[論文レビュー] Reconstructing velocity and pressure from sparse noisy particle tracks using Physics-Informed Neural Networks

Patricio Clark Di Leoni, Karuna Agarwal+3 more|arXiv (Cornell University)|Oct 10, 2022

Model Reduction and Neural Networks被引用数 6

ひとこと要約

この論文では、トレーニング中に非圧縮性ナビエ-ストークス方程式を強制することで、希なノイズの多い粒子軌跡から流れの速度場および圧力場を再構築する物理情報付きニューラルネットワーク（PINN）手法を提案する。この手法は、特に高ノイズおよび高スパarsity条件下でも、最先端の制約付きコスト最小化（CCM）手法よりも精度と耐性に優れ、滑らかで信頼性の高い勾配場を生成する。

ABSTRACT

Volume-resolving imaging techniques are rapidly advancing progress in experimental fluid mechanics. However, reconstructing the full and structured Eulerian velocity and pressure fields from sparse and noisy particle tracks obtained experimentally remains a significant challenge. We introduce a new method for this reconstruction, based on Physics-Informed Neural Networks (PINNs). The method uses a Neural Network regularized by the Navier-Stokes equations to interpolate the velocity data and simultaneously determine the pressure field. We compare this approach to the state-of-the-art Constrained Cost Minimization method [1]. Using data from direct numerical simulations and various types of synthetically generated particle tracks, we show that PINNs are able to accurately reconstruct both velocity and pressure even in regions with low particle density and small accelerations. PINNs are also robust against increasing the distance between particles and the noise in the measurements, when studied under synthetic and experimental conditions.

研究の動機と目的

• 実験的流体力学における、希でノイズの多いラグランジュ粒子軌跡データから、完全なエーランジェン速度場および圧力場を再構築する課題に対処すること。
• 物理法則（ナビエ-ストークス方程式）を活用して補間および圧力推定を正則化するデータ駆動型手法を開発すること。密度の高いデータや物質加速度の測定を必要としない。
• 提案されたPINNに基づく再構築手法と、最先端の制約付きコスト最小化（CCM）手法との性能を、合成的および実験的流れ条件下で比較すること。
• 合成的および実験的データセットにおける、粒子のスパarsityおよび測定ノイズの増加に対する耐性を評価すること。

提案手法

• 全結合型の順方向ニューラルネットワークを、空間的・時間的座標（x, y, z, t）を入力とし、速度成分（u, v, w）および圧力（p）を出力とするように訓練する。
• ネットワーク出力に対して自動微分を用いて非圧縮性ナビエ-ストークス方程式の残差から導出される物理情報付き損失項を正則化に用いる。
• 損失関数は、予測値と測定値の速度間のデータ適合性（平均二乗誤差）と物理的一致性（ナビエ-ストークス残差）を組み合わせたものであり、物理的推定値と正規化層を用いてハイパーパrameterを調整する。
• 物質加速度の事前知識や構造化されたグリッドを必要とせず、非構造的粒子データからの直接補間を可能にする。
• 大規模な空間時間的領域におけるトレーニング安定性およびスケーラビリティを向上させるために、時間的次元に沿ったドメイン分割を適用する。
• トレーニングの安定化とデータ項および物理項の寄与のバランスを確保するために、正規化層および損失重みの物理的スケーリングを用いる。

実験結果

リサーチクエスチョン

• RQ1 物理情報付きニューラルネットワーク（PINN）は、密度の高いデータや物質加速度の測定を必要とせずに、希でノイズの多い粒子軌跡から正確な速度場および圧力場を再構築できるか？
• RQ2 ノイズおよびスパarsityの変動する条件下で、PINNベースの再構築手法は、最先端の制約付きコスト最小化（CCM）手法と比較して、精度および耐性に優れているか？
• RQ3 PINN手法は、特に高周波数帯域で真の流れ場のスペクトル特性をどの程度保持しているか？
• RQ4 低データ領域において、PINN手法はCCMと比較して滑らかで物理的に整合性の高い速度および圧力勾配を生成するか？
• RQ5 PINN手法は、合成的乱流チャネル流れおよび実験的せん断層といった、さまざまな流れ配置に一般化可能か？

主な発見

• すべてのテストケース（合成的および実験的データを含む）において、PINN手法はCCM手法と同等またはそれ以下の再構築誤差を達成する。
• PINNは、粒子のスパarsityおよび測定ノイズの増加に対して優れた耐性を示し、粒子間隔が顕著に広がった場合でも正確な再構築を維持する。
• PINNはCCMよりも滑らかな速度場および圧力場を生成し、微小スケールのノイズが低減され、より信頼性の高い勾配推定が得られることが、スペクトル解析で確認された。
• 周波数スペクトルにおいて、PINNはDNSデータの時間的補間に起因する高周波数アーティファクト（例：エネルギーの過剰な蓄積）を効果的に抑制するが、CCMはこれらの周波数帯域で高いエネルギー含量を保持している。
• 合成的および実験的ケースの両方において、PINNによる再構築された速度場および圧力場は、DNSデータと強く相関しており（ρu > 0.95、ρp > 0.9）、時間経過にわたって一貫性がある。
• この手法は、渦や低圧力領域といったコherent構造を効果的に捉えており、すべてのケースにおいて参照データと一致する空間的・時間的パターンを示した。