| 研究課題/領域番号 |
23K23271
|
|---|
| 補助金の研究課題番号 |
22H02003 (2022-2023)
|
|---|
| 研究種目 |
基盤研究(B)
|
| 配分区分 | 基金 (2024)
補助金 (2022-2023) |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分31010:原子力工学関連
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
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)
|
|---|
| 研究分担者 |
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)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2025-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
17,420千円 (直接経費: 13,400千円、間接経費: 4,020千円)
2024年度: 4,550千円 (直接経費: 3,500千円、間接経費: 1,050千円)
2023年度: 5,460千円 (直接経費: 4,200千円、間接経費: 1,260千円)
2022年度: 7,410千円 (直接経費: 5,700千円、間接経費: 1,710千円)
|
|---|
| キーワード | 混相流 / 原子力工学 / 熱流体工学 / 凝縮 / 機械学習 / 人工知能 / 気液二相流 / 熱流動 / 深層学習 |
|---|
| 研究開始時の研究の概要 |
次世代原子炉をはじめとした熱流動解析においては、保存則の解法に必要な構成方程式に大きく依存しており、近年重要視されている高詳細・高解像度解析を効率的に実施するためにも、モデルの精度向上はこれまで以上に重要な課題となっている。本研究提案においては機械学習をはじめとしたAI技術を熱流体解析に融合させ、最新鋭の計測機器より構築されるビッグデータから気液界面形状に関する情報を帰納的に抽出することで、気液界面構造の内在的な現象メカニズムを明らかにし、既存の構成方程式を高精度化・高度化することを目的とする。
|
| 研究実績の概要 |
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。
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
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。
|
| 今後の研究の推進方策 |
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。
|
