[论文解读] Parallel optimization for large eddy simulations

Chaitanya Talnikar, Patrick Blonigan+2 more|arXiv (Cornell University)|Oct 31, 2014

Advanced Multi-Objective Optimization Algorithms参考文献 12被引用 5

一句话总结

该论文提出了一种并行贝叶斯优化框架，结合抓拍（snapping）与期望分位数改进（EQI），以加速高计算成本和噪声目标函数下的大涡模拟（LES）设计优化。通过高效利用数千个核心并重用相似设计的模拟，该方法在湍流通道流设计中降低了阻力，在涡轮尾缘设计中分别将传热和压降损失降低了17%和21%。

ABSTRACT

We developed a parallel Bayesian optimization algorithm for large eddy simulations. These simulations challenge optimization methods because they take hours or days to compute, and their objective function contains noise as turbulent statistics that are averaged over a finite time. Surrogate based optimization methods, including Bayesian optimization, have shown promise for noisy and expensive objective functions. Here we adapt Bayesian optimization to minimize drag in a turbulent channel flow and to design the trailing edge of a turbine blade to reduce turbulent heat transfer and pressure loss. Our optimization simultaneously runs several simulations, each parallelized to thousands of cores, in order to utilize additional concurrency offered by today's supercomputers.

研究动机与目标

• 解决昂贵、噪声较大的大涡模拟（LES）优化挑战，其计算成本高且存在统计采样误差。
• 开发一种可扩展的优化框架，利用超级计算机中数千个核心的海量并行计算能力。
• 通过一种‘抓拍’策略重用模拟，持续优化有前景的设计，从而减少昂贵LES评估的次数。
• 通过使用期望分位数改进（EQI）而非标准期望改进（EI），提升在噪声环境下的收敛性和鲁棒性。
• 在两个基于LES的设计问题上验证该框架的有效性：湍流通道流阻力最小化与涡轮尾缘优化。

提出的方法

• 将高斯过程（GPs）的贝叶斯优化方法适配于建模具有噪声的LES目标函数，整合有限时间平均带来的异方差噪声。
• 采用期望分位数改进（EQI）准则，在不同设计间存在可变噪声水平的情况下，平衡探索与开发。
• 实施‘抓拍’策略：若某设计与先前模拟过的某设计相似，则继续模拟该设计，避免重复模拟瞬态阶段。
• 支持同时并行评估多个设计，跨数千个核心扩展，以最大化资源利用率。
• 在高斯过程中使用平方指数核，以确保代理模型的平滑性，并采用贝叶斯模型选择方法调优超参数。
• 应用EQI获取函数选择下一个设计，其解析形式基于高斯过程后验均值与方差推导得出。

实验结果

研究问题

• RQ1 并行贝叶斯优化框架是否能在保持对采样噪声鲁棒性的前提下，减少昂贵LES评估的次数？
• RQ2 ‘抓拍’策略在重用相似设计模拟以避免冗余瞬态阶段计算方面有多高效？
• RQ3 在LES中典型的异方差噪声环境中，期望分位数改进（EQI）准则在多大程度上优于标准期望改进（EI）？
• RQ4 该框架是否能在计算资源有限的情况下，实现湍流流动设计目标的显著改进，如阻力降低与传热最小化？
• RQ5 该框架在现代超级计算机上，如何在数千个核心上实现可扩展性，以加速LES基优化？

主要发现

• 在涡轮尾缘设计中，该框架实现了传热降低17%、压降损失系数降低21%，显著优于基线设计。
• 优化器两次将设计‘抓拍’到最终设计，表明重用相似设计的模拟比从头开始模拟更高效。
• 优化后的设计将压力面的分离点向下游移动，稳定了剪切层，减少了热流体向回流区的卷吸。
• 优化后的几何形状消除了尾迹中的相干涡结构，降低了大尺度混合程度，从而减少了压降损失。
• 与标准EI相比，EQI能更好地处理可变噪声水平，提升了在噪声LES评估中的收敛性。
• 该框架成功扩展至数千个核心，支持多个设计的并行评估，显著加速了优化过程。