[論文レビュー] Forecasting subcritical cylinder wakes with Fourier Neural Operators

Peter I Renn, Cong Wang+4 more|arXiv (Cornell University)|Jan 19, 2023

Fluid Dynamics and Turbulent Flows被引用数 7

ひとこと要約

論文は、レイノルズ数240–3060のPIVデータを用いて学習した Fourier Neural Operators (FNOs) による実験的円柱後流の時間発展の予測を示し、10ステップでのL2誤差を0.1未満に抑える。

ABSTRACT

We apply Fourier neural operators (FNOs), a state-of-the-art operator learning technique, to forecast the temporal evolution of experimentally measured velocity fields. FNOs are a recently developed machine learning method capable of approximating solution operators to systems of partial differential equations through data alone. The learned FNO solution operator can be evaluated in milliseconds, potentially enabling faster-than-real-time modeling for predictive flow control in physical systems. Here we use FNOs to predict how physical fluid flows evolve in time, training with particle image velocimetry measurements depicting cylinder wakes in the subcritical vortex shedding regime. We train separate FNOs at Reynolds numbers ranging from Re = 240 to Re = 3060 and study how increasingly turbulent flow phenomena impact prediction accuracy. We focus here on a short prediction horizon of ten non-dimensionalized time-steps, as would be relevant for problems of predictive flow control. We find that FNOs are capable of accurately predicting the evolution of experimental velocity fields throughout the range of Reynolds numbers tested (L2 norm error < 0.1) despite being provided with limited and imperfect flow observations. Given these results, we conclude that this method holds significant potential for real-time predictive flow control of physical systems.

研究の動機と目的

• 迅速なリアルタイムな流れの後流発展予測を predictive flow control のために動機づける。
• 実験的流体データのデータ駆動ソリューションオペレーターとしての Fourier Neural Operators (FNOs) の有効性を調査する。
• 予測精度がレイノルズ数の増大と乱流の影響とともにどのように低下するかを評価する。
• 測定ノイズと観測性の制限に対するFNOベースの予測の頑健性を示す。

提案手法

• 円柱後流の速度場（u, v）の時間発展オペレーターを学習するために Fourier Neural Operators を用いる。
• データを平均流から減算してゆらぎ u' および v' を得、u = u0 + u' および v = v0 + v' で全場を再構成する。
• FNO アーキテクチャを用いて2ステップ入力から10未来時間ステップを再帰的に予測する。
• Re = 240, 630, 890, 1260, 1860, 2480, 3060 のそれぞれについて別個の FNO を訓練し、テストセットで評価する。
• 誤差はL2ノルム ε(t) = ||q*_t - q_t||_2 / ||q_t||_2 を離散的な速度場サンプル間で測定する。
• ッフ削除（アブレーション）として、全速度場に対する予測とゆらぎのみの予測を比較する（付録参照）。

実験結果

リサーチクエスチョン

• RQ1 FNOは実験データからサブクリティカル円柱後流の瞬時速度場を正確に予測できるか。
• RQ2 予測誤差（L2誤差）は十ステップでどのように推移し、レイノルズ数とどのように変化するか。
• RQ3 PIVデータに内在する実験ノイズや平面外測定効果に対してFNOの予測は頑健か。
• RQ4 平均値を引いたゆらぎと全速度場の予測性能の違いはどのようか。
• RQ5 学習されたオペレーターはサブクリティカル領域内のさまざまなレイノルズ数に一般化できるか。

主な発見

• FNOは240から3060までの各レンジで十予測ステップにおいてε < 0.1 という低誤差を達成した。
• 初期のステップでは予測誤差がレイノルズ数とともに増加するが、最終ステップでは Re = 890 付近で安定する。
• 第一ステップの誤差は Re に対してほぼ直線的に増加する一方、最終ステップの誤差は非線形に増加してから安定化する。
• 予測は測定ノイズと2D PIVの制約にもかかわらず、支配的なコヒーレント構造の瞬時の形状と運動を捉える。
• 誤差はせん断層と渦のエッジ付近に集中し、特に高Reで三次元効果が現れる領域で顕著となる。
• 予測は高乱流領域で微細スケールの特徴を平滑化する傾向があり、微細スケールダイナミクスの解像限界を反映している可能性がある。