2022 Fiscal Year Research-status Report
Study on the data-driven cavitation model
| Project/Area Number |
22K03925
|
|---|
| Research Institution | Osaka University |
|---|
Principal Investigator |
岡林 希依 大阪大学, 大学院工学研究科, 助教 (40774162)
|
|---|
| Project Period (FY) |
2022-04-01 – 2025-03-31
|
| Keywords | キャビテーション / データ駆動科学 / 翼 / 機械学習 / 数値流体力学 |
|---|
| Outline of Annual Research Achievements |
研究期間の初年度は，CFDデータベースを学習データとしたデータ駆動型キャビテーションモデルの枠組みを開発した．解析対象として二次元翼の周りのキャビテーション流れを採用し，そのCFDデータの現ステップの密度・速度・圧力の場をニューラルネットワーク（NN）の入力，次ステップの密度場を教師ラベルとして学習を行った．NNには畳み込みNNの一種であり，画像のセグメンテーションに高い成果を挙げているU-Netを用いた．また，損失関数にはphysics-informed NNの考え方に基づいて，質量保存誤差を組み込み，機械学習での予測が非物理的にならないような工夫を行った．学習した流れ場の時間帯とは異なる時間帯のデータを入力し，想定される次ステップの場が出力されるかテストする，いわゆるa prioriテストでNNの予測性能を確認した後，NNを数理モデルの代わりにCFDコードに実装して解析を行うa posterioriテストを行った．その結果，途中で計算が発散する前までは，翼面に付着したシートキャビティの振動，リエントラントジェットによるクラウドキャビティの放出，翼後端渦でのキャビティの初生と発達，後端渦キャビティとクラウドキャビティの干渉などの現象がシミュレートされ，揚抗力の時間変化も定量的に再現された．以上から，データ駆動型モデル実現への道筋が開かれた．計算が発散した原因は，リエントラントジェットや翼端渦キャビティなどの強い非定常性を有する現象に起因する数値的不安定性，機械学習モデルの予測誤差が加わったことによる．従来の数理モデルを用いたキャビテーション流れのCFDと同様に，キャビテーションに特徴的な強い非定常性を伴う現象を機械学習モデルで表現するためのさらなる工夫や，微小な予測誤差に対してロバストな計算手法の導入を検討する必要があることが示唆された．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究は，１．CFDデータベースを学習させたデータ駆動型モデルによるキャビテーション流れの数値シミュレーションの枠組みを構築すること，２．マルチタスク学習による汎化性能の調査，３．学習した流れ場とは異なる場への転移学習，の３つの小課題からなる．３年間の研究期間のうち，上記の課題１について，強い非定常性を伴う現象を表現する工夫が要請されるという知見が得られ，予測誤差による計算の不安定性の改善の必要性は残しつつも，概ね達成できたと判断されるため，「おおむね順調に進展している」を選択した．
|
| Strategy for Future Research Activity |
初年度の成果で示唆されたように，キャビテーションに特徴的な強い非定常性を伴う現象を機械学習モデルで表現するためのさらなる工夫や，微小な予測誤差に対してロバストな計算手法の導入を検討する．具体的には，非定常性の強くない条件での学習と適用による問題の切り分け，非定常性の強い箇所を重視する形での損失関数の工夫，適切な乱流モデルの導入，などを検討している．また，計算を実行することを優先したために現在のデータ駆動型モデルの形がやや一般性に欠けるので，計算が安定した暁にはその改善を行う．また，一つの流れ条件で学習したNNを，学習したのとは別の流れ条件に適用する，いわゆるマルチタスク学習を行い，NNの汎化性能を調査する．その後，翼周り流れではないまったく異なる流れにNNを適用する，転移学習を行う．これらは転移学習の中でも，元ドメイン（元の流れ場）と目標ドメイン（学習モデルの転移先の流れ場）の間で定義域が異なり，また目標ドメインにおいて教師ラベルが存在しない問題に相当する．そのような問題設定に対して適用可能な転移学習手法であるStructural correspondence learning（SCL）を用いる．この手法によって，計算対象や条件を除いた両ドメインに共通する特徴，すなわちキャビテーションモデルとしての機能を抽出することができるかどうかを明らかにする．
|
