[論文レビュー] A supervised neural network for drag prediction of arbitrary 2D shapes in low Reynolds number flows

Jonathan Viquerat, Elie Hachem|arXiv (Cornell University)|Jul 11, 2019

Model Reduction and Neural Networks参考文献 17被引用数 9

ひとこと要約

本論文は、Bézier曲線を用いてランダムに生成された12,000個の2次元形状を用いて、層流で低レイノルズ数（Re = 10）の流れにおける抗力予測を目的とした教師あり畳み込みニューラルネットワーク（CNN）を提案する。ネットワークは高い精度を達成しており、NACA翼型や円筒などの実世界の形状において相対誤差が3.06%未満に抑えられ、CFD補代替モデルにおける一般化のための合成的かつ多様な幾何形状の有効性を示している。

ABSTRACT

Despite the significant breakthrough of neural networks in the last few years, their spreading in the field of computational fluid dynamics is very recent, and many applications remain to explore. In this paper, we explore the drag prediction capabilities of convolutional neural networks for laminar, low-Reynolds number flows past arbitrary 2D shapes. A set of random shapes exhibiting a rich variety of geometrical features is built using Bézier curves. The efficient labelling of the shapes is provided using an immersed method to solve a unified Eulerian formulation of the Navier-Stokes equation. The network is then trained and optimized on the obtained dataset, and its predictive efficiency assessed on several real-life shapes, including NACA airfoils.

研究の動機と目的

• 任意の2次元形状に対して一般化可能な深層学習補代替モデルを、低レイノルズ数の層流流れにおいて開発すること。
• 計算コストの高いナビエ＝ストークス方程式の解法に代えて、訓練済みのニューラルネットワークを用いることで、従来のCFDの限界を克服すること。
• ランダムな2次元形状から構成される多様な合成データセットが、NACA翼型などの実世界の幾何形状への正確な一般化を可能にするかどうかを評価すること。
• 予測性能を維持しつつ、予測誤差とパラメータ数を最小限に抑えるためのCNNアーキテクチャを最適化すること。
• 合成形状および実生活の形状（円筒、正方形、翼型など）に対して、モデルの妥当性を検証すること。

提案手法

• 幾何的多様性と可変性を確保するため、Bézier曲線を用いてランダムな2次元形状を生成した。
• 各形状の正確な抗力値を算出するために、浸漬メッシュ法を用いてナビエ＝ストークス方程式を数値的に解き、学習ラベルとした。
• 形状の幾何学的特徴（入力画像としての形状）と対応する抗力値（ターゲット）を用いて、教師ありの方法で畳み込みニューラルネットワーク（CNN）を訓練した。
• ネットワークアーキテクチャには、畳み込みブロックに続く全結合ヘッドを含み、ニューロン数と層数のハイパーパrameterはグリッドサーチにより最適化した。
• 過学習を防ぐために、エポックの早期停止とL2正則化を用いた確率的勾配降下法を訓練プロセスに適用した。
• 未知の形状（NACA翼型や標準的な幾何形状を含む）に対して一般化性能を評価し、数値的に計算された抗力との相対誤差を算出した。

実験結果

リサーチクエスチョン

• RQ1 教師ありCNNは、学習時に見られなかった任意の2次元形状に対し、抗力予測を一般化できるか？
• RQ2 鋭いエッジ、対称性、アスペクト比といった異なる幾何的特徴に対して、CNNの性能はどのように変化するか？
• RQ3 抗力推定における予測誤差を最小限に抑えるために最適なCNNアーキテクチャ（ニューロン数、全結合層の深さ）は何か？
• RQ4 ランダムな合成形状で学習したモデルは、NACA 4412 や NACA 0018 などの実世界の翼型プロファイルの抗力をどれほど正確に予測できるか？
• RQ5 入力表現の選択（例：符号付き距離マップまたは形状画像）が、モデルの予測精度にどのように影響するか？

主な発見

• 最適化されたCNNは、水平バーに対して最大3.06%の相対抗力誤差を示し、全テスト形状の平均誤差は1.2%未満であった。
• NACA翼型では最大1.27%の相対誤差（NACA 4424）を示し、他のすべての翼型では1.0%未満の誤差を記録した。
• 学習データセットに含まれるランダム形状の抗力予測において、相対誤差が0.2%未満であったため、高い一般化能力が確認された。
• 最も優れた性能を示したアーキテクチャは、1つの全結合層（64ニューロン、q=1, n=64）を採用し、学習可能なパラメータ数は296,865、学習時間は約1535秒であった。
• 非ランダムで実生活の形状に対しても、モデルは効果的に一般化したため、多様な合成データセットが実世界のCFD応用における強力な代替手段である可能性を示した。
• 浸漬メッシュ法の使用により、全データセットの正確なラベル付けが効率的かつ高精度に可能となり、大規模な学習が現実可能になった。