均ナビエ-ストークス方程式（RANS）におけるデータ駆動型閉じ込めモデル化を焦点として、機械学習（ML）の乱流モデル化への応用について包括的な視点を提供する。訓練データ、物理モデル、離散化スキーム、および基礎となる物理法則の間の整合性の重要性を強調しつつ、特に教師あり学習および物理則を組み込んだニューラルネットワーク（PINNs）を含むMLの枠組みを調査し、パrameter推定、モデル同定、閉じ込め項の再構築における役割を明らかにする。

ABSTRACT

This work presents a review of the current state of research in data-driven turbulence closure modeling. It offers a perspective on the challenges and open issues, but also on the advantages and promises of machine learning methods applied to parameter estimation, model identification, closure term reconstruction and beyond, mostly from the perspective of Large Eddy Simulation and related techniques. We stress that consistency of the training data, the model, the underlying physics and the discretization is a key issue that needs to be considered for a successful ML-augmented modeling strategy. In order to make the discussion useful for non-experts in either field, we introduce both the modeling problem in turbulence as well as the prominent ML paradigms and methods in a concise and self-consistent manner. Following, we present a survey of the current data-driven model concepts and methods, highlight important developments and put them into the context of the discussed challenges.

研究の動機と目的

• 本論文は、非専門家を対象に機械学習と乱流モデル化の間のギャップを埋めることを目的としている。
• MLを用いた乱流シミュレーションにおけるデータの一貫性、モデルとデータの整合性、解釈可能性の課題を特定している。
• 著者らは、MLを第一原理モデルの補完的ツールとして位置づけ、代替手段とはしないことを主張している。
• 進捗を統合するために、コミュニティ全体で共通のデータセットを用いたベンチマーク手法の導入を提唱している。
• MLを用いた分析を通じてLESおよびRANSの不整合性をより深く理解することを目的としている。

提案手法

• 本論文は、RANSおよびLESの基礎的概念を紹介し、それらの数学的定式化と解法に依存する性質に焦点を当てる。
• 教師あり学習およびニューラルネットワークに重点を置いた、主なMLの枠組みを調査し、乱流モデル化におけるその関連性を説明している。
• MLを用いたモデリングのための階層的フレームワークを提示しており、パrameterチューニングからPDEの完全なML置換までをカバーしている。
• 物理則を組み込んだニューラルネットワーク（PINNs）は、PDEの制約をニューラルネットワークの損失関数に直接組み込む手法として説明されている。
• モデル、訓練データ、離散化、物理法則の間の整合性を重視することで、誤った解を回避する。
• オープンな訓練データ（例：DNSからのデータ）とブレインドテストセットを備えた、コミュニティ主導のベンチマークフレームワークの導入を提唱している。

実験結果

リサーチクエスチョン

• RQ1 LESおよびRANSにおける乱流閉じ込めモデル化に、機械学習手法を効果的かつ一貫して適用する方法は何か？
• RQ2 訓練データ、物理モデル、離散化スキーム、MLモデルの間の整合性を確保する上で、どのような主な課題があるか？
• RQ3 物理的解釈可能性を損なわず、伝統的な乱流モデルを改善または置き換えるために、ML手法がどの程度の効果を発揮できるか？
• RQ4 異なる研究グループ間で、MLベースのモデルを標準的かつ再現可能に検証・比較するにはどうすればよいか？
• RQ5 物理則を組み込んだニューラルネットワーク（PINNs）は、データ駆動型乱流モデル化におけるPDEの整合性をどのように維持するか？

主な発見

• MLを用いた乱流モデル化の成功は、データ、モデル、離散化、物理法則の間の整合性にかかっている。
• グリッドフィルタリングや数値的離散化に起因するLESにおける不整合性は、ベンチマーク結果に顕著なばらつきを引き起こすが、MLを用いることでその原因を特定・解消できる可能性がある。
• 物理的制約に従う場合、ML手法は閉じ込め項の再構築や乱流の隠れた相関関係の同定に強く有望な成果を示している。
• 初期の成功にもかかわらず、数百万ものハイパーパrameterと解釈不能さが原因で、MLモデルは新たな不確実性を生じやすく、再現性の確保が難しくなる。
• 著者らは、オープンな訓練データとブレインドテストセットを備えた、コミュニティ全体でのベンチマーク活動が進捗に不可欠であると結論づけている。
• 物理則を組み込んだニューラルネットワーク（PINNs）は、PDEを学習プロセスに直接組み込む有望な道筋を示しているが、実用的有用性と安定性についてはさらなる検証が必要である。