[論文レビュー] Self-critical machine-learning wall-modeled LES for external aerodynamics

Adrián Lozano-Durán, H. Jane Bae|arXiv (Cornell University)|Dec 18, 2020

Fluid Dynamics and Turbulent Flows参考文献 40被引用数 22

ひとこと要約

本稿では、外部空力学における壁モデル化大渇乱シミュレーション（WMLES）のための自己批判的機械学習壁モデル（SCMv1）を提案する。二重ニューラルネットワークアーキテクチャを用い、流れの状態を分類し、信頼性スコアを伴った壁応力予測を行う。本モデルは、翼体接合部のような複雑な流れ領域における平均速度プロファイル予測において、標準的な平衡壁モデル（EQWM）を上回り、予測の不確実性を特定できる能力により、精度とロバスト性が向上している。

ABSTRACT

The prediction of aircraft aerodynamic quantities of interest remains among the most pressing challenges for computational fluid dynamics. The aircraft aerodynamics are inherently turbulent with mean-flow three-dimensionality, often accompanied by laminar-to-turbulent transition, flow separation, secondary flow motions at corners, and shock wave formation, to name a few. However, the most widespread wall models are built upon the assumption of statistically-in-equilibrium wall-bounded turbulence and do not faithfully account for the wide variety of flow conditions described above. This raises the question of how to devise models capable of accounting for such a vast and rich collection of flow physics in a feasible manner. In this work, we propose tackling the wall-modeling challenge by devising the flow as a collection of building blocks, whose information enables the prediction of the stress as the wall. The model relies on the assumption that simple canonical flows contain the essential flow physics to devise accurate models. Three types of building block units were used to train the model: turbulent channel flows, turbulent ducts and turbulent boundary layers with separation. This limited training set will be extended in future versions of the model. The approach is implemented using two interconnected artificial neural networks: a classifier, which identifies the contribution of each building block in the flow; and a predictor, which estimates the wall stress via non-linear combinations of building-block units. The output of the model is accompanied by the confidence in the prediction. The latter value aids the detection of areas where the model underperforms, such as flow regions that are not representative of the building blocks used to train the model. The model is validated in a unseen case representative of external aerodynamic applications: the NASA Juncture Flow Experiment.

研究の動機と目的

• 複雑な外部空力学的流れ（多様な流れの物理現象を含む）における既存の壁モデル化大渇乱シミュレーション（WMLES）のロバスト性と精度の欠如に対処すること。
• 平衡壁境界層乱流の仮定を超えて、分離、三次元性、遷移流れなど多様な流れ状態に一般化可能なデータ駆動型壁モデルを開発すること。
• 壁応力予測に信頼性推定を組み込み、分布外または十分に表現されていない流れ状態を検出可能にする。
• NASAの接合部流れ実験（Re = 2.4×10⁶）という実際の産業用ベンチマークを用いてモデルを検証すること。
• スケーラブルで物理を組み込んだ機械学習フレームワークの基盤を築き、新たな標準的流れの構築ブロックを追加することで拡張可能にする。

提案手法

• モデルは二つの相互接続された人工ニューラルネットワークを用いる：流れを1つ以上の標準的構築ブロック（例：乱流チャンネル、ダクト、分離境界層）に割り当て、信頼性スコアを出力する分類器。
• 予測ネットワークは、識別された各構築ブロックの寄与を重み付けし、それらの特徴の非線形結合に基づいて壁応力を推定する。
• 学習データは、さまざまなレイノルズ数における平板境界層、乱流ダクト、分離流れのDNS結果から構成される。
• モデルは予測ごとに信頼性値を提供するという点で自己批判的であり、入力が既知の流れ状態から逸脱すると（例：衝撃波や境界層でない流れ）、その値が低下する。
• 入力として瞬時の速度および流れ勾配データを用い、一般化を向上させるために次元なし化が行われる。
• モデルはNASAの接合部流れ実験を用いて検証され、平均速度プロファイルの予測を標準的な平衡壁モデル（EQWM）と比較する。

実験結果

リサーチクエスチョン

• RQ1 標準的流れで学習した機械学習壁モデルは、強い三次元性と分離を示す複雑な産業スケールの外部空力学的流れに一般化可能か？
• RQ2 予測の信頼性スコアは、モデルが訓練分布外または不適切に表現された状態にある領域を効果的に特定できるか？
• RQ3 自己批判的で流れ分類に基づくアプローチは、従来の平衡壁モデルと比較して、複雑な流れ配置における精度とロバスト性を向上させるか？
• RQ4 チャネル、ダクト、分離流れなどの複数の構築ブロックの組み込みは、多様な流れ状態にわたるモデルの予測能力をどのように向上させるか？
• RQ5 訓練用構築ブロックの集合を拡大し、入力特徴選択を精緻化することで、モデルの性能をどの程度向上できるか？

主な発見

• SCMv1は、NASA接合部流れ構成の3か所（上流のファッサージョン、翼体接合部、後縁接合部）すべてにおいて、平衡壁モデル（EQWM）を上回る平均速度プロファイル予測を達成した。
• 本モデルは、平均流れの強い三次元性と流れの分離が顕著な領域で優れた精度を示し、EQWMは重要な流れの特徴を捉えられていない。
• 衝撃波や境界層でない流れのような、モデルがモデル化していない物理現象が存在する領域では、信頼性スコアが信頼性高く低下し、効果的な不確実性定量化が可能であることが示された。
• 本モデルは、瞬時の流れデータのみを用いて複雑な流れ状態を的確に同定・分類でき、リアルタイムまたは産業スケールのLES応用への可能性を示唆している。
• モデルの自己批判的性質により、予測の失敗を検出可能であり、これは工学的設計ワークフローにおける信頼性の高い展開に不可欠である。
• 有望な結果が得られたが、現在の学習データの範囲に制限があり、複数のグリッド解像度および構成でのさらなる検証が必要である。