权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

流体運動におけるエネルギーの流れの考察

流体运动中能量流的考虑

基本信息

批准号：
19J12482
负责人：
中井拳吾
金额：
$ 1.34万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for JSPS Fellows
财政年份：
2019
资助国家：
日本
起止时间：
2019-04-25 至 2021-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-19J12482/
关键词：
流体方程式モデリング時系列データ

项目摘要

水や空気などの多くの流体運動は, 偏微分方程式であるNavier‐Stokes 方程式により記述されることが知られている. 3次元流体運動においてエネルギーなどのマクロ量のみで閉じた時間発展方程式をNavier‐Stokes 方程式から解析的に得ることが困難であることが知られている. そこで, 近年様々な分野で利用されている機械学習に着目し, マクロ変数であるエネルギー変数だけで閉じるような時間発展モデルを作成した.乱れた流体運動は, 静穏なラミナー状態と激しく複雑化したバースト状態を時間, 空間間欠的に行き来することが知られている. 一方で, ラミナー状態の時系列データの予測はすでに成功している. そこで, 本研究ではバースト状態も含めて再現できるモデルの構成を行った. リャプノフ指数,不安定次元などが大きいバースト状態を含めた流体変数の機械学習によるモデルの構成をするためには時間遅れ座標系などの導入により効率よく学習をする必要がある. そこでまずは時間遅れ座標の遅れ時間と座標系の次元の最適なとり方について調べた. その結果, 遅れ時間については自己相関係数との関係をみつけ, 次元については相関係数の包絡線との関係をみつけた. 最も効率の良い時間遅れ座標系を導入した上で学習して得たモデルが時系列データのよい予測をすることを確認した. また, 密度分布やポワンカレ断面といった統計量についても予測したものと実際との比較を行った. さらに, 速度場が穏やかな流れから複雑な流れに時間間欠的に遷移する様子も再現可能であることも確認した.現実の現象では見たい現象の力学系の次元に比べて観測できる変数の個数が少ない場合が多いが, この結果はそのような場合にも機械学習が有効であることを指し示すものであり, 今後の発展が期待される.

Water, air, and many other fluid motions are described by partial differential equations, Navier‐Stokes equations. 3-D fluid motion is difficult to solve by solving Navier-Stokes equations. In recent years, the use of machine learning in the field of division has focused on the number of problems encountered in the development of time. Fluid motion is chaotic, static, dynamic, temporal, spatial, and dynamic. On the one hand, the prediction of the time series of the state is successful. This study was conducted to investigate the composition of the structure of the system. The index of instability, the state of instability, the mechanical learning of fluid number, the composition of time coordinate system, the introduction of efficiency and learning, etc. The time coordinate system is the most appropriate dimension of the time coordinate system. As a result, the correlation coefficient and the relationship between the time and the envelope of the correlation coefficient and the relationship between the time and the envelope of the correlation coefficient are not found. The best time frame is introduced into the learning process and confirmed by the prediction process. The density distribution is calculated by comparing the predicted values with the actual values. The velocity field was determined by the time of transition. The number of dimensions of the mechanical system of the phenomenon is less than that of the measurement, and the result is more than that of the mechanical learning.