[論文レビュー] Hybrid Neural Network PDE Solvers for Reacting Flows

Nilam Tathawadekar, Nguyen Anh Khoa Doan+2 more|arXiv (Cornell University)|Nov 22, 2021

Combustion and flame dynamics参考文献 29被引用数 4

ひとこと要約

本稿では、反応しないPDEソルバとニューラルネットワークを組み合わせたハイブリッドニューラルネットワーク-PDEソルバを提案する。反応しないPDEソルバで基盤の流れの動的挙動を計算し、ニューラルネットワークで化学反応の影響を補正することで、反応流シミュレーションにおける反応効果を補正する。各タイムステップでニューラルネットワークによる補正を適用することにより、物理的整合性を保ちながら、平面炎およびバーンゼン炎の長時間にわたる高精度なシミュレーションが可能となり、純粋にデータ駆動の手法や完全な反応PDEアプローチと比較して、安定性、一般化性能、および大きなタイムステップが向上する。

ABSTRACT

Low-cost simulations of reactive flows are generally hard to achieve. Accurately modeling the propagation of a flame in more than one spatial dimension during statistically significant time windows usually comprises a large range of temporal and spatial scales, which entail high computational costs. Recent machine learning developments have shown great potential in accelerating such simulations. However, purely data-driven approaches, which only make use of an artificial neural network and data, often fail to accurately simulate the evolution of the reactive flow over a sufficiently long time and in a physically consistent manner. Therefore, we propose a hybrid approach that uses a neural network model in combination with a non-reactive PDE solver that provides partial physical information. In this study, we demonstrate that results obtained from non-reactive PDEs can be efficiently corrected at every time step by a hybrid neural network PDE solver model so that the effect of the chemical reactions on the flow field is correctly accounted for. For validation purposes, the obtained simulations of the hybrid model are successfully compared against results coming from a complete set of reactive PDEs, which are inherently more expensive. We demonstrate the validity of the proposed approach on a planar and a Bunsen-type flame at various operating conditions. The hybrid neural-network PDE approach correctly models the flame evolution of the cases under study for significantly long time windows, yields improved generalization, and allows for larger simulation time steps.

研究の動機と目的

• 複雑な化学反応を伴う多次元反応流シミュレーションの長時間計算コストの低減を目的とする。
• 純粋にデータ駆動のニューラルネットワークが反応流モデリングにおいて物理的整合性と長期的精度を維持するのを妨げる制限を克服すること。
• 物理的PDEソルバを基盤の動的挙動に活用し、ニューラルネットワークで反応に起因する補正をモデル化するハイブリッドフレームワークの構築。
• 異なる運用条件下での平面炎およびバーンゼン型炎を対象に、妥当性と一般化性能の検証。
• 物理的忠実性を損なわず、計算効率を向上させるためにより大きなタイムステップの使用を可能にすること。

提案手法

• 非反応PDEソルバが各タイムステップで基盤の流れの動的挙動を計算し、物理的に整合性のある中間状態を提供する。
• ニューラルネットワークは、流れにおける化学反応の影響を補正するための補正場を予測するように訓練される。
• 補正は各タイムステップで非反応解に適用され、効果的に反応効果がシミュレーションに組み込まれる。
• ハイブリッドモデルは、完全な反応PDEのセットから生成されたデータを用いて訓練され、ターゲットの動的挙動における物理的正確性が保証される。
• アーキテクチャは、異なる運用条件や炎の種別にわたる一般化を可能に設計されている。
• 物理的事前知識のおかげで安定性が向上するため、標準的な反応PDEソルバと比較して、より大きなタイムステップが可能になる。

実験結果

リサーチクエスチョン

• RQ1 非反応PDEソルバのガイダンスのもと、ニューラルネットワークが反応に起因する動的挙動を効果的に学習・補正できるか。
• RQ2 純粋にデータ駆動のモデルと比較して、ハイブリッドアプローチは物理的整合性と長期的精度を維持できるか。
• RQ3 最小限の再訓練で、異なる炎の種別や運用条件にわたって一般化できるか。
• RQ4 完全な反応PDEシミュレーションと比較して、ハイブリッドモデルは計算コストをどの程度低減できるか。
• RQ5 安定性や正確性を損なわず、ハイブリッドシミュレーションでより大きなタイムステップを使用できるか。

主な発見

• 純粋にデータ駆動のニューラルネットワークと比較して、ハイブリッドモデルは物理的整合性を保ちながら、はるかに長い時間窓における炎の進化をシミュレートできた。
• 完全な反応PDEソルバと同等の正確な結果が得られ、物理的忠実性が妥当であることが検証された。
• 平面炎およびバーンゼン型炎を含む、さまざまな運用条件や炎の幾何形状にわたって、一般化性能が向上した。
• ハイブリッドアプローチにより、より大きなシミュレーションタイムステップが可能となり、計算効率が向上した。
• ニューラルネットワークによる補正は、各ステップで完全な反応PDEソルバを実行する必要なく、複雑な反応効果を効果的に捉えていた。
• 物理的PDE動的挙動と学習された補正の統合により、安定的かつ正確な長期的シミュレーションが実現した。