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

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

基本信息

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

项目摘要

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。

This study aims to provide insights into the deep learning and innovation of fluid measurement techniques. This study is based on the theme of "Measurement of the instantaneous distribution of wall forces in supersonic flow." The relationship between physical quantity and wall breaking force is discussed in detail. Deep learning, high precision, high accuracy, high accuracy, high precision, high precision, high precision. In 2022, the calculation load of the comparison is small, and the calculation grid is used to pay the LES of the boundary layer. The results of this study are as follows: Deep Learning, Python and the Environment Teachers are able to easily and practically obtain the parameters of possible flow velocity, high and Austrian flow velocity, and thermodynamic state quantities such as temperature and pressure. Deep learning is the most important part of learning. It is the most important part of learning. The results show that the boundary layer thickness is 20% and the height is 50%; the wall surface is separated from the boundary layer thickness by the boundary layer thickness; the boundary layer thickness is 20% and the wall surface is separated from the boundary layer thickness by the boundary layer thickness; the boundary layer thickness is 20% and the wall surface is separated from the boundary layer thickness by the boundary layer thickness by the boundary layer thickness; the boundary layer thickness is 20%; the boundary layer thickness is 20% and the wall surface is separated from the boundary layer thickness by the boundary layer thickness by the boundary layer thickness; the boundary layer thickness is 20% and the wall surface is separated from the boundary layer thickness by the boundary layer thickness; the boundary layer thickness is 20% and the wall surface is separated from the boundary layer thickness by the boundary layer thickness; the boundary layer thickness by the boundary layer thickness; the boundary layer thickness; In 2022, we will start to introduce the "KEEP" program, which is based on deep learning and high precision LES stability. KEEP is the first to introduce a non-viscous computational tool for fluid dynamics. The calculation of the time development of the system is carried out and the correctness of the system is verified.