[論文レビュー] Point-particle drag, lift, and torque closure models using machine learning: hierarchical approach and interpretability

B. Siddani, S. Balachandar|arXiv (Cornell University)|Jul 18, 2022

Model Reduction and Neural Networks被引用数 4

ひとこと要約

本稿では、回転および反転等長性ニューラルネットワークを用いた階層的機械学習フレームワークを提案し、分散多相流における点粒子の抗力、揚力、トルクを予測する。2粒子間および3粒子間相互作用をモデル化することで、データ不足の状況下でもトルク予測で最大96%の精度を達成し、3粒子相互作用を含めることで流れ方向トルクの精度を16%向上させた。

ABSTRACT

Developing deterministic neighborhood-informed point-particle closure models using machine learning has garnered interest in recent times from dispersed multiphase flow community. The robustness of neural models for this complex multi-body problem is hindered by the availability of particle-resolved data. The present work addresses this unavoidable limitation of data paucity by implementing two strategies: (i) by using a rotation and reflection equivariant neural network and (ii) by pursuing a physics-based hierarchical machine learning approach. The resulting machine learned models are observed to achieve a maximum accuracy of 85% and 96% in the prediction of neighbor-induced force and torque fluctuations, respectively, for a wide range of Reynolds number and volume fraction conditions considered. Furthermore, we pursue force and torque network architectures that provide universal prediction spanning a wide range of Reynolds number ($0.25 \leq Re \leq 250$) and particle volume fraction ($0 \leq ϕ\leq 0.4$). The hierarchical nature of the approach enables improved prediction of quantities such as streamwise torque, by going beyond binary interactions to include trinary interactions.

研究の動機と目的

• 分散多相流における粒子解像度をもつ流体力学的力およびトルクを予測する機械学習モデルのトレーニングにおけるデータ不足の課題に対処すること。
• 粒子配置の平均化を行う従来のミクロスケールモデルが、粒子間のばらつきを捉えられないという限界を克服すること。
• 2体および3体相互作用を捉えることで、力およびトルクの予測精度を向上させる物理的知見を統合した階層的機械学習フレームワークを開発すること。
• ニューラルネットワークアーキテクチャに回転および反転等長性を強制することで、モデルの頑健性と解釈可能性を確保すること。
• 最小限のトレーニングデータで、広範なReynolds数（0.25 ≤ Re ≤ 250）および粒子体積分率（0 ≤ φ ≤ 0.4）の範囲で普遍的な予測を可能にすること。

提案手法

• データ不足下での一般化を向上させるために、物理的一致性を保証する回転および反転等長性ニューラルネットワークを採用する。
• 2粒子間相互作用を超えた相互作用をモデル化する階層的機械学習アプローチを実装し、精度向上のための3粒子相互作用を含める。
• 隣接粒子数（M₂ = 26, M₃ = 5 または 10）を増加させた際のモデル性能への影響を評価するために、近接粒子切断解析を実施する。
• 一様な圧力勾配と3重周期的境界条件を有する静的・定常状態系からの粒子解像度シミュレーションデータを用いてモデルをトレーニングする。
• 相対的な粒子位置、Reynolds数、体積分率を関数として力およびトルクの予測を定式化し、流れおよびパッケージング条件の変動に対しても一般化を可能にする。
• テストセットにおけるモデル性能を評価するためにR²スコアを用い、トレーニング性能とテスト性能の比較から一般化性能およびデータ不足の影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 3粒子相互作用を含む階層的機械学習モデルは、2粒子相互作用モデルに比べて粒子力およびトルクの予測性能を上回るか？
• RQ2 限られたトレーニングデータ下で、回転および反転等長性の導入がモデルの精度および一般化性能をどのように向上させるか？
• RQ3 近接粒子切断効果は、さまざまなReynolds数および体積分率において、抗力、揚力、トルク成分の予測精度にどの程度の影響を及えるか？
• RQ4 多様な条件でトレーニングされた1つの普遍的モデルが、Re（0.25–250）およびφ（0–0.4）の全範囲で高精度に力およびトルクを予測可能か？
• RQ5 なぜ流れ方向トルク成分は高次相互作用に対して特に感受性が高く、これはモデル設計にどのように影響を及えるか？

主な発見

• 3粒子相互作用を含むトルクモデルでは、近接粒子数を5から10に増加させることで、データ不足の状況下でも流れ方向トルクの予測精度が16%向上した。
• トルク予測において、テストR²の最大値が0.96に達し、近接粒子に起因するトルクのフラクチュエーションを高精度で捉えていることが示された。
• 抗力および揚力に関しては、すべての条件下でテストR²が0.75–0.80を達成し、特定のReおよびφ条件下で揚力の最大テストR²が0.803に達した。
• トレーニング性能とテスト性能の差（例：揚力でR²が0.862から0.803に低下）は、特に高Reおよび高φ条件下で顕著なデータ不足を示している。
• 流れ方向トルク成分は高次相互作用に対して最も感受性が高く、正確な予測には3粒子モデルの導入が不可欠である。
• 階層的アプローチにより、2粒子相互作用を超える非加法的かつ多体の流体力学的効果を捉えることで、複雑で非等方的なトルク成分の予測精度が向上した。