Generalization capabilities of conditional GAN for turbulent flow under changes of geometry

要約

乱流は、数値的に解決するのが難しい広範囲の空間的および時間的スケールを持つ構造で構成されています。
ラージ エディ シミュレーション (LES) などの古典的な数値手法は、乱流構造の詳細を捉えることができますが、計算コストが高くなります。
乱流の合成モデリングに敵対的生成ネットワーク (GAN) を適用することは、この問題を克服するための数学的に十分に根拠のあるアプローチです。
この作業では、流れ構成で幾何学的変化が発生したときのGANベースの合成乱流発生器の一般化機能を調査します（たとえば、翼などの構造の空気力学的な幾何学的最適化）。
トレーニング データとして、高度に分解された LES から得られた周期的な後流の影響を伴う低圧タービン (LPT) ステータ周辺の流れを使用します。
LPT 固定子の周りの流れをシミュレートするために、固定子の前の回転後流の位置で条件付けられた条件付きの深い畳み込み GAN フレームワーク pix2pixHD を使用します。
一般化の実験では、特定の領域にあるウェイク位置の画像をトレーニング データから除外し、目に見えないデータをテストに使用します。
抽出されたウェイク位置の領域を連続的に拡張することにより、条件付きGANの一般化の能力と限界を示します。
最後に、対応する LES の結果と比較して、合成された流れ場の統計的特性を評価します。

要約(オリジナル)

Turbulent flow consists of structures with a wide range of spatial and temporal scales which are hard to resolve numerically. Classical numerical methods as the Large Eddy Simulation (LES) are able to capture fine details of turbulent structures but come at high computational cost. Applying generative adversarial networks (GAN) for the synthetic modeling of turbulence is a mathematically well-founded approach to overcome this issue. In this work, we investigate the generalization capabilites of GAN-based synthetic turbulence generators when geometrical changes occur in the flow configuration (e.g. aerodynamic geometric optimization of structures such as airfoils). As training data, we use the flow around a low-pressure turbine (LPT) stator with periodic wake impact obtained from highly resolved LES. To simulate the flow around a LPT stator, we use the conditional deep convolutional GAN framework pix2pixHD conditioned on the position of a rotating wake in front of the stator. For the generalization experiments we exclude images of wake positions located at certain regions from the training data and use the unseen data for testing. We show the abilities and limits of generalization for the conditional GAN by extending the regions of the extracted wake positions successively. Finally, we evaluate the statistical properties of the synthesized flow field by comparison with the corresponding LES results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google