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

ROM for FSI analysis in distributed memory parallel computing

用于分布式内存并行计算中FSI分析的ROM

基本信息

批准号：
22K17902
负责人：
金子栄樹
金额：
$ 3万
依托单位：
The University of Tokyo
依托单位国家：
日本
项目类别：
Grant-in-Aid for Early-Career Scientists
财政年份：
2022
资助国家：
日本
起止时间：
2022-04-01 至 2026-03-31
项目状态：
未结题

项目摘要

本研究の内容は、分散メモリ型並列環境において効率的な、流体構造連成問題の低次元モデリング手法を考案することである。低次元モデリング手法として代表的なPOD-Galerkin法に焦点を当てているが、今年度は流体構造連成解析のPOD-Galerkin法による低次元化を行った。この手法のプロセスは、データ収集のためのhigh-fidelity解析、データ分析による基底抽出、抽出した基底を利用したreduced-order model解析の三つに分かれる。まず、次元削減の対象となる流体構造連成解析を構築した。FSI解析手法の中でディリクレ―ノイマン型と呼ばれる代表的な分離型解法を採用し、さらに解析精度を高めるために反復解法を使用した。この解析システムは、流体のメッシュ移動、流体解析、そして構造解析という三つのサブソルバを有している。ただし、解空間ではなく、重み関数の関数空間を次元削減することを考えたため、データ収集の際はディリクレ境界条件上の値を0にしてデータを集めることにした。次に、データの分析には特異値分解を用い、低次の左特異ベクトルを基底として用いることにした。そして、その基底を用いて、前述の三つのサブソルバの低次元化を行った。このようにして構築された低次元モデルによる解析は、似たようなパラメータセットであれば低次元化される前の高精度解析と同等の解析結果を返す。これにより、低次元モデリングの実装がうまくできていることを確認した。

The contents of this study include the efficiency of the decentralized parallel environment and the low-dimensional manipulator method of connecting fluid structures to the problem. The POD-Galerkin method, which is represented by the low-dimensional モデリングとして, is the focal point, and this year's fluid structure continuous analysis is the POD-Galerkin method, which is a low-dimensional method.このtechniqueのプロセスは, データ collection のためのhigh-fidelity analysis, データ analysis によるbase extraction, extraction したbase をutilization したreduced-order model analysisの三つに分かれる.まず、Dimension reduction の対 resemble となるfluid structure analysis を construction した. Among the FSI analysis techniques, the separated solution method represented by the でディリクレ-ノイマン type and the とcall ばれる is adopted, and the さらにanalytic accuracy is high and the repeated solution method is used.このanalytic システムは, fluid のメッシュ movement, fluid analysis, そして structural analysis という三つのサブソルバを有している.ただし, solution space ではなく, heavy み Off number の Off number space を dimension reduction することを test えたため,データCollectionの记はディリクレ realm condition上の値を0にしてデータを集めることにした. Secondary に, データのanalytical にはspecific value decomposition をい, low のleft specific ベクトルをbase として用いることにした.そして, そのbaseを用いて, and the aforementioned の三つのサブソルバのlow-dimensionalization を行った.このようにしてconstruct されたlow-dimensional モデルによるANALYSISは、similar たようなパラメーHigh-precision analysis in front of low-dimensional low-dimensional and equal analysis results.これにより, low-dimensional モデリングの実装がうまくできていることをconfirmed した.