[論文レビュー] Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics

Kim, Hojin, Varun Shankar+2 more|arXiv (Cornell University)|Jul 25, 2023

Model Reduction and Neural Networks被引用数 6

ひとこと要約

本論文は、非構造格子上で微分可能Large Eddy Simulation (LES)フレームワークを提示し、多スケールグラフニューラルネットワーク (GNN) を統合して、小スケール済み乱流閉じ込め（SGS）を学習する。自動微分を介したエンドツーエンド学習を可能にすることで、10倍の計算コストがかかる細粒度シミュレーションと同等のLES精度を達成しながら、未学習のレイノルズ数や幾何形状に対しても一般化可能であり、10倍の効率的スピードアップを実現した。

ABSTRACT

Differentiable physical simulators are proving to be valuable tools for developing data-driven models for computational fluid dynamics (CFD). In particular, these simulators enable end-to-end training of machine learning (ML) models embedded within CFD solvers. This paradigm enables novel algorithms which combine the generalization power and low cost of physics-based simulations with the flexibility and automation of deep learning methods. In this study, we introduce a framework for embedding deep learning models within a finite element solver for incompressible Navier-Stokes equations, specifically applying this approach to learn a subgrid-scale (SGS) closure with a graph neural network (GNN). We first demonstrate the feasibility of the approach on flow over a two-dimensional backward-facing step, using it as a proof of concept to show that solver-consistent training produces stable and physically meaningful closures. Then, we extend this to a turbulent flow over a three-dimensional backward-facing step. In this setting, the GNN-based closure not only attains low prediction errors, but also recovers key turbulence statistics and preserves multiscale turbulent structures. We further demonstrate that the closure can be identified in data-limited learning scenarios as well. Overall, the proposed end-to-end learning paradigm offers a viable pathway toward physically consistent and generalizable data-driven SGS modeling on complex and unstructured domains.

研究の動機と目的

• エンドツーエンド学習が可能な機械学習ベースの乱流モデルを訓練できる、非構造格子に対応した微分可能なCFDソルバーの開発。
• 純粋にデータ駆動なCFDモデルの一般化の欠如を解消するため、学習可能なSGS閉じ込めを物理的制約付きフレームワークに組み込む。
• GNNベースのSGSモデルが、後退ステップのような複雑な流れにおいてレイノルズ数や幾何形状の変化に対し一般化できるかを示すこと。
• 粗いグリッドシミュレーションが可能になる閉じ込めを学習することで、計算コストを低減しつつ高い精度を維持すること。

提案手法

• ナビエ-ストークス方程式は、FEniCSの有限要素環境を用いて解き、圧力補正スキーム（IPCS）はPyTorchで実装し、微分可能であるようにした。
• 多スケールグラフニューラルネットワーク（GNN）は、局所的な速度勾配と圧力場を入力として、乱流の運動粘性係数と非線形SGS応力の両方を予測するように訓練された。
• 自動微分を用いて、複数ステップにわたる予測速度場と真値との間のL²誤差を最小化することで、エンドツーエンドでGNNを訓練した。
• PDEソルバーを通過する勾配を計算するために、独自の離散アドジョイントソルバーを実装し、シミュレーションパイプライン全体にバックプロパゲーションを可能にした。
• SGS応力の線形および非線形成分を含む関数形を用いて、閉じ込めモデルをLES形式に統合した。
• 一般化性能をテストするために、異なるレイノルズ数とステップ高さを有する2次元後退ステップ流れを用いて評価した。

実験結果

リサーチクエスチョン

• RQ1 非構造格子上での微分可能LESフレームワークは、データ駆動型SGS閉じ込めモデルの効果的なエンドツーエンド学習を可能にするか？
• RQ2 GNNベースのSGSモデルは、乱流において未学習のレイノルズ数や新しい幾何形状に対し、どの程度一般化できるか？
• RQ3 学習された閉じ込めモデルは、高分解能LESと同等の精度を維持しつつ、計算コストをどの程度低減できるか？
• RQ4 有限要素PDEソルバーにGNNを統合することで、物理的整合性を保ちつつ、効率的で微分可能な学習を可能にするか？

主な発見

• GNNベースの閉じ込めモデルは、10倍の計算コストがかかる細粒度シミュレーションと同等のLES精度を達成し、計算コストで10倍の効率的スピードアップを実現した。
• 訓練中に見られなかった高レイノルズ数や新しいステップ高さに対しても一般化でき、訓練分布外でも安定性を示した。
• 学習されたSGSモデルは、従来のLES閉じ込めモデルに比べ、速度プロファイルの精度とPODモードの再現性において優れた性能を示した。
• 本フレームワークは、非構造格子上で自動微分を介した乱流モデルのエンドツーエンド学習を成功裏に実現した。これは、従来、構造格子に限られていた能力であった。
• 予測値と真値との間のL²誤差は、ベースラインモデルに比べ顕著に低減され、複数の指標で一貫した改善が得られた。
• 基礎となるPDEソルバーのおかげで、非圧縮性および運動量保存の物理的整合性が維持された。