文献

J-GLOBAL ID：202102236826269692   整理番号：21A0475129

機械学習を用いたマッハ数・レイノルズ数変化にロバストなデータ駆動型LES壁面モデリング

A machine-learning approach to data-driven wall modeling in LES under various Mach number and Reynolds number conditions.

著者 (2件)： 谷野一樹 (東北大 大学院) ,  河合宗司 (東北大)
資料名： 数値流体力学シンポジウム講演論文集(CD-ROM)  (CFD講演予稿集(CD-ROM))
巻： 34th  ページ： ROMBUNNO.F10-1  発行年： 2020年 
JST資料番号： L3941B  ISSN： 2433-2674  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： ・本研究においては,高Reynolds数流れに対して開発された壁モデルラージエディシミュレーション(WMLES)に着目し,その課題である対数則ミスマッチ(LLM)を解決するための機械学習の導入を検討。
・計算手法として,WMLESおよび順伝播型ニューラルネットワークの説明。
・機械学習によるLLMの解決法について,壁面近傍の物理量の修正およびスパン平均修正量の求め方を説明。
・学習モデルの構築,機械学習モデルによる予測の検証,および機械学習モデルを用いたWMLESを解説。
・結論として,機械学習の予測精度が,信頼されない外挿の流れ場に対しても良い予測精度を示すことを確認。

シソーラス用語： *流動解析 ,  ラージエディシミュレーション ,  *機械学習 ,  ニューラルネットワーク ,  壁面 ,  Mach数 ,  Reynolds数

分類 (1件)： 流体動力学一般  (BC02010G)

引用文献 (19件)：

• Duraisamy, K., Iaccarino, G., and Xiao, H., 2019, “Turbulence Modeling in the Age of Data,” Annu. Rev. Fluid Mech, 51, pp. 357-377.
• Brunton, S. L., Noack, B. R., and Koumoutsakos, P., 2020, “Machine Learning for Fluid Mechanics,” Annu. Rev. Fluid Mech, 52, pp. 477-508.
• Ling, J., Kurzawski, A., and Templeton, J., 2016, “Reynolds averaged turbulence modelling using deep neural networks with embedded invariance,” Journal of Fluid Mechanics, 807, pp. 155-166.
• Yang, X. I. A., Zafar, S., Wang, J.-X., and Xiao, H., 2019, “Predictive large-eddy-simulation wall modeling via physics-informed neural networks,” Physical Review Fluids, 4.
• Piomelli, U. and Balaras, E., 2002, “Wall-layer models for large-eddy simulations,” Annual review of fluid mechanics, 34(1), pp. 349-374.

タイトルに関連する用語 (8件)： 機械学習 ,  マッハ数 ,  レイノルズ数 ,  ロバスト ,  データ駆動 ,  LES ,  壁面 ,  モデリング