文献

J-GLOBAL ID：202002271160327914   整理番号：20A0661325

機械学習の流体力学研究への応用 壁乱流制御の効率的最適化に向けた機械学習の応用

Application of Machine Learning Toward Efficient Optimization for Control of Wall Turbulence

著者 (3件)： 光石暁彦 (東京農工大 大学院工学府) ,  志村敬彬 (東京農工大 大学院工学府) ,  岩本薫 (東京農工大 大学院工学府)
資料名： ながれ  (日本流体力学会誌)
巻： 38  号： 5  ページ： 329-336  発行年： 2019年10月25日 
JST資料番号： Y0082A  ISSN： 0286-3154  CODEN： NRRGAF  資料種別： 逐次刊行物 (A)
記事区分： 解説  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： ・これまで乱流工学における重要な研究テーマである壁乱流の摩擦抵抗低減に取り組んできた中で,円管内流れの乱流摩擦抵抗を脈動制御により低減する技術に対して,機械学習を応用した結果を報告。
・直接数値計算(DNS)の結果を機械学習の教師データに用い,特定の波形の脈動を付与した乱流場の未来の時間発展を予測すると共に,学習外の脈動波形における抵抗低減効果の予測を試行。
・加減速の振幅や位相といった脈動乱流の大まかな性質や,加速時における渦構造の弱小化といった細かな特徴まで再現可能であることが判明。

シソーラス用語： 機械学習 ,  *流体力学 ,  最適化 ,  *摩擦抵抗 ,  円管 ,  *管内流 ,  脈動 ,  数値計算 ,  振幅 ,  位相 ,  流れ構造 ,  ニューラルネットワーク ,  流動解析 ,  教師データ ,  深層学習 ,  *抵抗低減 ,  *壁乱流 ,  乱流工学 ,  乱流場 ,  *乱流制御 ,  *CFD【流体力学】 ,  改変 ,  解析 ,  *物理学 ,  *科学 ,  *力学 ,  *連続体力学 ,  *自然科学
準シソーラス用語： CNN ,  *LSTM ,  渦構造 ,  時系列変化 ,  *数値流体解析

分類 (1件)： 管内流  (BC02090Q)

引用文献 (26件)：

• Brunton, S.L., Noack, B.R., Koumoutsakos, P.: Machine learning for fluid mechanics, arXiv preprint, arXiv:1905.11075v1.
• Ling, J., Kurzawski, A., Templeton, J.: Reynolds averaged turbulence modelling using deep neural networks with embedded invariance, J. Fluid Mech., 807 (2016) 155-166.
• Raissi, M., Perdikaris, P., Karniadakis, G.E.: Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations, J. Comput. Phys., 378 (2019) 686-707.
• Mohan, A.T., Daniel, D., Chertkov, M., Livescu, D.: Compressed convolutional LSTM: An efficient deep learning framework to model high fidelity 3D turbulence, arXiv preprint, arXiv:1903.00033.
• 深潟康二, 山本誠, 岩本薫, 長谷川洋介, 塚原隆裕, 福島直哉, 守裕也, 青木義満: 機械学習を用いた乱流の特徴抽出手法の構築に向けて, 日本流体力学会年会 2018 講演論文集, (2018).

タイトルに関連する用語 (6件)： 機械学習 ,  流体力学 ,  研究 ,  応用 ,  壁乱流 ,  最適化