| 研究課題/領域番号 |
22H00184
|
|---|
| 研究機関 | 九州大学 |
|---|
研究代表者 |
下山 幸治 九州大学, 工学研究院, 教授 (80447185)
|
|---|
| 研究分担者 |
山崎 渉 長岡技術科学大学, 工学研究科, 准教授 (50598696)
小木曽 望 大阪公立大学, 工学(系)研究科(研究院), 教授 (70295715)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2026-03-31
|
| キーワード | 代替モデル / 流体力学 / 機械学習 |
|---|
| 研究実績の概要 |
本課題の初年度にあたり，設計の数理と物理を繋ぐ代替モデルのための手法開発および検証を行う専用のGPU計算システムを導入し，システムの動作確認を実施した．
本年度は，設計の数理と物理を繋ぐ代替モデルの構築に取り組んだ．翼型周りの流れ場を予測する代替モデルとして，解析領域内で流体の支配方程式（質量保存則および運動方程式）を満たし，内部境界（壁上では流れの滑りがない）および外部境界（壁から十分離れた場所では流れが一様）で指定の条件を満たすように，ニューラルネットワークによる機械学習を行う．本モデルについて，予測結果が物理的に正しいものとなるように，解析領域内で機械学習を実施する点の配置および重み付けについて検討した．また，機械学習が局所収束を起こさず安定に進むように，最適化アルゴリズムについて検討した．さらに，指定した各境界条件が予測結果に与える影響について調査し，境界条件の過不足を明らかにした．加えて，GPU計算システムにおいて機械学習が効率良く行われるように，計算コードのチューニングおよび計算システム環境のカスタマイズを実施した．
次に，流れ場の条件（一様流の向きに対する翼型の迎角）の変化を取り入れた代替モデルの構築に取り組んだ．ある条件について機械学習されたニューラルネットワークの情報を，異なる条件について機械学習する際の初期情報として再利用し，条件を段階的に変えながら機械学習を繰り返していく．本モデルについて，条件の変更方法，再利用すべきニューラルネットワーク情報の選定方法について検討した．
|
| 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
GPU計算システムの納入が当初予定よりも遅れたが，学習アルゴリズムの検討およびコード化を適切に実施できたため．
|
| 今後の研究の推進方策 |
複合忠実度データに基づく代替モデルの階層化に取り組み，計算精度の改善および計算コストの低減を目指す．また，開発モデルの実証例の1つとして，熱流体デバイスのトポロジー設計に着手する．
|
