| Project/Area Number |
18H03758
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (A)
|
| Allocation Type | Single-year Grants |
|---|
| Section | 一般 |
|---|
| Review Section |
Medium-sized Section 19:Fluid engineering, thermal engineering, and related fields
|
|---|
| Research Institution | Keio University |
|---|
Principal Investigator |
Fukagata Koji 慶應義塾大学, 理工学部(矢上), 教授 (80361517)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
山本 誠 東京理科大学, 工学部機械工学科, 教授 (20230584)
岩本 薫 東京農工大学, 工学(系)研究科(研究院), 教授 (50408712)
長谷川 洋介 東京大学, 生産技術研究所, 准教授 (30396783)
塚原 隆裕 東京理科大学, 理工学部機械工学科, 准教授 (60516186)
福島 直哉 東海大学, 工学部, 講師 (80585240)
守 裕也 電気通信大学, 大学院情報理工学研究科, 准教授 (80706383)
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Project Status |
Completed (Fiscal Year 2020)
|
| Budget Amount *help |
¥45,370,000 (Direct Cost: ¥34,900,000、Indirect Cost: ¥10,470,000)
Fiscal Year 2020: ¥9,230,000 (Direct Cost: ¥7,100,000、Indirect Cost: ¥2,130,000)
Fiscal Year 2019: ¥9,880,000 (Direct Cost: ¥7,600,000、Indirect Cost: ¥2,280,000)
Fiscal Year 2018: ¥26,260,000 (Direct Cost: ¥20,200,000、Indirect Cost: ¥6,060,000)
|
|---|
| Keywords | 流体力学 / 乱流 / ビッグデータ / 機械学習 / 低次元モデル |
|---|
| Outline of Final Research Achievements |
The purpose of this study is to apply the machine learning technology to "turbulent big data" to extract the nonlinear mode, which is the essence of the self-generation maintenance mechanism of turbulence and cannot be extracted by the conventional linear theory, and to detive its time evolution equation to construct a new nonlinear feature extraction method. In this study, we use an autoencoder based on convolutional neural networks to extract the features of flow fields by compressing high-dimensional flow field information into low-dimensional latent variables, and by using a sparse regression method to derive the equations that govern the time evolution of the latent variables. While this method can extract features with sufficient accuracy for unsteady flows around a cylinder, it was suggested that further reduction in dimension is necessary for turbulent flows.
|
| Academic Significance and Societal Importance of the Research Achievements |
本研究では、完全な流れ場データの低次元化による物理的理解にとどまらず、未知の物体周りの流れの予測や不十分なデータからの予測など、流体力学の諸問題への機械学習の応用が大きな可能性を有していることを示した。本研究の成果は、理論、実験、数値シミュションに続く「第４の流体力学」である「データ駆動流体力学」の基盤整備に貢献し、支配方程式・構成方程式が確立されていない流れ場データへの応用の可能性を示唆するものである。
|
