| 研究課題/領域番号 |
20J22348
|
|---|
| 研究機関 | 東京大学 |
|---|
研究代表者 |
日下部 亮太 東京大学, 工学系研究科, 特別研究員(DC1)
|
|---|
| 研究期間 (年度) |
2020-04-24 – 2023-03-31
|
| キーワード | デジタルツイン / 地震シミュレーション / 大規模解析 |
|---|
| 研究実績の概要 |
本年度、本課題では、(1)発電所を対象とした地震シミュレーション、(2) GPU上での地震シミュレーションの高速化、(3)機械学習によるサロゲートモデルの構築を行った。以下に、各項目の概要を記載する。
(1)まず、発電所周辺の地盤データを頂き、それをもとに地盤モデルを構築した。モデルは自由度4.3億、要素数1.0億の大規模モデルとなった。次に、この地盤モデルを使用して13万ステップにわたる大規模地震シミュレーションを実施した。解析は32 GPU を12時間以上使用して実行された。解析結果は、観測された地震動におおむね整合しており、適切な解析が実施できたことが確認された。
(2) (1)の解析に先立ち、最新のGPUの機能を利用した地震シミュレーションの高速化の検討を行った。まず、GPU間の通信速度の向上を図った。通常、GPU間の通信はCPUメモリを介して行われるが、そのオーバーヘッドをなくすため、GPU間で直接データを通信するような開発を行った。これにより、地震シミュレーションの高速化が実現した。また、GPUのキャッシュメモリの使用方法を効率化する機能を活用することによる高速化についても検討を行ったが、プログラムの性質上この機能の恩恵をほとんど受けられず、性能向上にはつながらなかった。
(3)本研究の研究成果である地震シミュレーション手法により、大量のシミュレーション結果を生成することが可能になってきた。そこで、そのシミュレーション結果を学習データとして使った機械学習により、地震シミュレーションのサロゲートモデルを構築する検討を始めた。第一段階として、液状化を判定するサロゲートモデルを構築した。今後はより高度なサロゲートモデルの構築を検討していく予定である。サロゲートモデルにより、より高速に地震応答の評価が可能になると期待される。
|
| 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
本年度は、(1)発電所周辺の地盤構造物モデルの作成，(2)(1)で作成したモデルを使用した地震応答解析の実施が予定されていた。また、加えて、(3)地震応答解析のサロゲートモデルの構築も行うことができた。以下に概要を示す通り、おおむね計画通りに進展している。
(1)発電所周辺の地盤データを頂き、それをもとに地盤モデルを構築した。5.3 km×3.7kmの領域を対象とし、最小分解能2mのモデルを作成した。このモデルは自由度4.3億、要素数1.0億の大規模モデルとなった。
(2)解析の実施に先立ち、最新のGPUの機能を利用した解析の高速化手法を開発した。この手法を用いて、(1)で生成した地盤モデルについて13万ステップにわたる大規模地震シミュレーションを実施した。解析は32 GPU を12時間以上使用して実行された。解析結果は、観測された地震動におおむね整合しており、適切な解析が実施できたことが確認された。
(3)本研究の研究成果である地震シミュレーション手法により、大量のシミュレーション結果を生成することが可能になってきた。そこで、そのシミュレーション結果を学習データとして使った機械学習により、地震シミュレーションのサロゲートモデルを構築する検討を始めた。第一段階として、液状化を判定するサロゲートモデルを構築した。この研究成果は国際学会HPC Asia 2022 において、Best Student Poster Award (1st Prize) を受賞した。今後はより高度なサロゲートモデルの構築を検討していく予定である。サロゲートモデルにより、より高速に地震応答の評価が可能になると期待される。
|
| 今後の研究の推進方策 |
今後の研究の推進方策としては、(1)発電所周辺の地盤構造物モデルについての地震応答解析、(2)機械学習を用いた地震シミュレーションのサロゲートモデルの構築を予定している。
(1)本年度は、発電所周辺の地盤構造物モデルを作成し、そのモデルについての地震応答解析を実施した。やや分解能の低いモデルを使用したものの、観測データとある程度整合した解析結果が得られることを確認した。今後は、より高い分解能のモデルを使用した地震シミュレーションの実施を予定している。分解能を上げた場合、計算コストが飛躍的に高くなるため、それに対応するための追加開発を行う予定である。
(2)本研究課題で開発してきた有限要素法に基づく地震応答解析手法により、高速に大規模シミュレーションを実施することが可能になった。とはいえ、地盤データなどの不確実性を考慮するためのモンテカルロシミュレーションなどには、膨大な計算コストが必要になる。一方で、開発手法を使うことで豊富に得られるシミュレーション結果を学習データに使用した機械学習により、地震シミュレーションのサロゲートモデルを構築することが可能になってきた。地震シミュレーションのサロゲートモデルを構築できれば、より高速な地震応答の評価が可能になり、大規模な地盤モデルについてのモンテカルロシミュレーションなどもより低い計算コストで実現できるようになると期待されている。実際、簡易的なニューラルネットワークを使用した液状化解析のサロゲートモデルの構築を本年度末に実施し、高い性能が得られることを確認した。
今後は、より高度なサロゲートモデルの構築を予定している。地震シミュレーション特有の物理的拘束や、物理現象の性質に由来するスパース性を加味したデータ処理を組み合わせることで、より性能の高いサロゲートモデルの構築を目指す予定である。
|
