[論文レビュー] Using Physics-Informed Super-Resolution Generative Adversarial Networks for Subgrid Modeling in Turbulent Reactive Flows

Mathis Bode, Michael Gauding+6 more|arXiv (Cornell University)|Nov 26, 2019

Fluid Dynamics and Turbulent Flows参考文献 24被引用数 10

ひとこと要約

本稿では、乱流反応流の大型渦シミュレーション（LES）におけるサブグリッドモデル化のための物理的制約付き超解像生成対抗ネットワーク（PIESRGAN）を提案する。敵対的学習と物理的制約付き損失、および二段階の訓練戦略を組み合わせることで、PIESRGANは粗いLESデータから高精度な乱流場を再構築し、事前および事後テストの両方でサブフィルター応力とスカラー混合の正確な予測を達成した。特に、実験データと良好に一致する反応性スプレーAケースの解析においても有効である。

ABSTRACT

Turbulence is still one of the main challenges for accurately predicting reactive flows. Therefore, the development of new turbulence closures which can be applied to combustion problems is essential. Data-driven modeling has become very popular in many fields over the last years as large, often extensively labeled, datasets became available and training of large neural networks became possible on GPUs speeding up the learning process tremendously. However, the successful application of deep neural networks in fluid dynamics, for example for subgrid modeling in the context of large-eddy simulations (LESs), is still challenging. Reasons for this are the large amount of degrees of freedom in realistic flows, the high requirements with respect to accuracy and error robustness, as well as open questions, such as the generalization capability of trained neural networks in such high-dimensional, physics-constrained scenarios. This work presents a novel subgrid modeling approach based on a generative adversarial network (GAN), which is trained with unsupervised deep learning (DL) using adversarial and physics-informed losses. A two-step training method is used to improve the generalization capability, especially extrapolation, of the network. The novel approach gives good results in a priori as well as a posteriori tests with decaying turbulence including turbulent mixing. The applicability of the network in complex combustion scenarios is furthermore discussed by employing it to a reactive LES of the Spray A case defined by the Engine Combustion Network (ECN).

研究の動機と目的

• 乱流反応流の大型渦シミュレーション（LES）における正確なサブグリッドモデル化の挑戦に取り組むこと。伝統的な閉じ込め方では、高次元で複雑な物理的挙動のため、しばしば失敗する。
• 物理的制約を組み込んだ教師なし深層学習を活用することで、高次元流体力学におけるデータ駆動型モデルの一般化および外挿能力を向上させること。
• ラベル付き学習データを必要とせず、フィルタリングされたLESデータから完全に解像された乱流場を再構築できる、強固な物理的制約付き深層学習フレームワークを開発すること。
• 本モデルの実燃焼状況、特にエンジン燃焼ネットワークのスプレーAケースのような複雑で高レイノルズ数の流れへの適用可能性を評価すること。
• 生成対抗ネットワーク（GAN）ベースのモデルが、数値的安定性を保ちながらも、正確なサブフィルター応力およびスカラーフラックスの予測を達成できることを示すこと。

提案手法

• 高解像度乱流場の再構築を目的として、3次元データに拡張された超解像GANアーキテクチャ（ESRGAN）を採用する。
• 生成器が真の解像度データと区別がつかない現実的な高解像度場を生成できるように、敵対的損失を用いて訓練する。
• 物理的整合性を強制するための物理的制約付き損失を導入し、保存則や乱流統計（例：運動エネルギーおよび散逸率）などの制約を組み込む。
• 二段階の訓練手順を採用：まず完全に解像されたDNSデータで事前学習を行い、次に解像度が不足したLESデータで微調整することで、一般化および外挿能力を向上させる。
• 再構築された高解像度場を用いて、LESの閉じ込めに必要なサブフィルター項（例：サブフィルターレイノルズ応力およびスカラーフラックス）を計算する。
• 複数代表的インタラクティブフレームレット（MRIF）モデルを用いてスプレーAケースに適用し、 ignitions delay time および燃料質量分率プロファイルを実験データと比較する。

実験結果

リサーチクエスチョン

• RQ1 物理的制約付きGANは、ラベル付き学習データを必要とせず、粗いLESデータから高解像度乱流場を効果的に再構築できるか？
• RQ2 二段階の訓練戦略は、高次元で物理的制約のある流体力学問題において、GANの一般化および外挿能力をどのように向上させるか？
• RQ3 PIESRGANモデルは、特にスプレーAケースのような複雑な燃焼状況において、サブフィルター応力およびスカラーフラックスをどれほど正確に予測できるか？
• RQ4 標準GANと比較して、物理的制約付き損失は生成された場の物理的整合性および数値的安定性をどのように向上させるか？
• RQ5 混合および ignitions delay time 予測の観点から、PIESRGANの性能は、動的スマゴリンスキーのような従来のサブグリッドモデルと比べてどうか？

主な発見

• PIESRGANモデルは、減衰乱流における事前テストによって検証されたように、ラベルなしのフィルタリングLESデータから高解像度乱流場を物理的に整合性を持って再構築できた。
• スプレーAケースの事後LESにおいて、PIESRGANは ignitions delay time を0.379 msと予測し、実験値のおおよそ0.4 msと良好に一致した。
• ノズル下流における燃料質量分率プロファイルは、PIESRGAN-LESが実験データと動的スマゴリンスキーLESの間の位置を占め、混合精度の向上を示した。
• クリッピングなしで安定した性能を示したため、シミュレーションのクラッシュを引き起こす極端または不安定な予測を生成しないことが示された。
• 動的スマゴリンスキー・モデルより計算コストは高いが、深層学習用ハードウェアの進化が進む中で、将来的な展開の可能性を示した。
• 二段階の訓練戦略により、一般化性能が顕著に向上し、主に減衰等方乱流で学習したにもかかわらず、複雑で高レイノルズ数の反応流でも正確な性能を発揮した。