[論文レビュー] A variational data assimilation approach for sparse velocity reference data in coarse RANS simulations through a corrective forcing term

Oliver Brenner, Justin Plogmann+2 more|arXiv (Cornell University)|Oct 17, 2023

Model Reduction and Neural Networks参考文献 42被引用数 1

ひとこと要約

本稿では、希な速度参照データを用いて、運動量方程式に発散なしの補正項を導入することで、粗いRANSシミュレーションを向上させる変分データ同調法を提案する。この手法は、随伴ベース最適化を用いて、シミュレーションと参照データの乖離を効率的に最小化し、再付着長の予測を改善し、直接の渦粘性係数チューニングに比べて収束性が優れている。特に、データポイントが限られた粗いメッシュ上でも顕著な効果を示す。

ABSTRACT

The Reynolds-averaged Navier-Stokes (RANS) equations provide a computationally efficient method for solving fluid flow problems in engineering applications. However, the use of closure models to represent turbulence effects can reduce their accuracy. To address this issue, recent research has explored data-driven techniques such as data assimilation and machine learning. An efficient variational data assimilation (DA) approach is presented to enhance steady-state eddy viscosity based RANS simulations. To account for model deficiencies, a corrective force term is introduced in the momentum equation. In the case of only velocity reference data, this term can be represented by a potential field and is divergence-free. The DA implementation relies on the discrete adjoint method and approximations for efficient gradient evaluation. The implementation is based on a two-dimensional coupled RANS solver in OpenFOAM, which is extended to allow the computation of the adjoint velocity and pressure as well as the adjoint gradient. A gradient-based optimizer is used to minimize the difference between the simulation results and the reference data. To evaluate this approach, it is compared with alternative data assimilation methods for canonical stationary two-dimensional turbulent flow problems. For the data assimilation, sparsely distributed reference data from averaged high-fidelity simulation results are used. The results suggest that the proposed method achieves the optimization goal more efficiently compared to applying data assimilation for obtaining the eddy viscosity, or a field modifying the eddy viscosity, directly. The method works well for different reference data configurations and runs efficiently by leveraging coarse meshes.

研究の動機と目的

• 乱流閉じ込めモデルの欠陥に起因する粗いレインズ・アベレージド・ナビエ–ストークス（RANS）シミュレーションの不正確さを是正すること。
• 実用的工学応用で一般的な、希な速度参照データがある状況でも、シミュレーションの忠実性を向上させること。
• 直接の渦粘性係数チューニングや複雑な場の変更を避ける、効率的な最適化フレームワークを開発すること。
• 物理的制約を組み込んだ変分的手法により、さまざまな参照データ分布およびメッシュ解像度においても頑健な性能を発揮できること。
• 周期的ヒルズや逆流れステップを含むベンチマーク乱流流れ問題を通じて、本手法の有効性を実証すること。

提案手法

• 運動量方程式に発散なしで表現可能（ポテンシャル場として表現可能）な補正項を導入し、物理的一致性を保証すること。
• シミュレートされた速度場と参照速度場の不一致を最小化する変分データ同調コスト関数を定式化すること。
• 離散随伴法を用いて、コスト関数の補正項パrameterに関する勾配を効率的に計算すること。
• OpenFOAMベースのRANSソルバを拡張し、随伴速度場および圧力場を計算することで、勾配ベース最適化を可能にすること。
• 正則化を施した勾配ベース最適化（例：Demon-Adam）を用い、とくに希なデータおよび低メッシュ解像度下での収束を安定化すること。
• ラグランジュ乗数のためのアンダーリラクセーションおよび周期境界処理を適用し、周期的流れ構成における数値的安定性を確保すること。

実験結果

リサーチクエスチョン

• RQ1 変分データ同調法は、希な速度参照データのみを用いてRANSシミュレーションを効果的に補正できるか？
• RQ2 補正項の性能は、渦粘性係数またはその空間場への直接的データ同調と比べてどうか？
• RQ3 本手法は、データが限られた粗いメッシュ上でも、精度と収束性を維持できるか？
• RQ4 本手法は、ドメイン内における参照データポイントの分布および密度にどれほど感受的か？
• RQ5 周期的ヒルズのような標準的乱流流れにおいて、再付着長といった重要な流れ特徴を信頼性高く改善できるか？

主な発見

• 提案手法は、再付着長の相対誤差を、希なデータでは7.86%、中程度のデータでは5.08%にまで低減し、ベースラインRANSシミュレーションの28.1%の誤差を著しく上回った。
• コスト関数は最適化反復の間、単調に減少し、直接の渦粘性係数チューニングに比べて収束が速く、速度プロファイルの一致度も優れていた。
• 本手法は、粗いメッシュ（4400セル）と希な参照データでも、精度が向上しており、低解像度および限られたデータ条件に強く対応できることが示された。
• 補正項の発散なし性質により物理的一致性が保たれ、物理的に不自然な圧力または速度のアーチファクトが発生しなかった。
• 正則化重み5×10⁻⁸が安定性に不可欠であり、特に希なデータケースでは正則化なし最適化では結果の改善が得られなかった。
• 本手法は、[33]で提示された類似設定の手法を上回っており、粗いメッシュ（4400対23,400セル）を用い、スムージングステップも実施していないにもかかわらず、優れた性能を発揮した。