[論文レビュー] An Old-Fashioned Framework for Machine Learning in Turbulence Modeling

Philippe R. Spalart|arXiv (Cornell University)|Aug 1, 2023

Meteorological Phenomena and Simulations被引用数 12

ひとこと要約

tldr: 本論文は、乱流モデリングにおける機械学習の実用的なフレームワークとガイダンスを提供し、物理に基づく制約、乱流カルチャー、純粋に公表可能な results よりも製品志向の CFD を強調し、具体的な DNS-data の例を示します。

ABSTRACT

The objective is to provide clear and well-motivated guidance to Machine Learning (ML) teams, founded on our experience in empirical turbulence modeling. Guidance is also needed for modeling outside ML. ML is not yet successful in turbulence modeling, and many papers have produced unusable proposals either due to errors in math or physics, or to severe overfitting. We believe that "Turbulence Culture" (TC) takes years to learn and is difficult to convey especially considering the modern lack of time for careful study; important facts which are self-evident after a career in turbulence research and modeling and extensive reading are easy to miss. In addition, many of them are not absolute facts, a consequence of the gaps in our understanding of turbulence and the weak connection of models to first principles. Some of the mathematical facts are rigorous, but the physical aspects often are not. Turbulence models are surprisingly arbitrary. Disagreement between experts confuses the new entrants. In addition, several key properties of the models are ascertained through non-trivial analytical properties of the differential equations, which puts them out of reach of purely data-driven ML-type approaches. The best example is the crucial behavior of the model at the edge of the turbulent region (ETR). The knowledge we wish to put out here may be divided into "Mission" and "Requirements," each combining physics and mathematics. Clear lists of "Hard" and "Soft" constraints are presented. A concrete example of how DNS data could be used, possibly allied with ML, is first carried through and illustrates the large number of decisions needed. Our focus is on creating effective products which will empower CFD, rather than on publications.

研究の動機と目的

• 乱流モデリングにおける ML チームへの明確で合理的なガイダンスを提供する。
• 乱流における ML の限界と物理情報を組み込んだ制約の価値を強調する。
• モデル開発を指針づけるために、物理と数学を組み合わせたフレームワークを紹介する。
• このフレームワーク内でDNSデータが意思決定にどのように活用されるかを示す。
• 純粋な学術論文ではなく、実用的な CFD 製品の作成に焦点を当てる。

提案手法

• ガイダンスを Mission と Requirements に分け、物理と数学を組み合わせる。
• モデルに対するハード制約とソフト制約の明確なリストを提示する。
• データ利用の意思決定とワークフローを示す具体的な DNS-data 例を提供する。
• 乱流モデルの端の挙動、たとえば乱流領域の端（ETR）での挙動を議論する。
• データ駆動アプローチだけに頼るのではなく、従来のモデリング思考と ML の統合を提案する。

実験結果

リサーチクエスチョン

• RQ1 乱流モデリングにおけるMLの実用的で原理的なフレームワークとは何か？
• RQ2 乱流モデルにおけるハード制約とソフト制約はどのように定義・適用されるべきか？
• RQ3 DNSデータをMLベースの乱流モデリングワークフローに効果的に統合するには？
• RQ4 CFDでMLアプローチが公表可能か製品準備完了かを決定する実務上の課題と判断は何か？

主な発見

• 本論文は乱流モデリングに対するハード制約とソフト制約の明確なリストを提供している。
• 乱流カルチャー（TC）は学習に多年を要し容易には伝えられないと主張し、MLの普及に影響を与える。
• MLと従来のモデリングを組み合わせる際に多くの意思決定が必要であることを示す具体的なDNS-dataの例を用いている。
• 出版物を追求するよりも効果的な CFD 製品の創出に焦点を当てる。
• 一部の数学的事実は厳密だが物理的側面は必ずしもそうでなく、臨界領域（ETR）でのモデル挙動が自明でないことを指摘している。