[論文レビュー] Modelling turbulent premixed flames using convolutional neural networks: application to sub-grid scale variance and filtered reaction rate
本論文は、乱れ渦流動の直接数値シミュレーション（DNS）データに基づいて学習されたデータ駆動型ディープ畳み込みニューラルネットワーク（CNN）を用いて、乱流予混合炎における小スケールばらつきおよびフィルタリングされた反応速度をモデル化する手法を提案する。CNNは、フィルタリングされた密度および密度-進捗変数フィールドのデコンボリューションを実行し、フィルタリングされていない進捗変数分布を再構築することで、チューニングパラメータやフィルタ核の明示的知識を必要とせずに、重要な燃焼項の高精度な推定を可能にする。
A purely data-driven approach using deep convolutional neural networks is discussed in the context of Large Eddy Simulation (LES) of turbulent premixed flames. The assessment of the method is conducted a priori using direct numerical simulation data. The network has been trained to perform deconvolution on the filtered density and the filtered density- progress variable product, and by doing so obtain estimates of the un-filtered progress variable field. Any non-linear function of the progress variable can then be approximated on the LES coarse mesh and explicitly filtered to advance the LES solution in time. This new strategy for tackling turbulent combustion modelling is demonstrated with success, for both the sub-grid scale progress variable variance and the flamelet filtered reaction rate, two fundamental ingredients of premixed turbulent combustion modelling.
研究の動機と目的
- 乱流予混合燃焼のLESにおける従来の小スケールモデルに代わる、パrameter-freeでデータ駆動型の代替手法を開発すること。
- 個別のケースに特化したチューニングを必要とし、高乱流度の複雑な流れでは困難をきたす古典的モデルの限界を克服すること。
- ディープラーニングを活用して、フィルタリングされたデータからフィルタリングされていない進捗変数フィールドを再構築し、ばらつきや反応速度などの非線形項の高精度な推定を可能とすること。
- 高精度なDNSデータを用いた事前評価により、数値的およびモデル化誤差の混入を最小限に抑え、妥当性を検証すること。
- 異なるフィルタ幅にわたってCNNベースのデコンボリューションが安定して機能することを示し、実用的なLES設定への適用可能性を保証すること。
提案手法
- 乱流予混合炎のDNSから得られるフィルタリングされた密度および密度-進捗変数積フィールドに対して、デコンボリューションを実行するためのディープ畳み込みニューラルネットワーク（CNN）を訓練する。
- ネットワークは、フィルタ核の明示的知識を必要とせず、そのフィルタリングされた対応物から未フィルタリングの進捗変数フィールドを再構築する学習を実施する。
- 再構築された高解像度の進捗変数フィールドを用いて、LESメッシュ上で明示的なフィルタリングを施すことにより、ばらつきやフィルタリング反応速度などの非線形関数を計算する。
- 訓練データサイズをフィルタ幅の増加に伴い減少させつつ、厳密なシミュレーテッドLESメッシュによる検証アプローチを用いて、事前評価を実施する。
- ネットワークとフィルタ重みを同時に最適化するため、予測された未フィルタリングフィールドと実際の未フィルタリングフィールドとの誤差を最小化するように、エンドツーエンドでCNNを訓練する。
- CNNによる予測ばらつきおよび反応率と、DNSデータの明示的フィルタリングにより得られたターゲット値との比較を通じて、モデルの性能を評価する。
実験結果
リサーチクエスチョン
- RQ1フィルタ核の事前知識がなくても、ディープCNNが乱流予混合炎におけるフィルタリングされたデータから未フィルタリングの進捗変数フィールドを効果的に再構築できるか？
- RQ2古典的flameletモデルと組み合わせて使用した場合、CNNによる予測ばらつきおよびフィルタリング反応率が、DNSから得られた真値とどの程度一致するか？
- RQ3従来のモデルとは異なり、CNNベースのデコンボリューション手法は異なるフィルタ幅に対しても安定性を保つのか？
- RQ4flameletモデルにおける進捗変数確率密度関数（PDF）のパrameter化に使用した場合、CNNベースのばらつき推定がどの程度のバイアスを引き起こすか？
- RQ5このデータ駆動型手法は、物理ベースのモデルに代わる信頼性が高く汎用性のある代替手段として、乱流燃焼のLESに適しているか？
主な発見
- CNNは、未フィルタリングの進捗変数フィールドを高い忠実度で再構築でき、小スケールばらつきおよびフィルタリング反応速度の高精度な推定を可能にした。
- 本手法はさまざまなフィルタ幅にわたって安定しており、大多数の古典的モデルとは異なり、フィルタ幅の変動に対してほとんど感受性を示さない。
- CNNによる予測ばらつきを用いることで、非圧縮flamelet（UF）およびフィルタリングされた層流炎（FLF）アプローチの両方において、進捗変数PDFの正確なパrameter化が可能となった。
- CNNによる予測ばらつきを用いた反応率モデルは、ターゲットのDNS結果と強く一致しており、高乱流度および炎の断片的特性による影響により、0.1 < c̃ < 0.6 の範囲でわずかに過大推定が見られた。
- flameletモデルにおいて、CNNベースの手法は顕著なバイアスを引き起こさず、既存の燃焼モデルフレームワークとの相性が良好であることが検証された。
- 性能が訓練データサイズに比例して向上することから、本手法は大規模シミュレーションへの一般化可能性を示しており、任意の変数に応用可能である。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。