[论文解读] Coarse-Grid Computational Fluid Dynamics (CG-CFD) Error Prediction using Machine Learning.

Hanna Bishara Hanna, Botros Naseif|arXiv (Cornell University)|Apr 30, 2018

Fluid Dynamics and Turbulent Flows参考文献 35被引用 11

一句话总结

本文提出一种基于机器学习的代理模型，用于预测和校正粗网格计算流体动力学（CG-CFD）模拟中的局部离散化误差。通过在高保真度数据上进行训练，该模型学习将粗网格特征映射到局部误差，从而在无需细网格的情况下实现对流场变量的精确校正，并在三维顶盖驱动腔测试案例中成功实现不同雷诺数和网格分辨率下的泛化能力。

ABSTRACT

Despite the progress in high performance computing, Computational Fluid Dynamics (CFD) simulations are still computationally expensive for many practical engineering applications such as simulating large computational domains and highly turbulent flows. One of the major reasons of the high expense of CFD is the need for a fine grid to resolve phenomena at the relevant scale, and obtain a grid-independent solution. The fine grid requirements often drive the computational time step size down, which makes long transient problems prohibitively expensive. In the research presented, the feasibility of a Coarse Grid CFD (CG-CFD) approach is investigated by utilizing Machine Learning (ML) algorithms. Relying on coarse grids increases the discretization error. Hence, a method is suggested to produce a surrogate model that predicts the CG-CFD local errors to correct the variables of interest. Given high-fidelity data, a surrogate model is trained to predict the CG-CFD local errors as a function of the coarse grid local features. ML regression algorithms are utilized to construct a surrogate model that relates the local error and the coarse grid features. This method is applied to a three-dimensional flow in a lid driven cubic cavity domain. The performance of the method was assessed by training the surrogate model on the flow full field spatial data and tested on new data (from flows of different Reynolds number and/or computed by different grid sizes). The proposed method maximizes the benefit of the available data and shows potential for a good predictive capability.

研究动机与目标

• 通过使用粗网格而非细网格，降低CFD模拟的计算成本。
• 解决粗网格在CFD模拟中引入的高离散化误差问题。
• 开发一种代理模型，利用粗网格特征和高保真度数据预测局部误差。
• 通过使用机器学习预测的误差校正CG-CFD结果，在不增加计算成本的前提下提高解的精度。
• 验证该方法在不同雷诺数和网格分辨率下的泛化能力。

提出的方法

• 训练一个机器学习回归模型，基于局部粗网格特征预测CG-CFD中的局部离散化误差。
• 使用高保真度CFD数据作为真实值，训练代理模型以学习网格特征与局部误差之间的关系。
• 在参考雷诺数下的三维顶盖驱动立方腔流场的全域空间数据上训练该模型。
• 将训练好的模型应用于不同雷诺数和网格尺寸的新数据上，以评估其泛化能力。
• 利用预测的局部误差对CG-CFD解进行校正，从而在不加密网格的情况下提高精度。
• 通过利用现有的高保真度模拟数据来训练预测误差模型，最大化数据利用率。

实验结果

研究问题

• RQ1 基于机器学习的代理模型能否准确预测粗网格CFD模拟中的局部离散化误差？
• RQ2 训练好的模型在具有不同雷诺数的新流动条件下泛化能力如何？
• RQ3 预测的误差能否有效用于校正CG-CFD解并提高精度？
• RQ4 粗网格的哪些特征在CFD模拟中对预测局部误差最具预测力？
• RQ5 该方法在保持解精度的同时，能在多大程度上降低计算成本？

主要发现

• 基于机器学习的误差预测模型成功捕捉了不同粗网格配置下的局部离散化误差。
• 该方法在训练过程中未见过的新雷诺数和网格尺寸下表现出良好的泛化能力。
• 经过校正的CG-CFD解相比未经校正的粗网格结果精度显著提升，接近高保真度解的质量。
• 代理模型有效利用了高保真度数据来预测误差，而无需额外的高成本模拟。
• 该方法通过避免使用细网格分辨率，在保持预测精度的同时实现了显著的计算节省。