[論文レビュー] Multi-fidelity uncertainty quantification of irradiated particle-laden turbulence

Lluís Jofre, Gianluca Geraci+3 more|arXiv (Cornell University)|Jan 17, 2018

Particle Dynamics in Fluid Flows参考文献 13被引用数 24

ひとこと要約

本論文は、集中太陽光発電（CSP）受光器内の放射線照射下の粒子を含む乱流流体のマルチファシリティ不確実性評価（UQ）フレームワークを提案する。低ファシリティ（LF）およびバイアス補正（BF）モデルを用いることで、高ファシリティ（HF）シミュレーションの計算コストを削減する。この手法は、LFモデルに比べ10倍の精度向上を達成し、UQコストを桁違いに削減し、複雑なマルチフィジックス系における大規模なUQキャンペーンを実現可能にする。

ABSTRACT

The study of complex systems is often based on computationally intensive, high-fidelity, simulations. To build confidence in the prediction accuracy of such simulations, the impact of uncertainties in model inputs on the quantities of interest must be measured. This, however, requires a computational budget that is a possibly large multiple of the cost of a single simulation, and thus may become infeasible for expensive simulation models featuring a large number of uncertain inputs and highly nonlinear behavior. Therefore, this work explores multi-fidelity strategies to accelerate the estimation of the effect of uncertainties. The main idea behind multi-fidelity models is to utilize cheaper, lower-fidelity models - than the intended high-fidelity, expensive model of the problem - to generate a baseline solution that together, with relatively small number of high-fidelity simulations can lead to accurate predictions. The methods are briefly presented, and their performance assessed on an irradiated particle-laden turbulent flow case related to Stanford's PSAAP II particle-based solar energy receiver.

研究の動機と目的

• 体積型太陽光受光器における放射線照射下の粒子を含む乱流流体の高ファシリティ（HF）シミュレーションの高い計算コストに対処すること。各サンプルあたり約500,000コアアワーを要する。
• 大規模な場合、合計で10億コアアワーに達する可能性がある不確実性評価（UQ）キャンペーンのコストを、マルチファシリティモデリング戦略を活用して低減すること。
• 低ファシリティ（LF）モデルの系統的誤差を補正するバイアス補正（BF）モデルを開発することで、UQの精度を向上させ、計算効率を維持すること。
• 粒子のサイズ、放射特性、境界条件など、複数の不確実要因を考慮した場合に、熱フラックスや熱効率といった重要な目的変数（QoI）の信頼性の高い予測を可能にすること。
• スケールダウンされた太陽光受光器からの実験データを用いてマルチファシリティフレームワークを検証し、HFシミュレーションデータと比較してサーモグラフィックモデルの性能を評価すること。

提案手法

• 高ファシリティ（HF）シミュレーションのコストの一部に過ぎない低コストで近似可能な、簡略化された物理法則および粗い空間解像度に基づく低ファシリティ（LF）モデルを開発する。
• 多項式クラウド展開（PCE）および回帰技術を用いて、希なHFシミュレーション結果の集合に対してLF予測をキャリブレーションすることで、バイアス補正（BF）モデルを構築する。
• LFおよびBFデータの組み合わせに基づいてトレーニングされた希なPCEサーモグラフィックモデルを用い、平均熱フラックスなどの目的変数（QoI）の統計的分布を生成する。
• HF、LF、BFデータを統合するマルチファシリティ推定器を適用し、より少ないHFサンプル数で分散を低減し、統計的収束性を向上させる。
• 正規化された検証誤差および変動係数（CoV）を用いてモデルの性能を評価し、データセット全体にわたる統計的一致性を保証する。
• BFモデルを制御変数として扱うハイブリッド制御変数アプローチを採用し、UQにおける推定器の効率をさらに高め、分散を低減する。

実験結果

リサーチクエスチョン

• RQ1 マルチファシリティモデリング戦略は、放射線照射下の粒子を含む乱流の大型・マルチフィジックスシミュレーションにおけるUQの計算コストを顕著に低減できるか？
• RQ2 HF熱フラックスおよび熱出力の予測において、バイアス補正（BF）モデルは低ファシリティ（LF）モデルに比べて、精度およびロバスト性に優れているか？
• RQ3 希なHFデータを用いてBFモデルをキャリブレーションできる程度はどの程度か？また、BFモデルはLFモデルを上回る統計的分布の捉え方を可能にするか？
• RQ4 複雑で高次元の不確実性問題において、MF、ML、BF戦略の相対的な性能は、UQの分散低減および収束性向上にどの程度寄与するか？
• RQ5 粒子を含む乱流流体に放射加熱が働く文脈において、BFモデルを制御変数として組み込むことで、UQ推定器の効率および精度がどの程度向上するか？

主な発見

• バイアス補正（BF）モデルは、対応する低ファシリティ（LF）モデルに比べ、検証誤差を10倍低減した。BF1は1%の誤差、BF2は2%の誤差を達成した。
• LF2がより小さい固有誤差を示しても、BF近似は一貫してLFモデルよりも精度が高く、バイアス補正フレームワークのロバスト性を示した。
• 平均熱フラックスのヒストグラムにおいて、BF1はHFデータとより一致したが、BF2はHF分布のばらつきをBF1よりもよく捉えていた。
• LFモデルに高い相関性と顕著なバイアスが存在するため、マルチファシリティ（MF）アプローチはマルチレベル（ML）手法を上回った。これはバイアス補正の重要性を強調している。
• UQ推定器においてBFモデルを制御変数として使用したことで、LFオンative推定器に比べ10倍の精度向上が達成され、必要なHFシミュレーション回数が顕著に削減された。
• このフレームワークにより、UQキャンペーンの総計算コストは、推定10億コアアワーから実用的なスケールにまで低減され、実世界のCSPシステム設計に向けた大規模な不確実性評価が可能になった。