Optimal Designing of Tidal/Ocean Power Generator by Machine Learning Architecture

海洋発電機まわりの流速場を観測するため，専用の実験用水槽を構築した．従来の2次元スリット状水槽とは異なり，3次元的に流速場を観測可能となる．流速場の観測はPIV法を用いる．すなわち，直方体状の水槽の上および横からスリット状のレーザーを照射し，流体内に散布した粒子の動きを撮影時間を同期させた2台の高速度カメラで観測する．2台の高速度カメラで観測した1組の動画データから，3次元的に流速場を捉えることができる．以上の3次元的流速場測定実験を行うための基盤を構築することができた．実験用水槽の構築と同時に，海洋発電機の設計値から流速場を生成する（流速場を予測する）手法を構築した．変分オートエンコーダ（Variational Autoencoder）により海洋発電機の設計値データから流速場データを生成した．既に得られた2次元スリット状水槽の流速場の観測結果と，海洋発電機のミニチュアモデルの設計値を，深層学習ライブラリkerasで扱えるようにデータ化した．データ化の際は，多数の量を一度に扱えるようにテンソルという数値が多次元に羅列してある形式に落とし込んだ．テンソル化された設計値データから，潜在空間という低次元データに変換（デコード）し，この潜在空間上の低次元データから流速場データを復元（エンコード）する．多数の設計値と流速場のデータセットの関係を学習することにより，デコードとエンコードを適切に行うことが可能となる．以上の手法により，設計値から流速場の生成が可能となった．他に，畳み込みニューラルネットワークによる学習結果から得られる，そのネットワークが反応した部分を示す活性化フィルタの解析を行った．すべてのネットワークのノードにおける活性化フィルタを画像化して確認し，ネットワークの反応に関する特徴を考察した．また，物体検出モデルによる自動的な流れ場の特徴抽出も行った．

海洋発電機まわりの流速場を観測するため，専用の実験用水槽を構築した．従来の2次元スリット状水槽とは異なり，3次元的に流速場を観測可能となる．流速場の観測はPIV法を用いる．すなわち，直方体状の水槽の上および横からスリット状のレーザーを照射し，流体内に散布した粒子の動きを撮影時間を同期させた2台の高速度カメラで観測する．2台の高速度カメラで観測した1組の動画データから，3次元的に流速場を捉えることができる．以上の3次元的流速場測定実験を行うための基盤を構築することができた．実験用水槽の構築と同時に，海洋発電機の設計値から流速場を生成する（流速場を予測する）手法を構築した．変分オートエンコーダ（Variational Autoencoder）により海洋発電機の設計値データから流速場データを生成した．既に得られた2次元スリット状水槽の流速場の観測結果と，海洋発電機のミニチュアモデルの設計値を，深層学習ライブラリkerasで扱えるようにデータ化した．データ化の際は，多数の量を一度に扱えるようにテンソルという数値が多次元に羅列してある形式に落とし込んだ．テンソル化された設計値データから，潜在空間という低次元データに変換（デコード）し，この潜在空間上の低次元データから流速場データを復元（エンコード）する．多数の設計値と流速場のデータセットの関係を学習することにより，デコードとエンコードを適切に行うことが可能となる．以上の手法により，設計値から流速場の生成が可能となった．他に，畳み込みニューラルネットワークによる学習結果から得られる，そのネットワークが反応した部分を示す活性化フィルタの解析を行った．すべてのネットワークのノードにおける活性化フィルタを画像化して確認し，ネットワークの反応に関する特徴を考察した．また，物体検出モデルによる自動的な流れ場の特徴抽出も行った．