[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被引用数 64

ひとこと要約

DeepCFD は U-Net CNN を用いて境界形状から2Dの非均一な定常層流解（速度と圧力）を近似し、従来の CFD に対して低誤差で CPU 速度を最大 1,000x まで向上させる。複数デコーダを用いて速度場と圧力場を完全に提供するよう、既存研究を拡張している。

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

• 工学設計と最適化における安定粘性流れの CFD 計算コスト削減を動機づける。
• CFD の真値データから速度場と圧力場を学習する CNN サロゲート（DeepCFD）を提案する。
• 以前のアプローチを拡張し、別々のデコーダを備えた U-Net アーキテクチャを用いて完全な速度場と圧力場を出力する。
• 再現性とコミュニティ貢献を促すデータセットとコードを提供する。

提案手法

• 符号付き距離関数（SDF）と CNN 入力としての多クラス流れ領域チャンネルを用いて流れ幾何を表現する。
• 潜在形状表現（LGR）を学習するダウンサンプリングエンコーダを用い、LGR から速度（Ux, Uy）と圧力（p）へ写像するアップサンプリングデコーダを用いる。
• AE ベースラインと U-Net ベースのアーキテクチャおよび複数デコーダ（AE-3, UNet-3 など）を比較する。
• 2D チャンネル流れに対してランダム形状の障害物を周回する CFD の実データ（OpenFOAM（simpleFoam））で学習する。
• AdamW 最適化手法を用い、バッチサイズは 64；損失は速度の平均二乗誤差と圧力の平均絶対誤差を組み合わせ、バイアスを避けるため損失を正規化する。
• 学習率、カーネルサイズ、エンコーダ/デコーダ深さ、正規化選択のハイパーパラメータ探索を行う。

実験結果

リサーチクエスチョン

• RQ1 幾何境界条件から 2D の非均一な定常層流場（Ux, Uy, p）をCNN サロゲートが正確に近似できるか。
• RQ2 別解デコーダを持つ U-Net は共有デコーダを持つベースラインオートエンコーダより速度と圧力の再構成性能を向上させるか。
• RQ3 DeepCFD は従来 CFD（OpenFOAM）およびベースラインモデルと比較して、様々な障害物形状に対して精度とスピードのトレードオフをどう示すか。
• RQ4 DeepCFD は予測の質において停滞、分離、圧力帯域などの定性的な流れ特徴と共に、 ground-truth CFD に対してどのような速度/圧力場再構成を示すか。

主な発見

モデル	Ux MSE	Uy MSE	p MSE	Total MSE
AE-1	2.1513 ± 0.1688	0.6270 ± 0.0611	1.7198 ± 0.0052	4.4981 ± 0.1753
Baseline	1.7854 ± 0.1175	0.2956 ± 0.0045	1.2125 ± 0.0150	3.2935 ± 0.1171
UNet-1	0.7730 ± 0.0897	0.2153 ± 0.0186	1.0420 ± 0.0431	2.0303 ± 0.1360
DeepCFD	0.7730 ± 0.0897	0.2153 ± 0.0186	1.0420 ± 0.0431	2.0303 ± 0.1360

• DeepCFD（UNet-3 アーキテクチャ）は、ベースラインや他のアーキテクチャと比較して Ux、Uy、p の全体的なテスト MSE が最も小さい。
• 5–サンプルのテストでは、UNet-1 対 DeepCFD で DeepCFD が総 MSE を 2.0303 ± 0.1360 に低減し、UNet-1 の 2.9203 ± 0.1520 と比較して改善。
• ベースライン AE-1 と比較すると、DeepCFD はテスト集合で総 MSE を 4.4981 ± 0.1753 から 2.0303 ± 0.1360 に改善し、対応する Ux、Uy、p の誤差も減少。
• グラウンドトゥルース CFD に対して、DeepCFD は誤差を低く保ちながら CPU-CPU で約 3 オーダーのオーダーオブマグニチュードのスピードアップ、GPU-CPU で約 5 オーダーのスピードアップを達成可能。
• 定性的な流れの再構成では、DeepCFD は高圧力前部領域や流れ分離などの重要な特徴を様々な障害物形状で捉える。
• 予測誤差分布は多くの予測が低相対誤差（しばしば 10% 未満）であることを示す。
• DeepCFD は速度の大きさだけでなく完全な速度場と圧力場を提供し、工学的応用の有用性を高める。