2023 Fiscal Year Annual Research Report
Development of data-driven thermal-hydraulic analysis methods using machine learning
Project/Area Number |
22H02003
|
Allocation Type | Single-year Grants |
Research Institution | The University of Tokyo |
Principal Investigator |
三輪 修一郎 東京大学, 大学院工学系研究科(工学部), 准教授 (00705288)
|
Co-Investigator(Kenkyū-buntansha) |
原 聡 大阪大学, 産業科学研究所, 准教授 (40780721)
Pellegrini Marco 東京大学, 大学院工学系研究科(工学部), 特任准教授 (50741360)
岡本 孝司 東京大学, 大学院工学系研究科(工学部), 教授 (80204030)
武居 昌宏 千葉大学, 大学院工学研究院, 教授 (90277385)
|
Project Period (FY) |
2022-04-01 – 2025-03-31
|
Keywords | 原子力工学 / 熱流体工学 / 凝縮 / 機械学習 / 人工知能 |
Outline of Annual Research Achievements |
本研究においては、AI技術によるデータ創作、物体検出、パターン認識からなる基礎的アプローチに加え、計測機器より流れ場情報をリアルタイムに推定させる応用的アプローチの4課題を軸とした「AI×熱流動」に着目し、機械学習を用いたデータ駆動形熱流体解析の基盤開発を目指すものである。 2023年度は、課題(1)として、多電極電流電圧装置を鉛直配管に取り付け、ボイド率計測値を学習データとして取り込み、機械学習を用いた時空間ボイド率分布手法の確立に従事した。対象とした流動条件としては、様々な気液流量により生成された気泡流画像から球形気泡ならびに歪形領域(distorted particle regime)における気泡を対象とし、ボイド率や界面積濃度等の流動パラメータの推定と、推定結果の検証を実施した。これにより、従来のボイド率計測手法であるワイヤーメッシュセンサ等の侵襲性が高い計測系の短所を補う形で、ボイド率解像度と非侵襲の両立を目指す手法の基盤構築に成功した。次に、課題(2)として、ニューラルネットへ偏微分方程式等の物理法則を紐づけたPINNsを用い、熱流動現象への適用を開始した。PINNsは、流体力学の諸問題を解決するための潜在的な手法の一つとして近年注目されているが、サンプリング点の選択、損失項目のバランス、ハイパーパラメータの最適化などの難しさによりといった固有の制限に遭遇し、しばしば非収束につながる。これらの問題を克服するために、残差ベースの適応的サンプリング等を用いた最適化アルゴリズムを検討し、3つの多次元単相流のケーススタディを用いて検証を行った。解析解とベンチマークCFD計算結果の両方と比較し、概ね良い一致が見られた。2024年度は、申請者が保有する実験装置にて直接接触凝縮現象の画像データベースを構築し、課題(1)、(2)にて構築した機械学習モデルの実装を計画している。
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
分担機関である千葉大学とは定期的に情報交換を行っており、モデルの構築を終え、検証のフェーズに進んでいる。直接接触凝縮実験においては、使用する水タンクの配備に加え、ボイラーからの蒸気配管ラインの設計も完了し、計測機器の設置も進んでいることから、おおむね順調に進展していると考えられる。
|
Strategy for Future Research Activity |
2024年度は、本年度に構築したボイド率推定モデルの最適化と高度化を目指し、異なる配管系への応用を進め、解析精度の検証を行う予定である。また、PINNsに解析対象を気泡流へと展開し、機械学習を用いたデータ駆動型解析を熱流動諸問題へ取り込む上での具体的な利点、課題点を抽出する。直接接触凝縮の実験については、実験データの取得を継続し、既存の流動様式遷移図や構成方程式との比較検証を実施し、データ駆動型解析による凝縮線図の提案を目指す。
|