[論文レビュー] Learning Optimal Parametric Hydrodynamic Database for Vortex-Induced Crossflow Vibration Prediction

Samuel Rudy, Dixia Fan+3 more|arXiv (Cornell University)|Apr 13, 2021

Fluid Dynamics and Vibration Analysis参考文献 18被引用数 5

ひとこと要約

本論文では、可撓性シリンダーにおける渦誘発振動（VIV）を予測するための最適なパラメトリックな流体力学データベースを学習するデータ駆動型最適化フレームワークを提案する。流体と構造体のエネルギーバランスに基づく制約付き最適化問題としてパrameter学習を定式化することで、標準的なデータベースに比べてVIVの振幅および周波数の予測精度が著しく向上し、実験で確認された誤差が最大50％まで低減された。

ABSTRACT

The Vortex-induced vibration (VIV) prediction of long flexible cylindrical structures relies on the accuracy of the hydrodynamic database constructed via rigid cylinder forced vibration experiments. However, to create a comprehensive hydrodynamic database with tens of input parameters including vibration amplitudes and frequencies and Reynolds number, surface roughness and so forth is technically challenging and virtually impossible due to the large number of experiments required. The current work presents an alternative approach to approximate the crossflow (CF) hydrodynamic coefficient database in a carefully chosen parameterized form. The learning of the parameters is posed as a constraint optimization, where the objective function is constructed based on the error between the experimental response and theoretical prediction assuming energy balance between fluid and structure. Such a method yields the optimal estimation of the CF parametric hydrodynamic database and produces the VIV response prediction based on the updated hydrodynamic database. The method then was tested on several experiments, including freely-mounted rigid cylinder in large Reynolds number with combined crossflow and inline vibrations and large-scale flexible cylinder test in the Norwegian Deepwater Program, and the result is shown to robustly and significantly reduce the error in predicting cylinder VIVs.

研究の動機と目的

• VIV予測のための包括的な実験的流体力学データベースを構築する挑戦に応えるため、必要な実験回数が膨大であるため。
• 急激な変化や振幅依存性といった重要な物理的挙動を捉えることができる、横方向の流体力学係数（C_lv および C_my）のパラメトリックモデルを開発するため。
• 流体と構造体のエネルギーバランスに基づく制約付き最適化を用いて、流体力学モデルの最適パrameterを学習するため。
• 剛体および可撓性シリンダー実験において、学習済みの流体力学データベースを用いて、VIV応答の予測精度（特に振幅および周波数）を向上させるため。
• 均一流およびシアー流を含むさまざまな流れの条件、ならびに生物付着や経年劣化などの長期的影響に対しても、ロバストでデータ効率の良いVIV予測を可能にするため。

提案手法

• C_lv および C_my の流体力学係数を、微分可能でフィット感が向上するソフトプルス活性化関数を用いた滑らかな区分線形関数でパラメータライズする。
• エネルギーバランス仮定の下で、実験的VIV応答と理論的予測との誤差を最小化する目的関数を有する制約付き最適化問題を定式化する。
• 剛体シリンダーの強制振動実験および実規模の可撓性シリンダー実験（例：ノルウェー・ディープウォーター・プログラム）の実験データを用いて、モデルパラメータを学習する。
• 信頼領域法を用いて反復的に流体力学データベースのパラメータを精緻化し、残差誤差および係数の変化経路をモニタリングすることで収束を確認する。
• VIVA（渦誘発振動解析）の予測結果を、均一流および線形シアー流の両方において実験データと比較することで、学習済みデータベースの妥当性を検証する。
• 最適化されたデータベースを用いて、さまざまな流入速度におけるVIV応答を予測し、振幅および周波数の精度向上を評価する。

実験結果

リサーチクエスチョン

• RQ1 疎な実験データから効率的にパラメトリックな流体力学データベースを学習可能であり、VIV予測精度が向上するか？
• RQ2 エネルギーバランスに基づく最適化フレームワークは、標準的なデータベースに比べてC_lvおよびC_myの予測の忠実性をどのように向上させるか？
• RQ3 均一流およびシアー流下における可撓性シリンダーVIVの予測誤差（振幅および周波数）は、学習済み流体力学データベースによってどの程度低減されるか？
• RQ4 異なる流れの条件および実験設定において、最適化プロセスは信頼性を持って収束するか？
• RQ5 生物付着や老化効果などの変化する流体力学的条件下でも、この手法は一般化可能か？

主な発見

• ノルウェー・ディープウォーター・プログラム（NDP）38m可撓性シリンダー実験において、最適化済みの流体力学データベースは、標準データベースに比べてVIV振幅および周波数の予測誤差を最大50％まで低減した。
• NDP 実験 No. 2182（均一流、U=2.0 m/s）において、6回の反復後、予測されたピーク周波数は10.63 Hzに収束し、実験値の10.23 Hzに近く一致した。
• 学習済みデータベースを用いたVIVA予測は、標準データベースを用いたノーマルVIVA予測に比べて、特に振幅および周波数応答において実験応答と著しく良好な一致を示した。
• 学習済みのC_lvおよびC_my係数は数回の反復後に安定化し、最適化プロセスの収束が確認された。後続の段階では係数の形状にほとんど変化が見られなかった。
• 図6および図7に示すように、均一流および線形シアー流の両方の流れ速度において、全テスト条件下で一貫した誤差低減が確認され、平均振幅およびピーク周波数の誤差が共に減少した。
• 最適化済みの流体力学データベースは、線形シアー流（例：NDP No. 2430）のような複雑な流れ場でも正確なVIV予測を可能にした。標準データベースでは応答を正確に捉えることができなかった。