[論文レビュー] Challenges and Opportunities for Machine Learning in Fluid Mechanics

M. A. Mendez, Joachim Dominique+4 more|arXiv (Cornell University)|Jan 1, 2022

Model Reduction and Neural Networks被引用数 4

ひとこと要約

本論文は、機械学習（ML）と古典的流体力学の統合を検討し、乱流モデル化、騒音予測、低次元モデル化、および物理則を組み込んだニューラルネットワークの分野における主な課題と機会を提示する。ML技術、特に教師あり学習および強化学習が、物理的制約を組み込むことで一般化性と解釈可能性を向上させながら、流体力学における予測精度と効率性を向上させることを示している。

ABSTRACT

Big data and machine learning are driving comprehensive economic and social transformations and are rapidly re-shaping the toolbox and the methodologies of applied scientists. Machine learning tools are designed to learn functions from data with little to no need of prior knowledge. As continuous developments in experimental and numerical methods improve our ability to collect high-quality data, machine learning tools become increasingly viable and promising also in disciplines rooted in physical principles. These notes explore how machine learning can be integrated and combined with more classic methods in fluid dynamics. After a brief review of the machine learning landscape, we show how many problems in fluid mechanics can be framed as machine learning problems and we explore challenges and opportunities. We consider several relevant applications: aeroacoustic noise prediction, turbulence modelling, reduced-order modelling and forecasting, meshless integration of (partial) differential equations, super-resolution and flow control. While this list is by no means exhaustive, the presentation will provide enough concrete examples to offer perspectives on how machine learning might impact the way we do research and learn from data.

研究の動機と目的

• 流体力学の問題を機械学習のタスクとして特定・定式化すること。
• 流体力学におけるMLと従来の物理ベースの手法の統合を分析すること。
• 乱流や流れの剥離といった複雑な流体挙動を予測するMLモデルの性能と限界を評価すること。
• 物理的制約をMLモデルに組み込むことで一般化性と信頼性を向上させることの方法を検討すること。
• 制御や予測を含む実世界の流体力学的課題へのMLの応用のためのロードマップを提示すること。

提案手法

• シミュレーションまたは実験からのラベル付きデータを用いて、流体力学の問題を教師あり学習のタスクとして定式化する。
• 教師ありニューラルネットワークと径路基底関数を、回帰および分類の仮説集合として適用する。
• 偏微分方程式を損失関数に直接埋め込むことで、物理則を組み込んだニューラルネットワーク（PINNs）を採用する。
• 強化学習を用いて能動的流れ制御を実施し、試行錯誤によって最適な制御戦略を学習するエージェントを訓練する。
• 画像ベースの流速計測データから圧力場を再構築するためのメッシュレス手法をMLを用いて導入する。
• 低次元化技術として、固有直交分解（POD）およびmPODを用いて低次元モデル化を実現する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を流体力学における第一原理モデルと効果的に組み合わせる方法は何か？
• RQ2 乱流的かつ非定常な流れにMLを適用する際の主な課題は何か？
• RQ3 物理法則をニューラルネットワークのアーキテクチャに組み込むことで、モデルのロバスト性を向上させることは可能か？
• RQ4 MLは、航空音響騒音や流れ制御の応用において、予測精度をどのように向上させることができるか？
• RQ5 流体力学のタスクにおいて、異なるMLアーキテクチャは一般化性とデータ効率性の観点でどのように比較されるか？

主な発見

• 特に物理則を組み込んだニューラルネットワーク（PINNs）は、最小限のデータで流体力学における偏微分方程式の正確な解法と逆問題の解法が可能である。
• 教師あり学習によるニューラルネットワークは、入力パラメータから渦粘性係数と流れ剥離を高精度に予測することができる。
• 強化学習は、複雑な流れにおいて、従来の制御手法を上回る効果的な能動的流れ制御戦略の発見を可能にする。
• MLを用いたPDEのメッシュレス統合により、構造的グリッドを必要とせずPIVデータから正確な圧力場を再構築できる。
• MLサロゲートを用いた低次元モデル化により、パrametricな流れシミュレーションにおいて計算コストを顕著に削減しながらも、精度を維持できる。
• 物理的制約をMLモデルに組み込むことで、一般化性が向上し、特にデータが少ない状況でもデータ要件が削減される。