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。

该研究主题旨在使用比常规LE更粗糙的光栅实现LES，并尝试使用机器学习图像生成技术对超透明晶格LES方程进行建模和驱动效果。今年是研究的第一年，我们建立了一个无监督的机器学习管道模型，该模型靶向通道湍流，并允许对相当于粗晶格LES的DNS的流量进行超分辨率重建。该机器学习管道模型是一个由两个部分组成的模型：无监督的学习周期内，该模型将用粗晶格LES获得的流量重建流量等于过滤的DNS的流量，以及使用条件GAN的模型，该模型从过滤的DNS流中进行超级溶质，该流量与DNS相等的流量。该机器学习管道模型的关键思想是，与现有的超级分解过滤DNS从过滤的DN到DNS不同，因为粗晶格的流动与从过滤的DN到DNS过滤的DNS相对于过滤的DNS显示了一个非常不同的方面，与使用过滤的DNS进行过滤的DNS相比，使用了过滤的DNS使用DNS，使用了DNS，使用了DNS的canger dns dns dns dns dns dns cangen。我们还进行了先验测试，并证明了所提出的无监督的机器学习管道模型允许对与粗晶格LES的DN相当的流量进行超分辨率重建，以便于进行强稳定性执行，从而可以评估粗晶格LES中的SGS应力分量。此外，已经揭示了使用无监督的机器学习管道计算出的SGS应力不仅具有正扩散，而且还具有负扩散。