流れの超解像再構成を活用した散逸・駆動モデリングによる超粗格子LESへの挑戦

使用流的超分辨率重建的耗散/驱动建模对超粗网格 LES 的挑战

基本信息

批准号：
22K18764
负责人：
河合宗司
金额：
$ 4.16万
依托单位：
Tohoku University
依托单位国家：
日本
项目类别：
Grant-in-Aid for Challenging Research (Exploratory)
财政年份：
2022
资助国家：
日本
起止时间：
2022-06-30 至 2024-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22K18764/
关键词：
数値流体力学機械学習 LES 流体力学乱流

项目摘要

本研究課題では通常のLESよりも粗い格子を用いたLESの実現を目指し、機械学習による画像生成技術を応用した超粗格子LES方程式における散逸・駆動効果モデリングを試みる。研究初年度となる本年度は、チャネル乱流を対象とし、粗格子LESからDNS相当の流れの超解像再構成を可能とする教師なし機械学習パイプラインモデルを確立した。本機械学習パイプラインモデルは、粗格子LESで得られる流れをfiltered DNS相当の流れに再構成する教師なし学習CycleGANと、filtered DNS流れからDNS相当の流れに超解像するconditional GANによるモデルの2部分から構成されるモデルである。本機械学習パイプラインモデルのキーとなるアイディアは、粗格子LESの流れがfiltered DNSとは大きく異なる様相を示すため、これまでのfiltered DNSをLES相当と見立てたfiltered DNSからDNSに超解像する既存の手法とは異なり、教師なし機械学習CycleGANを用いて粗格子LESの流れを一度filtered DNS相当の流れに再構成した点である。またa prioriテストを実施し、本提案教師なし機械学習パイプラインモデルにより、粗格子LESからDNS相当の流れの超解像再構成がロバストに実施できるようになり、粗格子LESにおけるSGS応力成分の評価が可能となることを示した。また加えて、教師なし機械学習パイプラインにより算出されたSGS応力は正拡散のみならず負拡散も持つことも明らかとなった。

在本研究项目中，我们的目标是使用比常规 LES 更粗的网格来实现 LES，并尝试通过应用机器学习的图像生成技术来模拟超粗网格 LES 方程中的耗散和驱动效应。今年，也就是我们研究的第一年，我们针对通道湍流建立了一个无监督机器学习管道模型，该模型能够从粗网格 LES 中对类似 DNS 的流进行超分辨率重建。该机器学习管道模型由两个模型组成：无监督学习 CycleGAN，它将从粗网格 LES 获得的流重构为相当于过滤后的 DNS 的流；以及条件 GAN，它将过滤后的 DNS 流超解析为相当于 DNS 的流。它是由零件组成的模型。这个机器学习管道模型的关键思想是从过滤的DNS到DNS的超解析，这将传统的过滤的DNS视为等同于LES，因为粗格LES的流程与过滤的DNS有很大不同。与现有方法不同，我们的方法使用无监督机器学习 CycleGAN 将粗网格 LES 流重新配置为相当于过滤 DNS 的流。我们还进行了先验测试，发现所提出的无监督机器学习管道模型可以稳健地执行相当于来自粗网格 LES 的 DNS 的流的超分辨率重建，并且粗网格 LES 中的 SGS 应力分量可以是表明评估是可能的。此外，研究还表明，通过无监督机器学习管道计算出的SGS应力不仅具有正扩散，而且还具有负扩散。