[論文レビュー] Data-Driven Modeling of Geometry-Adaptive Steady Heat Transfer based on Convolutional Neural Networks: Heat Conduction

Jiang-Zhou Peng, Xianglei Liu+3 more|arXiv (Cornell University)|Oct 8, 2020

Advanced Numerical Analysis Techniques参考文献 64被引用数 5

ひとこと要約

本稿では、任意の形状を有する2次元物体における定常状態の熱伝導を高速かつ高精度に予測するための畳み込みニューラルネットワーク（CNN）ベースのデータ駆動型モデルを提案する。複雑な形状を符号付き距離関数（SDF）で符号化し、多様な幾何配置で学習させることで、従来の数値的手法と比較して3〜4桁の速度向上を達成しながら、未学習の幾何形状に対しても高い精度を維持する。

ABSTRACT

Numerical simulation of steady-state heat conduction is common for thermal engineering. The simulation process usually involves mathematical formulation, numerical discretization and iteration of discretized ordinary or partial differential equations depending on complexity of problems. In current work, we develop a data-driven model for extremely fast prediction of steady-state heat conduction of a hot object with arbitrary geometry in a two-dimensional space. Mathematically, the steady-state heat conduction can be described by the Laplace's equation, where a heat (spatial) diffusion term dominates the governing equation. As the intensity of the heat diffusion only depends on the gradient of the temperature field, the temperature distribution of the steady-state heat conduction displays strong features of locality. Therefore, in current approach the data-driven model is developed using convolution neural networks (CNNs), which is good at capturing local features (sub-invariant) thus can be treated as numerical discretization in some sense. Furthermore, in our model, a signed distance function (SDF) is proposed to represent the geometry of the problem, which contains more information compared to a binary image. For the training datasets, the hot objects are consisting of five simple geometries: triangles, quadrilaterals, pentagons, hexagons and dodecagons. All the geometries are different in size, shape, orientation and location. After training, the data-driven network model is able to accurately predict steady-state heat conduction of hot objects with complex geometries which has never been seen by the network model; and the prediction speed is three to four orders faster than numerical simulation. According to the outstanding performance of the network model, it is hoped that this approach can serve as a valuable tool for applications of engineering optimization and design in future.

研究の動機と目的

• 任意の2次元幾何形状に対して、超高速な定常状態の熱伝導予測を可能にするデータ駆動型モデルの開発。
• 不規則な領域におけるラプラス方程式の伝統的数値ソルバーの計算コストと複雑さの克服。
• CNNの局所的特徴抽出能力を活用し、熱伝導方程式の数値離散化を近似する。
• 形状の詳細をバイナリマスクよりも効果的に符号化できる符号付き距離関数（SDF）を幾何表現として導入する。
• 訓練データセットにない複雑で新しい形状を含む未学習の幾何形状に対しても一般化可能な単一のモデルを訓練する。

提案手法

• モデルは畳み込みニューラルネットワーク（CNN）を用い、幾何入力を定常状態の温度場へ写像する学習を行う。
• 幾何形状は、単なるバイナリマスクを越えて連続的かつ微分可能な形状情報を提供する符号付き距離関数（SDF）で符号化される。
• 学習データセットは、サイズ、方向、位置が変化した5つの基本形状（三角形、四角形、五角形、六角形、十二角形）を有する2次元熱伝導問題から構成される。
• CNNは、予測値と真値の解との間の平均二乗誤差を最小化することで、定常状態の温度分布を予測するように訓練される。
• エンド・ツー・エンドの学習を通じて、温度勾配の局所性を活用し、ラプラス方程式の数値離散化を暗黙的に学習する。
• データオーグメンテーションとCNNが局所的パターン認識に持つインダクティブバイアスにより、未学習の幾何形状への一般化が実現される。

実験結果

リサーチクエスチョン

• RQ1 多様な2次元幾何形状で学習したディープラーニングモデルは、完全に未学習の形状に対しても定常状態の熱伝導を予測できるか？
• RQ2 バイナリ画像表現と比較して、符号付き距離関数（SDF）は幾何的忠実度とモデル性能においてどのように異なるか？
• RQ3 明示的な数値離散化を伴わず、CNNがラプラス方程式の解をどの程度正確に近似できるか？
• RQ4 従来の有限要素法や有限差分法ソルバーと比較して、データ駆動型モデルの速度向上率はどの程度か？
• RQ5 複雑でトレーニング不能な幾何形状に対して、モデルの温度場予測精度はどの程度か？

主な発見

• 提案されたCNNモデルは、従来の数値シミュレーションと比較して、予測速度が3〜4桁のオーダーで高速化されている。
• 訓練データセットにない複雑な形状を含む未学習の幾何形状に対しても、正確に一般化している。
• 入力として符号付き距離関数（SDF）を用いることで、バイナリマスクよりも優れた幾何表現が可能となり、モデル性能が向上した。
• 多様な形状、サイズ、方向、位置に対し高い精度を維持しており、強力な一般化能力を示している。
• 局所的な温度勾配を捉えることで、モデルは熱伝導の物理法則を暗黙的に学習し、数値離散化を効果的に模倣している。
• その高速性と正確性のおかげで、工学的応用における迅速な熱的設計の探索と最適化が可能になった。