[論文レビュー] Deep learning approach in multi-scale prediction of turbulent mixing-layer

Jinu Lee, Sang-Seung Lee+1 more|arXiv (Cornell University)|Sep 19, 2018

Model Reduction and Neural Networks参考文献 28被引用数 6

ひとこと要約

本論文では、ぼやけた低分解能の大型スケールデータのみを入力として用いることで、混合層流れにおける微細な乱流構造を予測するための3次元畳み込み生成対抗ネットワーク（GAN）を提案する。前処理を施さない直接数値シミュレーション（DNS）データを用いて訓練することで、計算コストを低減しつつ、微細な渦構造の高精細再構成を達成し、複雑な流体力学的現象におけるマルチスケール予測の可能性を示した。

ABSTRACT

Achievement of solutions in Navier-Stokes equation is one of challenging quests, especially for its closure problem. For achievement of particular solutions, there are variety of numerical simulations including Direct Numerical Simulation (DNS) or Large Eddy Simulation (LES). These methods analyze flow physics through efficient reduced-order modeling such as proper orthogonal decomposition or Koopman method, showing prominent fidelity in fluid dynamics. Generative adversarial network (GAN) is a reprint of neurons in brain as combinations of linear operations, using competition between generator and discriminator. Current paper propose deep learning network for prediction of small-scale movements with large-scale inspections only, using GAN. Therefore DNS result of three-dimensional mixing-layer was filtered blurring out the small-scaled structures, then is predicted of its detailed structures, utilizing Generative Adversarial Network (GAN). This enables multi-resolution analysis being asked to predict fine-resolution solution with only inspection of blurry one. Within the grid scale, current paper present deep learning approach of modeling small scale features in turbulent flow. The presented method is expected to have its novelty in utilization of unprocessed simulation data, achievement of 3D structures in prediction by processing 3D convolutions, and predicting precise solution with less computational costs.

研究の動機と目的

• ナビエ＝ストークス方程式の閉じ込め問題を解決し、大規模な流れデータから微細な乱流特徴を正確に予測すること。
• 特異値分解やクープマン解析などの従来のモデル簡略化手法を回避する深層学習フレームワークの構築。
• 低分解能でぼやけた入力のみを用いて、リアルタイムで高分解能の3次元乱流混合層流れを予測すること。
• 補間や正規化を除くスケーリングを超えた前処理を施さない、生の非一様で未処理のDNSデータへのトレーニングの可能性を実証すること。

提案手法

• 生成器と識別器を備えた3次元畳み込みGANアーキテクチャを用い、ぼやけた低分解能入力から微細な乱流構造を再構成する。
• 空間的に変化する混合層の3次元DNSデータを用いてモデルを訓練し、各グリッド点における速度、圧力、空間座標を入力とする。
• DNSデータにガウスぼかしを適用して大規模な観測を模倣し、それをGANの条件付き入力として用いて高分解能流れ場を予測する。
• シミュレーショングリッド内の非一様なセル中心データ分布に対処するため、空間座標（x, y, z）を追加の入力特徴として統合する。
• 時間的整合性を確保するため、Mathieuらのアプローチを模倣した動画予測モデルを採用し、時間ステップごとの非定常な流れの進化を予測可能にする。
• 知覚的損失と対抗的損失を組み合わせた損失関数を用い、11,000エポックにわたって全体の損失を最小化する。

実験結果

リサーチクエスチョン

• RQ1 前処理や補間を施さないぼやけた大規模な流れデータのみから、深層学習モデルが高分解能の乱流構造を再構成できるか。
• RQ2 低分解能の条件付き入力のみを用いて、3次元GANモデルが混合層流れにおける微細な渦ダイナミクスと細部をどれほど正確に保持できるか。
• RQ3 PSNRやシャープネス差分といった誤差指標を用いた場合、GANベースの予測性能が真値DNSデータと比べてどの程度の構造的忠実度を示すか。
• RQ4 生の非一様なDNSデータを用いることで、マルチスケール乱流流れ予測におけるモデルの汎化性能とトレーニング安定性にどのような影響が生じるか。

主な発見

• すべてのパラメータの平均でPSNRが32.17、シャープネス差分（Sharp.diff.）誤差が25.93に達し、流れ場の高精細再構成が実現した。
• トレーニング中の全体損失は11,000エポック目で約535に安定し、GANトレーニングプロセスの収束を示した。
• 予測された渦度場（λ₂基準）は、ぼやけた入力に比べて微細な構造が強化されたが、真値DNSデータほど解像度は高くない。
• モデルはガリレオ変換不変性を持つ微細な構造を有する渦を正常に生成し、複雑な3次元乱流ダイナミクスを捉える能力を示した。
• コルモゴロフ微小スケールηはRe⁻³/⁴に比例することが判明し、理論的期待と整合的で、予測された微細スケール特徴の物理的整合性が裏付けられた。
• 補間や前処理を一切行わず、3次元畳み込みを用いて速度場と圧力場の正確な3次元再構成を達成し、計算オーバーヘッドを低減した。