[論文レビュー] Machine Learning Surrogates for Predicting Response of an Aero-Structural-Sloshing System

Shashank Srivastava, Murali Damodaran+1 more|arXiv (Cornell University)|Nov 19, 2019

Model Reduction and Neural Networks参考文献 26被引用数 5

ひとこと要約

本稿では、スロッシング運動を有する超音速翼-燃料タンク系の非定常空力弾性応答を予測する、再帰的ニューラルネットワーク（RNN）に基づく機械学習サーモンを提案する。高精度なCFDシミュレーションで得られた空力的およびスロッシング力のデータを用い、RNNサーモンは運動履歴依存の力およびモーメントを高精度に予測し、完全に結合されたシミュレーションと比較して高い精度と計算効率を示している。

ABSTRACT

This study demonstrates the feasibility of developing machine learning (ML) surrogates based on Recurrent Neural Networks (RNN) for predicting the unsteady aeroelastic response of transonic pitching and plunging wing-fuel tank sloshing system by considering an approximate simplified model of an airfoil in transonic flow and sloshing loads from a partially filled fuel tank rigidly embedded inside the airfoil and undergoing a free unsteady motion. The ML surrogates are then used to predict the aeroelastic response of the coupled system. The external aerodynamic loads on the airfoil and the two-phase sloshing loads data for training the RNN are generated using open-source computational fluid dynamics (CFD) codes. The aerodynamic force and moment coefficients are predicted from the surrogate model based on its motion history. Similarly, the lateral and vertical forces and moments from fuel sloshing in the fuel tank are predicted using the surrogate model resulting from the motion of the embedded fuel tank. Comparing the free motion of the airfoil without sloshing tank to the free motion of the airfoil with a partially-filled fuel tank shows that the effects of sloshing on the aeroelastic motion of the aero-structural system. The effectiveness of the predictions from RNN are then assessed by comparing with the results from the high-fidelity coupled aero-structural-fuel tank sloshing simulations. It is demonstrated that the surrogate models can accurately and economically predict the coupled aero-structural motion.

研究の動機と目的

• 複雑で非線形な結合空構造-スロッシング系の動的挙動を捉えるデータ駆動型機械学習サーモンの開発を目的とする。
• 高精度で時間がかかる結合空構造-スロッシングシミュレーションに代わって、訓練済みのRNNサーモンを用いることで計算コストを低減することを目的とする。
• 燃料スロッシングが、ピッチングおよびプラウンティング運動を繰り返す超音速翼の非定常空力弾性挙動に与える影響を調査することを目的とする。
• 完全に結合されたシステムの高精度CFDシミュレーションと比較して、サーモンの予測精度を検証することを目的とする。
• 運動履歴に基づいた空力的およびスロッシング力の迅速な予測を可能とし、リアルタイムまたはパrametric解析を支援することを目的とする。

提案手法

• 高精度CFDシミュレーションから得られた運動履歴（ピッチおよびプラウンティング）とそれに応じた空力的およびスロッシング力の時系列データを用いて、再帰的ニューラルネットワーク（RNN）を訓練する。
• RNNを用いて、空力的力係数およびモーメント係数を、翼の運動履歴に基づき予測し、システムを時系列モデルとして扱う。
• 燃料タンク内のスロッシングに起因する横方向および垂直方向の力およびモーメントを、タンクの運動履歴に基づき予測する別個のRNNを訓練する。
• 超音速流れにおける翼の周りのCFDシミュレーションおよび剛体タンク内における二相流シミュレーションを用いて、訓練データを生成する。
• 動的記憶効果を捉えるために、時系列遅延入力を用いた教師あり学習によりRNNを訓練する。
• 予測精度と計算効率を評価するために、サーモンの予測結果を完全に結合された空構造-スロッシングシミュレーションと比較する。

実験結果

リサーチクエスチョン

• RQ1 RNNベースのサーモンモデルは、運動履歴に基づいて、超音速でピッチングおよびプラウンティング運動を繰り返す翼の非定常空力的力およびモーメントを高精度に予測できるか？
• RQ2 RNNサーモンは、翼に取り付けられた部分的に満たされた燃料タンクにおけるスロッシングに起因する力およびモーメントを、どの程度正確に予測できるか？
• RQ3 スロッシング動的を組み込むことで、スロッシングのない剛性翼と比較して、結合系の空力弾性応答はどのように変化するか？
• RQ4 RNNサーモンの予測精度は、力、モーメント、運動応答の観点から、高精度な結合CFDシミュレーションと比較してどの程度か？
• RQ5 RNNサーモンは、空構造-スロッシング系において、高い予測忠実度を維持しながら、顕著な計算コストの削減を達成できるか？

主な発見

• RNNサーモンは、翼の運動履歴に基づいて空力的力係数およびモーメント係数を高精度に予測し、高精度CFDシミュレーションと強い一致を示している。
• サーモンモデルは、タンクの運動履歴に基づき、スロッシングに起因する力およびモーメントを、参照シミュレーションと比較して最小限の誤差で的確に捉えている。
• スロッシング動的の組み込みにより、剛性翼の場合に存在しない追加の非線形性および不安定性が、空力弾性応答に現れる。
• サーモンモデルは、完全に結合されたシミュレーションと比較して、数個のオーダーの計算コスト削減を達成しながらも、高い予測精度を維持している。
• RNNベースのアプローチは、結合空構造-スロッシング系における時間的依存性および記憶効果を的確に捉える強靭性を示している。
• 高精度なシミュレーションとの比較による検証により、サーモンは、振幅および周波数特性を含む、結合系の自由運動を信頼性高く予測できることを確認した。