[論文レビュー] Graph Neural Networks for Aerodynamic Flow Reconstruction from Sparse Sensing

Gregory Duthé, Imad Abdallah+2 more|arXiv (Cornell University)|Jan 9, 2023

Model Reduction and Neural Networks被引用数 6

ひとこと要約

本稿では、任意の翼型形状の表面圧力測定値から2次元の空力的流れ場（圧力および速度）を再構築するための深層可逆的グラフニューラルネットワーク（GNN）フレームワークを提案する。多様な翼型幾何形状と乱流流入を有する大規模なCFD生成データセットを用いて、正確な流れ再構築と遠方境界の物理的性質推定を達成しており、グラフ自己注意ネットワーク（GAT）が他のアーキテクチャに比べて一般化性能と再現性に優れている。

ABSTRACT

Sensing the fluid flow around an arbitrary geometry entails extrapolating from the physical quantities perceived at its surface in order to reconstruct the features of the surrounding fluid. This is a challenging inverse problem, yet one that if solved could have a significant impact on many engineering applications. The exploitation of such an inverse logic has gained interest in recent years with the advent of widely available cheap but capable MEMS-based sensors. When combined with novel data-driven methods, these sensors may allow for flow reconstruction around immersed structures, benefiting applications such as unmanned airborne/underwater vehicle path planning or control and structural health monitoring of wind turbine blades. In this work, we train deep reversible Graph Neural Networks (GNNs) to perform flow sensing (flow reconstruction) around two-dimensional aerodynamic shapes: airfoils. Motivated by recent work, which has shown that GNNs can be powerful alternatives to mesh-based forward physics simulators, we implement a Message-Passing Neural Network to simultaneously reconstruct both the pressure and velocity fields surrounding simulated airfoils based on their surface pressure distributions, whilst additionally gathering useful farfield properties in the form of context vectors. We generate a unique dataset of Computational Fluid Dynamics simulations by simulating random, yet meaningful combinations of input boundary conditions and airfoil shapes. We show that despite the challenges associated with reconstructing the flow around arbitrary airfoil geometries in high Reynolds turbulent inflow conditions, our framework is able to generalize well to unseen cases.

研究の動機と目的

• 任意の翼型形状における局所的表面圧力測定値から全流れ場を再構築する逆問題に対処すること。
• 未学習の幾何形状に一般化可能な、高レイノルズ数の乱流流入条件下でも頑健な流れ再構築を実現すること。
• 局所的な境界データから、全体の遠方境界流れ状態（速度、迎角、乱流強度）を同時に推定すること。
• 大規模なメッシュグラフと局所的入力の課題を、メッセージパッシング機構を有する深層可逆的GNNを活用することで克服すること。
• より広範なメッシュベースの逆物理問題に応用可能な柔軟でデータ駆動型のフレームワークの構築

提案手法

• CFDメッシュの非構造的メッシュ接続性を用いて、流体ノード（$\mathcal{V}_f$）と翼型境界ノード（$\mathcal{V}_a$）を含むグラフ表現を構築し、エッジ（$\mathcal{E}$）を定義する。
• 境界情報が流体ノードにまで伝搬されるよう、メッセージパッシングを実行するグループ化可逆プロセッサGNNを訓練し、$\hat{\mathcal{V}}_f = \mathscr{F}(\mathcal{V}_a, \mathcal{E}, \mathcal{U}_{\text{in}})$ を推定する。
• 深層GNNにおける消失勾配とメモリ制限を軽減するため、可逆アーキテクチャを採用し、長距離情報伝搬に適した深層ネットワークの学習を可能にする。
• グローバルな流れ推定を向上させるために、グラフレベルの文脈ベクトル $\mathcal{U}_{\text{in}}$ を入力特徴として統合する。
• CFDシミュレーションからの予測値と真値の差を最小化する損失関数を用いて、エンドツーエンドでモデルを学習する。
• 再構築品質と一般化性能を比較するために、複数のGNNバリアント（GAT、GIN、GCN）を可逆フレームワーク内で評価する。

実験結果

リサーチクエスチョン

• RQ1 深層可逆的GNNは、任意の翼型形状における局所的表面圧力測定値から高精度な2次元流れ場を効果的に再構築できるか？
• RQ2 学習データに含まれない未学習の翼型形状および乱流流入条件下でも、モデルの一般化性能はどの程度高いか？
• RQ3 同じ学習・推論環境下で、GNNアーキテクチャ（例：GAT、GIN、GCN）のうち、どのモデルが最も正確で頑健な流れ再構築を達成するか？
• RQ4 局所的な境界データから、遠方境界流れ特性（速度、迎角、乱流強度）をどの程度正確に推定できるか？
• RQ5 可逆性やメッセージパッシングの深さといったアーキテクチャ的選択が、大規模かつスパースなメッシュグラフにおける性能と一般化性能に与える影響はどの程度か？

主な発見

• 提案された可逆的GNNフレームワークは、高レイノルズ数の乱流流入下でも、翼型周囲の圧力および速度場を高い精度で再構築できた。
• revGATモデルが全体的な再構築品質で最高を記録し、他のrevGINおよびrevGCNに比べてアーチファクトが少なく、より正確な流れパターンを再現した。
• 翼型先端縁の周辺部の流れ特徴は高い再現性で再構築されたが、翼型からの距離が増すにつれて情報伝搬の限界により精度が低下した。
• 遠方境界の流れ速度および迎角は、特に小さな迎角において正確に予測されたが、乱流強度推定は表面圧力に間接的な影響を与えるため困難であった。
• GINバージョンは、長大な尾流などの剥離流特徴を捉える性能が優れており、複雑な流れ状態に特化したアーキテクチャの特化性を示した。
• 巨大なグラフサイズ（平均約55,000ノード）と局所的入力にもかかわらず、フレームワークは未学習の翼型幾何形状および境界条件に対しても強力な一般化性能を示した。