[論文レビュー] Well, how accurate is it? A Study of Deep Learning Methods for Reynolds-Averaged Navier-Stokes Simulations.

Nils Thuerey, Konstantin Weißenow+4 more|arXiv (Cornell University)|Oct 18, 2018

Model Reduction and Neural Networks被引用数 9

ひとこと要約

本研究では、高精度な乱流平均ナビエ＝ストークス（RANS）解の予測を目的として、特に近代化されたU-netを含む深層学習モデルを評価している。多様な翼型幾何形状を用いて、最良のモデルは、未学習のケースにおいて圧力および速度予測で3%未塔の平均相対誤差を達成した。コードは完全に公開されており、再現性が保たれ、カルテシアングリッド上でのPDE境界値問題への広範な応用が可能である。

ABSTRACT

With this study we investigate the accuracy of deep learning models for the inference of Reynolds-Averaged Navier-Stokes solutions. We focus on a modernized U-net architecture, and evaluate a large number of trained neural networks with respect to their accuracy for the calculation of pressure and velocity distributions. In particular, we illustrate how training data size and the number of weights influence the accuracy of the solutions. With our best models we arrive at a mean relative pressure and velocity error of less than 3% across a range of previously unseen airfoil shapes. In addition all source code is publicly available in order to ensure reproducibility and to provide a starting point for researchers interested in deep learning methods for physics problems. While this work focuses on RANS solutions, the neural network architecture and learning setup are very generic, and applicable to a wide range of PDE boundary value problems on Cartesian grids.

研究の動機と目的

• 深層学習モデルが流体力学におけるRANS解をどれほど正確に推定できるかを評価すること。
• 学習データのサイズおよびモデル容量（重み数）が解の精度に与える影響を調査すること。
• カルテシアングリッド上での多様なPDE境界値問題に適用可能な汎用的かつ再現可能な深層学習フレームワークを構築すること。
• 物理学に基づいた機械学習分野の研究を支援するため、公開されたコードベースを提供すること。

提案手法

• 速度場および圧力場の回帰に、現代化されたU-netアーキテクチャを深層学習モデルとして採用し、翼型幾何形状を入力として用いる。
• さまざまな翼型形状におけるRANSシミュレーションの大量な合成データセットを用いてモデルを学習させる。
• 圧力および速度予測の相対誤差を最小化する損失関数を最適化することで学習を実施する。
• 一般化性能を評価するため、学習時に使用しなかった新たな翼型幾何形状を用いて評価を実施する。
• アーキテクチャおよび学習設定は、構造化されたカルテシアングリッド上での他のPDE問題へも容易に移植可能であるように設計されている。
• すべてのソースコードは公開されており、再現性を確保するとともに、今後の研究を促進する。

実験結果

リサーチクエスチョン

• RQ1 未学習の翼型幾何形状に対して、深層学習モデルはRANS解をどれほど正確に予測できるか？
• RQ2 学習データセットのサイズおよびモデルパラメータ数が予測精度にどのように影響するか？
• RQ3 U-netベースのモデルは、学習時に見られなかった多様な翼型形状にどの程度一般化できるか？
• RQ4 提案された深層学習フレームワークは、カルテシアングリッド上での他のPDE境界値問題に広く適用可能か？
• RQ5 このアプローチを用いて、圧力および速度予測で達成可能な最小の相対誤差はどの程度か？

主な発見

• 最良の性能を示す深層学習モデルは、学習時に未見であった多数の翼型形状において、圧力および速度予測の両方で平均相対誤差が3%未塔を達成した。
• 学習データサイズの増加およびモデル容量（重み数）の向上に伴い、モデルの精度が向上しており、データ量およびパラメータ数に強く依存していることが示された。
• U-netベースのアーキテクチャは、学習分布外の新しい翼型幾何形状に対しても効果的に一般化しており、学習分布外でも高いロバスト性を示した。
• 提案手法は非常に高い移植性を有しており、同じアーキテクチャおよび学習設定が、カルテシアングリッド上での多様なPDE境界値問題に適用可能である。
• 全ソースコードが公開されており、再現性が保たれ、物理学に基づいた深層学習分野における今後の研究の基盤となっている。