[論文レビュー] ModelFLOWs-app: data-driven post-processing and reduced order modelling tools

Ashton Hetherington, Adrián Corrochano+7 more|arXiv (Cornell University)|May 26, 2023

Model Reduction and Neural Networks被引用数 4

ひとこと要約

ModelFLOWs-app は、モーダル分解とディープラーニングを統合して、複雑な非線形力学系のデータ駆動型低次元モデル（ROM）を構築するオープンソースのPythonソフトウェアです。適切な直交分解（POD）とディープニューラルネットワークを組み合わせることで、スパースなデータの高精度な再構成、システムのダイナミクス予測、物理的制約を組み込んだモデリングが可能となり、フル数値シミュレーションに代わる計算効率の高い代替手段を提供しています。流体力学、航空宇宙、医療画像処理の分野で実証済みの成功を収めています。

ABSTRACT

This article presents an innovative open-source software named ModelFLOWs-app, written in Python, which has been created and tested to generate precise and robust hybrid reduced order models (ROMs) fully data-driven. By integrating modal decomposition and deep learning methods in diverse ways, the software uncovers the fundamental patterns in dynamic systems. This acquired knowledge is then employed to enrich the comprehension of the underlying physics, reconstruct databases from limited measurements, and forecast the progression of system dynamics. These hybrid models combine experimental and numerical database, and serve as accurate alternatives to numerical simulations, effectively diminishing computational expenses, and also as tools for optimization and control. The ModelFLOWs-app software has demonstrated in a wide range of applications its great capability to develop reliable data-driven hybrid ROMs, highlighting its potential in understanding complex non-linear dynamical systems and offering valuable insights into various applications. This article presents the mathematical background, review some examples of applications and introduces a short tutorial of ModelFLOWs-app.

研究の動機と目的

• 物理的知見と機械学習を統合した完全にデータ駆動型のハイブリッド低次元モデル（ROM）を構築する、堅牢でオープンソースのソフトウェアツールを開発すること。
• 従来の数値シミュレーションの高い計算コストを低減し、限られたデータを用いても高精度で高速に予測を可能にする。
• 時空間データにおけるパターン同定を通じて、乱流や反応性流れを含む複雑な非線形系の理解を深めること。
• 航空宇宙、風力エネルギー、医療画像処理など多様な産業分野を支援し、スパースな測定値からデータ再構成と動的予測を可能にすること。
• 研究者やエンジニアがモジュラーで設定可能なディープラーニングアーキテクチャを用いて、ハイブリッドROMの構築・キャリブレーション・デプロイメントを統合的かつ拡張可能に実行できるフレームワークを提供すること。

提案手法

• 高次元データから支配的で時空間的なパターンを抽出するために、適切な直交分解（POD）や動的モード分解（DMD）などのモーダル分解技術を用いる。
• 抽出されたモードを、物理的整合性を保ちつつデータ駆動型学習を可能にするディープラーニングアーキテクチャ（例：RNN、CNN）の入力特徴として統合し、ハイブリッドROMを構築する。
• 2モジュール構造のフレームワークを採用：モジュール1はパターン同定とデータ再構成に、モジュール2はモード特徴とディープニューラルネットワークを組み合わせて予測とシステム挙動の予測に使用。
• バッチサイズ、エポック数、学習率、層構造など、複数のディープラーニングモデル（RNN、CNN）の設定可能なハイパーパrameterをサポートし、'Hyper'フラグを介して自動ハイパーパrameterチューニングを実装。
• 特定のタスク（例：時系列予測、再構成）に最適化するため、カスタム損失関数（例：$\text{custom}_{\text{loss}}$）や活性化関数（例：ReLU、Sigmoid）を適用。
• データ前処理、モデル学習、検証、テストを含むエンドツーエンドのモデリングワークフローを可能にし、学習（80％）、検証（20％）、完全なテストセットの分割を設定可能に。

Figure 1: General distribution of ModelFLOWs-app software.

実験結果

リサーチクエスチョン

• RQ1 モーダル分解とディープラーニングを統合したハイブリッドデータ駆動型フレームワークは、スパースな測定値から高次元力学系を効果的に再構成できるか？
• RQ2 このようなフレームワークは、圧縮性流れや反応性流れを含む非線形で複雑な系において、高精度かつ低コストで将来のシステム状態を予測できるか、その程度はいかほどか？
• RQ3 同様に、データのみを用いて乱流や非定常流れにおける不安定性やコherent構造を同定・特徴化できるか？
• RQ4 同じフレームワークが、流体力学、風力エネルギー、医療画像処理、フライトテストデータなど多様な分野に一般化可能か？
• RQ5 自動ハイパーパrameterチューニング（'Hyper'フラグを介して）は、異なる応用シナリオにおけるモデルの頑健性と性能にどのような影響を与えるか？

主な発見

• ModelFLOWs-app は、限られた入力データでも、複雑な流れ系における全領域データの再構成に成功し、高い忠実度を達成した。
• 反応性流れ、バッファティングを伴う圧縮性流れ、風力タービンの挙動予測において、時系列予測を高精度に実行可能であり、予測範囲は最大2ステップ先まで到達した。
• LiDARデータを用いた風速予測では、信頼性の高い再構成と予測が実証され、リアルタイム制御応用を支援した。
• ModelFLOWs-app を用いて開発されたハイブリッドROMは、フル数値シミュレーションと比較して計算コストを顕著に低減したが、フライトテストデータにおけるフラッターなどの不安定性を高精度で捉えることができた。
• 医療画像処理におけるクロスフロー不安定性の同定やパターン再構成を含め、多様な応用分野で安定的かつ頑健な性能を示し、クロスドメインでの一般化可能性を検証した。
• ハイパーパrameter自動化（'Hyper'フラグを介して）により、特にRNNおよびCNNアーキテクチャにおいて、モデルの収束性が向上し、チューニング作業が削減されたが、予測精度に悪影響を与えることなく実現された。

Figure 2: The fibers of a third order tensor.