2020 Fiscal Year Annual Research Report
Construction of feature extraction method for turbulence big data by machine learning
| Project/Area Number |
18H03758
|
|---|
| Research Institution | Keio University |
|---|
Principal Investigator |
深潟 康二 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
|
| 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 Annual Research Achievements |
前年度に引き続き、非定常流および乱流への機械学習の応用に関する研究を進めた。基礎的な研究としては、任意形状物体周り流れに対して畳み込みニューラルネットワーク（CNN）に基づくオートエンコーダ（AE）とLong Short Term Memory (LSTM)を用いた低次元モデル（ML-ROM）を適用し、良好な精度で学習・再構築が行えることを示した。またミニマル・チャネル乱流に対しても同様のML-ROMを用いて検討を行い、乱流ビッグデータに対しても低次元化が可能であるが、同時にさらなる低次元化を可能とする手法の必要性も示された。これを踏まえ、本格的な乱流への応用に適したネットワーク構造として、階層型CNNや確率的ニューラルネットワークを提案し、その性能を検証した。また、壁乱流の壁面を含む複数の断面における物理量を用いた乱流場の機械学習・推定を行った。関連して、チャネル乱流に対する壁面近傍の速度情報に基づいた対向制御について、強化学習に基づいて検査面位置を決める手法を開発した。さらに機械学習による円管内脈動乱流の抵抗低減効果予測モデルの構築を実施し、従来のLSTMエンコーダ・デコーダを用いた時系列予測モデルにTime Delayニューラルネットワークを導入することによる汎化性能の向上を確認した。流れに重畳する効果としては、濃度乱流拡散での点源位置推定を目標として、水路実験およびDNSで作成された瞬時濃度分布データをCNNに学習させ高精度な分類推定を実現し、回帰による内挿／外挿予測まで研究展開した。また、多層パーセプトロンによる粘弾性流体構成方程式の代理モデル構築を図ったが、ワイゼンベルグ数依存性の予測が現状困難であることが分かった。さらなる応用に向けた研究としては、温度成層下の乱流の熱流動特性の調査や着氷予測モデルの開発を行った。
|
| Research Progress Status |
令和2年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和2年度が最終年度であるため、記入しない。
|
