本研究の目的は、機械学習技術を「乱流ビッグデータ」に適用することにより、線形理論だけでは抽出できないが乱流の自己生成維持機構の本質である非線形モードを抽出し、その時間発展方程式を導出することにより、新たな非線形特徴抽出手法を構築することである。本研究では畳み込みニューラルネットワークに基づく自己符号器を用いて、高次元の流れ場情報を低次元の潜在変数に圧縮することにより特徴抽出を行い、その潜在変数の時間発展を支配する方程式をスパース回帰法を用いて導出した。この手法は円柱周りの非定常流などに対しては十分な精度での特徴抽出を行える一方、乱流に対してはさらなる低次元化の必要性が示唆された。
The purpose of this study is to apply the machine learning technology to "turbulent big data" to extract the nonlinear mode, which is the essence of the self-generation maintenance mechanism of turbulence and cannot be extracted by the conventional linear theory, and to detive its time evolution equation to construct a new nonlinear feature extraction method. In this study, we use an autoencoder based on convolutional neural networks to extract the features of flow fields by compressing high-dimensional flow field information into low-dimensional latent variables, and by using a sparse regression method to derive the equations that govern the time evolution of the latent variables. While this method can extract features with sufficient accuracy for unsteady flows around a cylinder, it was suggested that further reduction in dimension is necessary for turbulent flows.

研究種目 : 基盤研究 (A) (一般)
研究期間 : 2018～2020
課題番号 : 18H03758
研究分野 : 流体工学