[論文レビュー] Application of Convolutional Neural Network to Predict Airfoil Lift Coefficient

Yao Zhang, Woongje Sung+1 more|arXiv (Cornell University)|Dec 28, 2017

Model Reduction and Neural Networks被引用数 16

ひとこと要約

本論文は、多様な形状と流れの条件（マッハ数、レイノルズ数、迎角）の下で翼型の揚力係数を予測するための畳み込みニューラルネットワーク（CNN）アーキテクチャを提案する。翼型の形状を2次元画像として扱い、CNNの空間的特徴抽出機能を活用することで、従来の多層パーセプトロン（MLP）と同等の予測精度を達成した。これは、幾何的表現の制約が最小限である条件下でも、CNNが空力メタモデリングに有効であることを示している。

ABSTRACT

The adaptability of the convolutional neural network (CNN) technique for aerodynamic meta-modeling tasks is probed in this work. The primary objective is to develop suitable CNN architecture for variable flow conditions and object geometry, in addition to identifying a sufficient data preparation process. Multiple CNN structures were trained to learn the lift coefficients of the airfoils with a variety of shapes in multiple flow Mach numbers, Reynolds numbers, and diverse angles of attack. This is conducted to illustrate the concept of the technique. A multi-layered perceptron (MLP) is also used for the training sets. The MLP results are compared with that of the CNN results. The newly proposed meta-modeling concept has been found to be comparable with the MLP in learning capability; and more importantly, our CNN model exhibits a competitive prediction accuracy with minimal constraints in a geometric representation.

研究の動機と目的

• 変動する翼型形状と流れ条件を含む空力メタモデリングタスクにおける畳み込みニューラルネットワーク（CNN）の適応性を調査すること。
• マッハ数、レイノルズ数、迎角などの多様な流れパラメータを処理できる適切なCNNアーキテクチャを設計すること。
• 翼型形状と流れの範囲にわたる堅牢な学習と一般化を可能にする有効なデータ準備プロセスを同定すること。
• 提案されたCNNモデルと従来の多層パーセプトロン（MLP）の間で、揚力係数予測性能を比較すること。
• 従来の機械学習モデルと比較して、CNNの一般化能力と予測精度が空力応用においてどの程度高いかを評価すること。

提案手法

• 翼型形状を2次元ピクセルベースの画像として表現し、CNNアーキテクチャへの入力が可能になるようにする。
• マッハ数、レイノルズ数、迎角を含む多様な流れ条件における翼型形状のデータセットを用いて、複数のCNNアーキテクチャを学習させる。
• CNNモデルは、翼型画像から階層的な空間的特徴を学習し、揚力係数を予測する。
• 比較的性能評価のため、同じデータセットを用いて多層パーセプトロン（MLP）も学習させる。
• データ前処理には、入力特徴量と出力ターゲットの正規化と標準化を含め、学習の安定性と収束性を向上させる。
• モデルの性能は標準的な回帰評価指標を用いて評価され、CNNとMLPの予測精度の比較がなされる。

実験結果

リサーチクエスチョン

• RQ1 畳み込みニューラルネットワーク（CNN）は、多様な翼型形状と流れ条件の下で、揚力係数を効果的に予測できるか？
• RQ2 同じ空力データセットにおいて、CNNの予測精度は多層パーセプトロン（MLP）と比べてどの程度か？
• RQ3 画像ベースの幾何的表現が、CNNの異なる翼型形状への一般化能力に与える影響は何か？
• RQ4 CNNを用いた空力メタモデリングの高性能な学習を可能にするために、最も効果的なデータ準備技術は何か？
• RQ5 幾何的表現の制約を最小限に抑えると同時に、空力モデリングにおける予測精度を維持できるのはどの程度か？

主な発見

• 提案されたCNNモデルは、テストされた翼型形状と流れ条件の範囲において、多層パーセプトロン（MLP）と同等の予測精度を達成した。
• CNNは優れた一般化能力を示し、明示的な幾何的パrameter化を必要とせずに、画像ベースの翼型表現から空間的特徴を効果的に学習した。
• モデルは幾何的表現に極めて低い制約を示しており、手動での特徴抽出やパラメトリック設計を必要とせず、2次元翼型画像を直接処理できる。
• 正規化と入力スケーリングを含むデータ準備プロセスは、CNNおよびMLPの両モデルにおいて、学習の安定性と収束性を顕著に向上させた。
• CNNは、変動する流れ状態下での翼型形状と揚力係数の複雑な非線形関係を、従来手法よりも効果的に捉えた。
• 結果から、計算流体力学における空力メタモデリングタスクにおいて、CNNをMLPの代替として実用的かつ有効に利用できることが確認された。