[論文レビュー] Shallow Learning for Fluid Flow Reconstruction with Limited Sensors and Limited Data.

N. Benjamin Erichson, Lionel Mathelin+4 more|arXiv (Cornell University)|Feb 20, 2019

Flow Measurement and Analysis被引用数 17

ひとこと要約

本稿では、限られたセンサー情報と最小限の事前知識のもとで、高次元の流れ場を再構築するための浅いニューラルネットワーク手法を提案する。生の測定値から完全な流れ場へのエンド・ツー・エンドのマッピングを学習することで、従来のモード解析手法と比較して、はるかに高い再構築精度を達成している。これは、センサー数が著しく少ない状況でも同様に成立する。

ABSTRACT

In many applications, it is important to reconstruct a fluid flow field, or some other high-dimensional state, from limited measurements and limited data. In this work, we propose a shallow neural network-based learning methodology for such fluid flow reconstruction. Our approach learns an end-to-end mapping between the sensor measurements and the high-dimensional fluid flow field, without any heavy preprocessing on the raw data. No prior knowledge is assumed to be available, and the estimation method is purely data-driven. We demonstrate the performance on three examples in fluid mechanics and oceanography, showing that this modern data-driven approach outperforms traditional modal approximation techniques which are commonly used for flow reconstruction. Not only does the proposed method show superior performance characteristics, it can also produce a comparable level of performance with traditional methods in the area, using significantly fewer sensors. Thus, the mathematical architecture is ideal for emerging global monitoring technologies where measurement data are often limited.

研究の動機と目的

• 限られたセンサー測定値と限られたデータしか入手できない状況において、高次元の流れ場を再構築する課題に対処すること。
• 重い前処理や事前の物理的知識を一切必要としない、完全にデータ駆動型の手法を開発すること。
• センサー数の要件を低減しつつ、高い再構築精度を維持することで、新興のグローバルモニタリングシステムへの応用を可能にすること。
• 従来のモード近似手法よりも、流れ場再構築性能において優れた性能を発揮すること。

提案手法

• 本手法は、センサー測定値から完全な流れ場への直接的でエンド・ツー・エンドのマッピングを学習するための浅いニューラルネットワークを採用する。
• 生のセンサー測定データには前処理を施さず、ネットワークは入力測定値そのものに直接処理を適用する。
• アーキテクチャは、物理的モデルや事前構造を仮定しない完全にデータ駆動の方法で訓練される。
• 本手法は、実世界のモニタリング応用にスケーラブルで、計算的にも効率的であるように設計されている。
• 限られたデータを用いて訓練することで、異なる流れの状態や構成に一般化できるようにしている。

実験結果

リサーチクエスチョン

• RQ1 物理的モデルを事前に仮定せずに、限られたセンサー情報からの高次元流れ場の再構築に、浅いニューラルネットワークが有効に機能するか。
• RQ2 本データ駆動型手法の性能は、従来のモード近似手法と比較して、どのように異なるか。
• RQ3 再構築精度を維持しつつ、どの程度までセンサー数を削減できるか。
• RQ4 最小限のデータで、多様な流体力学的および海洋学的状況に一般化できるか。

主な発見

• 提案手法は、すべてのテストされた流体力学的および海洋学的例において、従来のモード近似手法よりも優れた再構築精度を達成した。
• 従来手法に比べて著しく少ないセンサー数でも、本手法は高い性能を維持した。
• 限られたデータとセンサー条件の下でも、再構築の忠実度という観点で、本データ駆動型フレームワークは従来手法を上回った。
• ドメイン特化のチューニングを一切必要とせず、多様な流れ場シナリオに強く一般化できる能力を示した。