[論文レビュー] Using Machine Learning to Augment Coarse-Grid Computational Fluid\n Dynamics Simulations

Jaideep Pathak, Mustafa Mustafa+4 more|arXiv (Cornell University)|Sep 30, 2020

Model Reduction and Neural Networks被引用数 33

ひとこと要約

本論文は、粗格子 CFD をニューラルネットワークで補正し、モデル誤差を修正して高解像度場を復元するハイブリッド ML-PDE フレームワークを提示する。高レイリー数の 2D Rayleigh–Bénard Convection を用いて実証。

ABSTRACT

Simulation of turbulent flows at high Reynolds number is a computationally\nchallenging task relevant to a large number of engineering and scientific\napplications in diverse fields such as climate science, aerodynamics, and\ncombustion. Turbulent flows are typically modeled by the Navier-Stokes\nequations. Direct Numerical Simulation (DNS) of the Navier-Stokes equations\nwith sufficient numerical resolution to capture all the relevant scales of the\nturbulent motions can be prohibitively expensive. Simulation at\nlower-resolution on a coarse-grid introduces significant errors. We introduce a\nmachine learning (ML) technique based on a deep neural network architecture\nthat corrects the numerical errors induced by a coarse-grid simulation of\nturbulent flows at high-Reynolds numbers, while simultaneously recovering an\nestimate of the high-resolution fields. Our proposed simulation strategy is a\nhybrid ML-PDE solver that is capable of obtaining a meaningful high-resolution\nsolution trajectory while solving the system PDE at a lower resolution. The\napproach has the potential to dramatically reduce the expense of turbulent flow\nsimulations. As a proof-of-concept, we demonstrate our ML-PDE strategy on a\ntwo-dimensional turbulent (Rayleigh Number $Ra=10^9$) Rayleigh-B\\'enard\nConvection (RBC) problem.\n

研究の動機と目的

• DNS が実用上不可能であるため、高い Reynolds 数の乱流流れシミュレーションの計算コストを削減する動機づけ。
• 粗-grid PDE 出力を補正し高解像度場を再構成するハイブリッド ML-PDE アプローチを提案する。
• canonical 2D Rayleigh–Bénard Convection 問題で方法を実証し、高解像度の基準と比較する。
• 学習された補正が異なるスケールに適応する様子を探り、3D 問題への拡張の可能性を検討する。

提案手法

• 粗格子の出力が ML モデルによって補正される PDE 演化問題を定式化する。
• ダウンスケールした粗結果と高解像度真値との間のモデル誤差を予測するニューラルネットワークを訓練する。
• スペクトル空間で粗・細格子間を写像するアップスケーリングおよびダウンスケーリング演算子（D_m and U_m）を用いる。
• ML 補正を粗格子の時間 stepping に組み込み、X_ml(t+τ) = U_m[F_N'^(τ)(D_m[X_ml(t)])] + N[U_m[F_N'^(τ)(D_m[X_ml(t)])]] の形で生成する。
• CNN (UNet) を訓練し、粗予測場とその真の高解像度対で短時間の時間 horizon にわたる誤差テンソルを予測させる。
• 2D Rayleigh–Bénard Convection (Ra=10^9, Pr=0.7) を概念実証として用い、512×512 のグランドトラuth のシミュレーションと比較評価する。

実験結果

リサーチクエスチョン

• RQ1 乱流フローの粗格子 PDE シミュレーションによる誤差を深層学習モデルが補正できるか？
• RQ2 短時間区間で低解像度シミュレーションから高解像度の場の Details を回復できるか？
• RQ3 ML 補正を施した粗格子手法は、時間的・スペクトル的特徴を高解像度の参照と比較してどの程度保持するか？
• RQ4 より高次元・流れパラメータの変化に対する一般化の可能性は？

主な発見

• ML-PDE ハイブリッド手法は、粗格子上の補正後の軌道が高解像度のグランドトラuth により近似し、基線の粗いシミュレーションよりも似なる。
• RMSE の誤差は、複数のテストケース（20 通りの軌道）で基準投影より改善。
• スペクトル解析では、ML 補正解が所定の時間ステップ後にスカラー場のグランドトラ uth パワースペクトルによりよく一致。
• ML-PDE からの qualititative な流れ場スナップショットは、アップスケールされた粗格子の基準よりグランドトラuth に近い。
• 高いレイ Reynolds 数のシミュレーションを低コストで拡張する実現可能性を示す一方、2D の制限と今後の 3D 拡張を認識。