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

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。

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。