[論文レビュー] DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep Convolutional Neural Networks

Mateus Dias Ribeiro, Abdul Rehman+2 more|arXiv (Cornell University)|Apr 19, 2020

Model Reduction and Neural Networks参考文献 18被引用数 56

ひとこと要約

DeepCFD は boundary geometry から 2D 非一様定常層流解（速度と圧力）を近似する CNN（複数デコーダを備えた U-Net）を用い、標準 CFD に比べて最大約3オーダーの高速化を低誤差で実現します。GPU 加速により最大約5オーダーの高速化を達成します。

ABSTRACT

Computational Fluid Dynamics (CFD) simulation by the numerical solution of the Navier-Stokes equations is an essential tool in a wide range of applications from engineering design to climate modeling. However, the computational cost and memory demand required by CFD codes may become very high for flows of practical interest, such as in aerodynamic shape optimization. This expense is associated with the complexity of the fluid flow governing equations, which include non-linear partial derivative terms that are of difficult solution, leading to long computational times and limiting the number of hypotheses that can be tested during the process of iterative design. Therefore, we propose DeepCFD: a convolutional neural network (CNN) based model that efficiently approximates solutions for the problem of non-uniform steady laminar flows. The proposed model is able to learn complete solutions of the Navier-Stokes equations, for both velocity and pressure fields, directly from ground-truth data generated using a state-of-the-art CFD code. Using DeepCFD, we found a speedup of up to 3 orders of magnitude compared to the standard CFD approach at a cost of low error rates.

研究の動機と目的

• 安定した層流の伝統的な CFD の高い計算コストに対処する。
• ジオメトリ入力から全速度場と圧力場を再構成する CNN ベースの代理モデルを開発する。
• CFD ソルバーと比較して連結流れ場を保持しつつ、精度向上と大幅な高速化を実証する。
• コミュニティの貢献のためにオープンソースのコードとデータセットを提供する。

提案手法

• OpenFOAM simpleFoam の実測データを用いて CNN ベースの代理モデルを訓練する。
• ジオメトリを符号付き距離関数（SDF）とマルチクラス流動領域チャンネル入力で表現する。
• 別々のデコーダを持つ U-Net ライクなアーキテクチャ（DeepCFD）を用い、Ux、Uy、p をそれぞれ予測する。
• 最良モデルを選択するために 4 アーキテクチャと 108 の設定をハイパーパラメータ探索する（UNet-3、別々のデコーダを採用）。
• AdamW で訓練する。速度の損失は MSE、圧力は MAE を用いて結合を安定化させ、出力間で損失を正規化する。

実験結果

リサーチクエスチョン

• RQ1 ランダムに形状を変えた障害物の周囲で、2D 定常状態の速度場と圧力場を正確に再構成する CNN の代理モデルは作れるか。
• RQ2 別々のデコーダを持つ U-Net は、結合した速度–圧力場を予測するベースラインのオートエンコーダ変種より優れているか。
• RQ3 提案された DeepCFD モデルは、CPU および GPU 上で従来の CFD と比較して精度と高速化のトレードオフがどうなるか。

主な発見

• UNet-3 と別々のデコーダを持つ DeepCFD は、Ux の MSE が 0.7730 ±0.0897、Uy が 0.2153 ±0.0186、p が 1.0420 ±0.0431 と、ベースラインおよび AE 変種よりも低い。
• DeepCFD UNet-3 の総合テスト MSE は 2.0303 ±0.1360 で、最良のベースライン（AE-1: 4.4981 ±0.1753; UNet-1: 2.9203 ±0.1520）を上回る。
• DeepCFD は全出力においてベースラインを上回り、圧力予測は開始時点から改善（総合でベースラインより約 17% 低い MSE）。
• 予測時間は大幅な高速化を示す：CPU-CPU でバッチあたり約 1,000–1,500 倍速（1、10、100）; GPU-CPU でバッチサイズ 1–100 で約 5×10^4–5×10^5 倍高速。
• 総じて、DeepCFD は CPU で最大約3オーダーの高速化、GPU で最大約5オーダーの高速化を達成し、誤差は低い。
• 定性的な流れの再構成は、さまざまな障害物形状に対して ground-truth CFD と同様に圧力領域・流れ分離などの主要特徴を捉える。