[論文レビュー] Reconstructing three-dimensional bluff body wake from sectional flow fields with convolutional neural networks

Mitsuaki Matsuo, Kai Fukami+3 more|arXiv (Cornell University)|Mar 16, 2021

Model Reduction and Neural Networks参考文献 51被引用数 6

ひとこと要約

本研究では、最小限の2次元断面流場から3次元のぶつかり体の流れを再構築するためのハイブリッド2D-3D畳み込みニューラルネットワーク（CNN）を提案する。5枚の断面のみで高精度な体積再構築を達成し、元のデータサイズの0.0218%までデータ圧縮を可能にしながら低再構築誤差を維持する。さらに、適応的サンプリングに基づくスーパーレゾリューションにより、圧縮性を向上させ、ノイズに強く、流体力学および広範な物理学分野における実用的応用の可能性を示している。

ABSTRACT

The recent development of high-performance computing enables us to generate spatio-temporal high-resolution data of nonlinear dynamical systems and to analyze them for a deeper understanding of their complex nature. This trend can be found in a wide range of science and engineering, which suggests that detailed investigations on efficient data handling in physical science must be required in the future. This study considers the use of convolutional neural networks (CNNs) to achieve efficient data storage and estimation of scientific big data derived from nonlinear dynamical systems. The CNN is used to reconstruct three-dimensional data from a few numbers of two-dimensional sections in a computationally friendly manner. The present model is a combination of two- and three-dimensional CNNs, which allows users to save only some of the two-dimensional sections to reconstruct the volumetric data. As examples, we consider a flow around a square cylinder at the diameter-based Reynolds number $Re_D = 300$. We demonstrate that volumetric fluid flow data can be reconstructed with the present method from as few as five sections. Furthermore, we propose a combination of the present CNN-based reconstruction with an adaptive sampling-based super-resolution analysis to augment the data compressibility. Our report can serve as a bridge toward practical data handling for not only fluid mechanics but also a broad range of physical sciences.

研究の動機と目的

• 高精度なシミュレーションから得られる膨大な3次元流体流れデータの保存および処理の課題に対処すること。
• 限られた2次元断面測定値から3次元体積流れ場を再構築する機械学習ベースの手法を開発すること。
• 非線形的かつマルチスケールな流体系において、再構築の忠実度を損なわず、データの圧縮性を向上させること。
• 実験的応用に向けたノイズの影響に対するモデルのロバストネスを評価すること。
• スーパーレゾリューション技術を3次元再構築と統合し、データ保存要件をさらに削減すること。

提案手法

• ハイブリッド2D-3D CNNアーキテクチャを採用し、2D CNNが個々の断面流れ場を処理し、3D CNNがそれらを処理した断面から全3次元ボリュームを再構築する。
• 正方形シリンダー（ReD=300）の直接数値シミュレーション（DNS）から得た高分解能3次元流れデータを用いて、教師あり学習でモデルを訓練する。
• 特徴の重要度に基づいて断面データをダウンサンプリングする適応的サンプリングを適用し、重要な流れ構造を保持しながらストレージを削減する。
• CNNベースの手法を用いて低分解能断面データにスーパーレゾリューションを適用し、3次元再構築の前に入力品質を向上させる。
• 従来の平均プーリングと適応的サンプリングを組み合わせたハイブリッドプーリング戦略を採用し、圧縮性と再構築精度を最適化する。
• L2誤差、構造的類似度指数（SSIM）、および元の3次元グリッドサイズに対する圧縮比（γ）を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、わずか5枚の2次元断面測定値からのみ、最小限のデータ損失で高精度な3次元流体流れ場を再構築できるか？
• RQ2 スーパーレゾリューションと3次元再構築の組み合わせが、精度を劣化させることなくデータ圧縮性をどのように向上させるか？
• RQ3 適応的サンプリングと従来のプーリングの組み合わせが、再構築品質およびストレージ効率に与える影響は何か？
• RQ4 実験的応用に向けたノイズを含む入力データに対し、モデルのロバストネスはどの程度か？
• RQ5 本手法は乱流や非構造格子データに拡張可能か？主な制限要因は何か？

主な発見

• 提案された2D-3D CNNモデルは、わずか5枚の2次元断面流れ場からのみ、低L2誤差と高い構造的類似度を達成し、高品質な3次元流れ場再構築を実現した。
• 50スナップショットのみで訓練されたモデルでも、大規模な流れ構造を捉えることができ、優れた一般化能力を示した。
• ダウンサンプリング係数α=8のスーパーレゾルブド断面データを用いることで、元の分解能データを用いた場合と同等の再構築精度を達成し、約1/2000のデータ圧縮が可能になった。
• 従来のプーリングと適応的サンプリングを組み合わせたハイブリッドプーリング戦略により、元の3次元データサイズの0.0218%までストレージを削減しながら、ほぼ最適な再構築誤差を維持した。
• ノイズを含む入力データに対してもモデルのロバストネスが確認され、実世界の実験データ応用の可能性が示された。
• 適応的サンプリングに基づくスーパーレゾリューションは、従来の平均プーリングを上回る再構築品質を達成し、特にv成分およびw成分においてストレージ削減効果が顕著であった。