[論文レビュー] U-net architectures for fast prediction of incompressible laminar flows

Junfeng Chen, Jonathan Viquerat+1 more|arXiv (Cornell University)|Oct 25, 2019

Real-time simulation and control systems参考文献 11被引用数 36

ひとこと要約

本論文は、層流における任意の形状の周囲の2D速度場と圧力場を予測するために、ベースラインと高度な U-net アーキテクチャを訓練・比較し、回帰タスクにおいてより複雑な U-net からの利益は限定的であることを示している。

ABSTRACT

Machine learning is a popular tool that is being applied to many domains, from computer vision to natural language processing. It is not long ago that its use was extended to physics, but its capabilities remain to be accurately contoured. In this paper, we are interested in the prediction of 2D velocity and pressure fields around arbitrary shapes in laminar flows using supervised neural networks. To this end, a dataset composed of random shapes is built using Bezier curves, each shape being labeled with its pressure and velocity fields by solving Navier-Stokes equations using a CFD solver. Then, several U-net architectures are trained on the latter dataset, and their predictive efficiency is assessed on unseen shapes, using ad hoc error functions.

研究の動機と目的

• ニューラルネットワークを用いた2D層流場の高速な代理予測を動機づける。
• Re=10でCFDラベル付きの速度場と圧力場を含む任意の形状のデータセットを作成する。
• 未知の形状への一般化と回帰精度の観点から、複数のU-netアーキテクチャを評価する。
• 予測性能と訓練コストの観点から、ベースラインのU-netと高度なU-netsを比較する。

提案手法

• 訓練データを作成するために、三次ベジェ曲線を用いてランダムな2D形状を生成する。
• 被積分境界法を用いてNavier–Stokes方程式を解き、速度と圧力のラベルを取得する。
• データセット上で、複数のU-netベースのアーキテクチャ（baseline、SU-net、CU-net、PU-net）を訓練・評価する。
• 予測精度を評価するためにMSEと相対的な画素ごとの誤差指標を用いる。
• 訓練コストを削減するために入力を107x78ピクセルへダウンスケールし、Kerasでモデルを実装する。
• テスト形状および未知の構成に対する定性的・定量的な比較を提供する。

実験結果

リサーチクエスチョン

• RQ1 Re=10の層流において、任意の2D形状の周りの定常な2D速度場と圧力場をU-netアーキテクチャは正確に予測できるか。
• RQ2 SU-net、CU-net、PU-netといった高度なU-netバリアントは、回帰タスクにおいてベースラインのU-netより有意な改善をもたらすか。
• RQ3 学習済みモデルは未知の形状やNACA翼型のような実在のジオメトリへどの程度一般化できるか。
• RQ4 異なるU-netアーキテクチャ間で、予測精度と訓練/推論コストのトレードオフはどうなるか。

主な発見

• 高度なU-netはテストサブセットの速度のMSEを最大で45%改善するが、追加の訓練コストに見合わない可能性がある。
• SU-netは速度予測の標準偏差と最大誤差をそれぞれ約40%および50%低減し、主に外れ値をより良く処理する。
• 圧力予測は、より複雑なネットワークでも一般に改善せず、この設定では不安定になることがある。
• Baseline U-netは通常のコンピュータで約3時間の訓練を要するのに対し、SU-, CU-, PU-netsは6–7時間を要し、パラメータ数は15–18 million。
• 未知の形状（例：NACA airfoils）での予測は物理的に妥当で、ネットワークの解像度の範囲内で主要な流れ特徴を捉える。