[论文解读] Optimal fidelity multi-level Monte Carlo for quantification of uncertainty in simulations of cloud cavitation collapse

Jonas Šukys, U. Rasthofer+3 more|arXiv (Cornell University)|May 11, 2017

Probabilistic and Robust Engineering Design参考文献 40被引用 6

一句话总结

该论文提出了一种最优保真度多水平蒙特卡洛（OF-MLMC）方法，用于量化大规模云空化坍塌模拟中的不确定性，通过引入新型控制变体系数以降低方差，并在标准蒙特卡洛方法基础上实现超过100倍的加速。该方法识别出峰值压力位置和幅值存在显著不确定性，其与云团几何形态及坍塌动力学密切相关。

ABSTRACT

We quantify uncertainties in the location and magnitude of extreme pressure spots revealed from large scale multi-phase flow simulations of cloud cavitation collapse. We examine clouds containing 500 cavities and quantify uncertainties related to their initial spatial arrangement. The resulting 2000-dimensional space is sampled using a non-intrusive and computationally efficient Multi-Level Monte Carlo (MLMC) methodology. We introduce novel optimal control variate coefficients to enhance the variance reduction in MLMC. The proposed optimal fidelity MLMC leads to more than two orders of magnitude speedup when compared to standard Monte Carlo methods. We identify large uncertainties in the location and magnitude of the peak pressure pulse and present its statistical correlations and joint probability density functions with the geometrical characteristics of the cloud. Characteristic properties of spatial cloud structure are identified as potential causes of significant uncertainties in exerted collapse pressures.

研究动机与目标

• 解决由于500个空化泡初始空间排列随机性导致的云空化模拟中高维不确定性问题。
• 克服标准蒙特卡洛方法在具有2000维参数空间的大规模多相流模拟中计算不可行的问题。
• 为具有复杂时空动力学特性的可压缩多相流开发一种非侵入式、高效且可扩展的不确定性量化框架。
• 实现对极端压力脉冲及其与云团几何形态和初始构型依赖关系的统计推断。

提出的方法

• 应用非侵入式多水平蒙特卡洛（MLMC）框架，对初始空化泡排列的2000维随机空间进行采样。
• 引入新型最优控制变体系数，以最小化MLMC估计器的方差，提升收敛速度与计算效率。
• 采用扩散界面法在多个分辨率层级上求解可压缩多相流方程。
• 实施自适应采样，基于峰度估计值进行迭代误差控制，以确保误差界具有高置信度。
• 利用高性能计算（HPC）资源，包括领导级计算系统（如MIRA、COOLEY），将模拟规模扩展至50,000个空化泡。
• 采用具有方差减少技术的统计估计器，实现在极低计算成本下准确的推断。

实验结果

研究问题

• RQ1 500个空化泡的初始空间排列如何影响云空化坍塌过程中峰值压力的位置与幅值？
• RQ2 在不同随机实现实例下，极端压力脉冲的统计分布特征是什么？
• RQ3 空化泡云团的几何特征（如致密性、对称性）与坍塌压力不确定性之间存在何种相关性？
• RQ4 在多相流的高维、非光滑问题中，最优控制变体是否能显著降低MLMC估计器的方差？
• RQ5 与标准蒙特卡洛方法相比，所提出的OF-MLMC方法在复杂流体动力学不确定性量化中能将计算成本降低多少？

主要发现

• 所提出的最优保真度MLMC方法相较于标准蒙特卡洛方法实现了超过两个数量级的加速。
• 在峰值压力脉冲的位置与幅值方面均识别出显著不确定性，其变化幅度超过两个数量级。
• 联合概率密度函数揭示了峰值压力与云团致密性、对称性等几何特征之间存在强烈的统计相关性。
• 初始云团构型中的特征空间结构——特别是非均匀且非对称的排列——被识别为坍塌压力高不确定性的主要成因。
• 通过基于方差估计器峰度估计值的迭代调整样本数量，该方法实现了高置信度的误差控制。
• 与标准MLMC相比，使用最优控制变体能更有效地降低方差，从而在较少高保真度模拟下实现准确推断。