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

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。

This research topic aims to solve the problem of LES implementation in general and its application in ultra-coarse lattice LES equation in mechanical learning. In the beginning of the study, the turbulence occurred in the current year, and the super-resolution reconstruction of the DNS equivalent was possible. The machine learning is composed of two parts: CycleGAN, Filtered DNS, Conditional GAN and Filtered DNS. The machine learning CycleGAN is used to filter the flow of DNS. This proposal is based on the implementation of a priority-based approach to mechanical learning, coarse lattice LES, DNS equivalent flow, and super-resolution reconstruction. In addition, teachers learn mechanically from each other and calculate the SGS force.