Prediction of Instantaneous wall shear stress distribution through the fusion of Experimental/Computational/Data-driven Fluid Dynamics

通过融合实验/计算/数据驱动的流体动力学来预测瞬时壁剪应力分布

• 批准号: 22K18302
• 负责人: 河内 俊憲
• 金额: $ 16.56万
• 依托单位: Okayama University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Challenging Research (Pioneering)
• 财政年份: 2022
• 资助国家: 日本
• 起止时间: 2022-06-30 至 2025-03-31
• 项目状态: 未结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K18302/
• 关键词: レーザ計測; 深層学習; Large Eddy Simulation; 超音速流れ; レーザ計測; 深層学習; Large Eddy Simulation; 超音速流れ

本研究では流体の先進画像計測に深層学習を融合することで、革新的な計測法を創生することを目指している。本研究では、その題材として、「超音速流中の壁面せん断応力の瞬時分布の計測」という、未だ誰も成しえていないテーマに挑戦している。具体的には、壁面から離れた物理量と壁面せん断応力を関係づけるモデルの深層学習を、高精度・高忠実な数値シミュレーションの値を用いて行い、この深層学習されたモデルに、粒子画像流速計測法で得られた速度データ等を入力し、超音速流中の壁面せん断応力の瞬時分布の計測を試みている。2022年度は比較的計算負荷の小さい計算格子を用いた超音速付着境界層のLESを実施した。そして、そのシミュレーション結果を教師データとした深層学習を、Google社が提供するpythonのクラウド環境を用いて行った。教師データとしては、実験において容易に取得可能な流れ方向流速のみならず、高さ・奥行き方向流速、および温度や圧力といった熱力学状態量を試した。また深層学習のモデルとしては、ディープニューラルネットワーク、１次元畳み込みニューラルネットワーク（CNN）、二次元CNNを試した。その結果、境界層厚さの20%から50%高さと壁面から離れたデータでも、二次元CNNなら流れ方向流速単独でも瞬時の壁面せん断応力分布を予測可能なモデルが構築可能であることが分かった。2022年度はこれら深層学習によるモデル構築に加えて、より高精度なLESを安定に可能とする「KEEPスキーム」の導入に着手した。KEEPスキームは流体の運動エネルギーとエントロピーの保存を高忠実に再現する数値スキームで、2022年度はこのスキームを導入した非粘性の計算コードを開発した。そして計算コードのベンチマークとしてしばしば用いられるテイラー・グリーン渦の時間発展計算を行い、導入したスキームの妥当性を検証した。

这项研究旨在通过将流体的先进图像测量与深度学习相结合，从而创建创新的测量方法。这项研究以尚未达到的主题为主题，例如“测量超音速流中壁剪应力的瞬时分布”。具体而言，使用高精度，高保真数值模拟值和通过粒子图像流量速度测量方法获得的高精度，高保真数值模拟值和速度数据进行深入学习，该模型将与墙壁和墙壁剪切应力相关联，并将其输入此深度学习模型，并尝试测量壁性流量中的壁性流量的瞬时分布。在2022年，LES使用具有相对较低的计算负载的计算晶格在超音速附着边界层上进行。然后，使用Google提供的Python云环境进行了深度学习，将模拟结果作为教师数据进行。至于教学数据，我们不仅测试了在实验中可以轻松获得的流动流速度，还测试了热力学状态的量，例如高度和深度方向流速，温度和压力。此外，我们尝试了深度神经网络，1D卷积神经网络（CNN）和2D CNN作为深度学习的模型。结果，发现即使数据比边界层厚度高20％至50％并且远离壁，也可以构建一个模型，即使仅在二维CNN中仅使用流动流量，即使仅使用流动流量，也可以预测瞬时壁剪切应力分布。除了使用深度学习构建模型外，我们还开始引入“ Keep Scheme”，从而稳定实现了更准确的LE。保留方案是一种数值方案，忠实地再现了流体动能和熵的保护，在2022年，我们制定了一个无关紧要的计算代码，引入了该方案。然后，对Taylor Green Vortex的时间变化计算（通常用作计算代码的基准）进行了验证以验证引入方案的有效性。