[論文レビュー] Physics Informed Neural Networks for Two Dimensional Incompressible Thermal Convection Problems

Atakan Aygun, Ali Karakus|arXiv (Cornell University)|Jun 17, 2022

Model Reduction and Neural Networks被引用数 4

ひとこと要約

本稿では、ボウシネスク近似下でのナビエ-ストークス方程式およびエネルギー方程式に従う2次元非圧縮性熱対流問題を解くための物理情報付きニューラルネットワーク（PINN）フレームワークを提案する。自動微分を用いて損失関数内に偏微分方程式（PDE）および境界条件を直接組み込むことで、解析的・定常的・非定常的なベンチマーク問題、ならびに産業的関連性のある部分的ブロック付きチャネルフローを含む、速度場および温度場の予測において高い精度を達成した。

ABSTRACT

Physics informed neural networks (PINNs) have drawn attention in recent years in engineering problems due to their effectiveness and ability to tackle the problems without generating complex meshes. PINNs use automatic differentiation to evaluate differential operators in conservation laws and hence do not need to have a discretization scheme. Using this ability, PINNs satisfy governing laws of physics in the loss function without any training data. In this work, we solve various incompressible thermal convection problems including real applications and problems with comparable numerical or analytical results. We first consider a channel problem with an analytical solution to show the accuracy of our network. Then, we solve a thermal convection problem in a closed enclosure in which the flow is only due to the temperature gradients on the boundaries. Lastly, we consider steady and unsteady partially blocked channel problems that resemble industrial applications to power electronics.

研究の動機と目的

• メッシュフリーかつデータフリーな手法として、物理情報付きニューラルネットワーク（PINNs）を用いた非圧縮性熱対流問題の解法を開発すること。
• 解析的解または高次精度数値解が既知の問題に対してPINNフレームワークを検証し、精度および収束性を評価すること。
• 定常および非定常な流れを示す、産業的関連性の高い構成（例えば、部分的ブロック付きチャネル）における本手法の有効性を示すこと。
• 損失関数の重み付けおよび観測点のサンプリングが解の精度および安定性に与える影響を調査すること。

提案手法

• PINNフレームワークは、スペクトルバイアスを軽減するためのフーリエ特徴マッピングを施した全結合ニューラルネットワークを用いて、非圧縮性ナビエ-ストークス方程式およびエネルギー方程式を解く。
• 損失関数は、支配的PDE（運動量およびエネルギー方程式）の残差、境界条件（ディリクレおよびノイマン）、および時間依存問題における初期条件を組み合わせる。
• 自動微分を用いてネットワーク出力の空間的および時間的微分を計算し、損失関数内に保存則を直接強制する。
• 時間依存問題では、時間の連続的扱いを採用し、時間も追加の入力座標として扱うことで、空間時間全域にわたるエンドツーエンドの学習が可能になる。
• 境界および領域内に観測点をサンプリングすることで、解の精度を向上させるとともに物理的制約を強制する。
• ネットワークの学習にはAdam最適化法を用い、学習率は$5 \times 10^{-4}$、最大25,000イテレーションを実行する。

実験結果

リサーチクエスチョン

• RQ1 PINNsはメッシュ生成やラベル付き学習データが存在しない状況でも、2次元非圧縮性熱対流問題を正確に解くことができるか？
• RQ2 複雑な幾何形状におけるPINN解の精度および収束性に、観測点の導入がどのように影響するか？
• RQ3 フーリエ特徴マッピングは、熱対流における高周波数またはマルチスケールの流れおよび温度場の学習をどの程度向上させるか？
• RQ4 PINNsは、部分的ブロック付きチャネル内の発展的流れといった、非定常的・一時的な挙動をどの程度正確に捉えることができるか？
• RQ5 PINN解は、PDEの残差、境界条件、観測点の相対的重み付けにどの程度敏感か？

主な発見

• 解析的解が既知のチャネルフロー問題に対して、PINNは訓練データが存在しない状況でも、閉形式解を正確に再現した。
• $Ra = 10^3$ の正方形キャビティ問題において、PINN解は期待される流れのパターンおよび温度分布を再現し、全損失が学習経過とともに安定して減少した。
• 定常的ブロック付きチャネルの場合、PINNはスリップ禁止、断熱、完全に発達した出口境界条件を正しく強制し、物理的に整合性のある速度および温度プロファイルを生成した。
• Re = 400、Pr = 0.7、Gr/Re^2 = 0.5 の非定常マルチブロック問題において、t = 8 s 時点のPINN解は、熱プラウムおよび循環領域の発展を正確に捉えた。
• 境界および領域内の観測点の導入は、特に勾配が強い領域において、解の精度を顕著に向上させた。
• フレームワークは損失関数の重み付けに敏感であり、最適な性能を得るためにはPDE残差、境界条件、観測項のバランスを慎重に調整する必要がある。