[論文レビュー] Are Discrepancies in RANS Modeled Reynolds Stresses Random?

Heng Xiao, Jinlong Wu+2 more|arXiv (Cornell University)|Jun 27, 2016

Probabilistic and Robust Engineering Design参考文献 15被引用数 3

ひとこと要約

本研究では、ランダムフォレスト回帰モデルを用いて、RANSでモデル化されたレイノルズ応力の乖離が予測可能か、それともランダムかを調査している。結果は、これらの乖離が主に平均流れの特徴によって説明可能であることを示しており、それらが普遍的で、類似した流れに一般化可能であることを示している。これは、RANSモデルの精度を向上させるデータ駆動型の道筋を示している。

ABSTRACT

In the turbulence modeling community, significant efforts have been made to quantify the uncertainties in the Reynolds-Averaged Navier--Stokes (RANS) models and to improve their predictive capabilities. Of crucial importance in these efforts is the understanding of the discrepancies in the RANS modeled Reynolds stresses. However, to what extent these discrepancies can be predicted or whether they are completely random remains a fundamental open question. In this work we used a machine learning algorithm based on random forest regression to predict the discrepancies. The success of the regression--prediction procedure indicates that, to a large extent, the discrepancies in the modeled Reynolds stresses can be explained by the mean flow feature, and thus they are universal quantities that can be extrapolated from one flow to another, at least among different flows sharing the same characteristics such as separation. This finding has profound implications to the future development of RANS models, opening up new possibilities for data-driven predictive turbulence modeling.

研究の動機と目的

• RANSでモデル化されたレイノルズ応力の乖離がランダムか、予測可能かを特定すること。
• これらの乖離が、下位の平均流れの特性によって説明可能かどうかを評価すること。
• 分離を示すような類似した特徴を持つ流れ間で、応力の乖離を一般化して予測可能かどうかを評価すること。
• 機械学習を用いたデータ駆動型RANS不確実性モデリングの可能性を探ること。
• 応力の乖離が十分に普遍的であるかを検証し、乱流シミュレーションにおける一般化可能な予測モデルの構築を可能にするかを確立すること。

提案手法

• ランダムフォレスト回帰アルゴリズムを、RANSシミュレーションのデータ上で訓練し、モデル化されたレイノルズ応力の乖離を予測することに用いた。
• 入力特徴量には、速度勾配、圧力勾配、乱流強度などの平均流れ変数が含まれた。
• 逆圧力勾配や分離を示すような、代表的な乱流流れのケースを複数用いて、モデルの妥当性を検証した。
• 一般化性能は、ある流れで訓練したモデルを、類似した特徴を持つ別の流れの乖離を予測するのに適用することでテストした。
• 決定係数（R-squared）や平均絶対誤差などの標準的な回帰指標を用いて、アルゴリズムの予測能力を評価した。
• ランダムフォレストの非線形パターン認識の強みを活かし、平均流れと応力モデリング誤差の間の複雑な依存関係を捉える手法を採用した。

実験結果

リサーチクエスチョン

• RQ1 RANSでモデル化されたレイノルズ応力の乖離は、平均流れの特徴を用いて予測可能か？
• RQ2 これらの乖離は、どの程度決定論的で、どの程度ランダムか？
• RQ3 ある流れで訓練した機械学習モデルが、分離を示すような類似した物理的性質を持つ別の流れの応力乖離を正確に予測できるか？
• RQ4 類似した特徴を持つ流れ間で、レイノルズ応力モデリングの乖離は普遍的か？
• RQ5 データ駆動型手法は、既存のシミュレーションデータから学習することで、RANSモデルの不確実性を低減できるか？

主な発見

• ランダムフォレスト回帰モデルは、高い精度でレイノルズ応力の乖離を予測できた。これは、乖離が純粋にランダムではないことを示している。
• 乖離は、速度勾配や圧力勾配といった平均流れの特徴と強く相関していた。
• 分離を示すような類似した特徴を持つさまざまな流れに対して、モデルは一般化能力を示した。
• 結果から、RANSモデルの乖離は普遍的であり、類似した流れ構成に一般化可能であると示唆される。
• 本研究では、機械学習が、平均流れデータのみを用いて、RANSシミュレーションのモデリング誤差を効果的に学習・予測できることを示している。
• これらの発見は、予測精度を向上させるデータ駆動型で不確実性に配慮したRANSモデルを開発するための新たな道筋を切り開いている。