[論文レビュー] Predicting wind pressures around circular cylinders using machine learning techniques

Gang Hu, K.C.S. Kwok|arXiv (Cornell University)|Jan 21, 2019

Wind and Air Flow Studies参考文献 77被引用数 4

ひとこと要約

本研究では、レイノルズ数（Re）、乱流強度（Ti）、および円周角を入力として用い、滑らかな円形円柱の周囲における平均風圧および変動風圧を予測するために勾配ブースティング回帰木（GBRT）を適用した。GBRTモデルは、Re = 10⁴–10⁶およびTi = 0–15%の範囲で高い精度を達成し、構造設計用途における風洞実験やCFDシミュレーションに代わるコスト効率の高い代替手段を提供する。

ABSTRACT

Numerous studies have been carried out to measure wind pressures around circular cylinders since the early 20th century due to its engineering significance. Consequently, a large amount of wind pressure data sets have accumulated, which presents an excellent opportunity for using machine learning (ML) techniques to train models to predict wind pressures around circular cylinders. Wind pressures around smooth circular cylinders are a function of mainly the Reynolds number (Re), turbulence intensity (Ti) of the incident wind, and circumferential angle of the cylinder. Considering these three parameters as the inputs, this study trained two ML models to predict mean and fluctuating pressures respectively. Three machine learning algorithms including decision tree regressor, random forest, and gradient boosting regression trees (GBRT) were tested. The GBRT models exhibited the best performance for predicting both mean and fluctuating pressures, and they are capable of making accurate predictions for Re ranging from 10^4 to 10^6 and Ti ranging from 0% to 15%. It is believed that the GBRT models provide very efficient and economical alternative to traditional wind tunnel tests and computational fluid dynamic simulations for determining wind pressures around smooth circular cylinders within the studied Re and Ti range.

研究の動機と目的

• 既存の実験データを用いて、円形円柱周囲の風圧を予測する機械学習モデルを開発すること。
• 複数の機械学習アルゴリズムが平均および変動圧分布をどれほど正確に捉えられるかを評価すること。
• 広範なレイノルズ数および乱流強度の範囲で、風圧を予測する際に最も精度が高く汎用性に優れたモデルを特定すること。
• 構造設計用途における従来の風洞実験やCFD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すること。

提案手法

• 決定木回帰、ランダムフォレスト、および勾配ブースティング回帰木（GBRT）の3つの機械学習アルゴリズムを、実験的風圧データ上で訓練した。
• 入力特徴量には、レイノルズ数（Re）、乱流強度（Ti）、および円柱の円周角が含まれた。
• モデルは、それぞれ平均圧係数と変動圧係数を別々に予測するように訓練された。
• モデルの性能は、Re（10⁴–10⁶）およびTi（0–15%）の広範な範囲で、標準的な回帰評価指標を用いて評価された。
• GBRTの性能最適化のため、ハイパーパramータチューニングが実施された。
• データセットに含まれる全範囲のReおよびTiにおける汎用性が評価された。

実験結果

リサーチクエスチョン

• RQ1 Re、Ti、および円周角を入力として用いる場合、機械学習モデルは円形円柱の平均および変動風圧を正確に予測できるか？
• RQ2 異なる機械学習アルゴリズムは、風圧分布の予測においてどのように比較されるか？
• RQ3 最も優れた性能を示したモデルの、全範囲のReおよびTiにおける汎用性はいかがなっているか？
• RQ4 最も優れたモデルは、風洞実験やCFDシミュレーションの信頼できる代替手段として機能できるか？

主な発見

• 勾配ブースティング回帰木（GBRT）は、決定木回帰とランダムフォレストを上回り、平均および変動風圧の両方の予測において優れた性能を示した。
• GBRTモデルは、レイノルズ数10⁴～10⁶および乱流強度0%～15%の範囲で高い精度を達成した。
• GBRTモデルは優れた汎用性を示し、試験範囲の全範囲で精度を維持した。
• 本研究では、GBRTモデルが従来の風洞実験やCFDシミュレーションに代わる効率的で経済的な代替手段として機能できることを確認した。
• 訓練済みモデルは、剥離点やピーク圧力といった複雑な圧力分布パターンを高い忠実度で捉えていた。