Investigation of Compressor Cascade Flow Using Physics- Informed Neural Networks with Adaptive Learning Strategy

要約

この研究では、新しい物理情報ニューラル ネットワーク (PINN) アプローチを初めて利用して、圧縮機カスケードの流れ場を予測します。
従来のトレーニング方法とは異なり、学習率を動的に調整しながら適応重みを組み込むことで勾配の不均衡を軽減する新しい適応学習戦略がトレーニング プロセス中に使用され、PINN の収束が向上します。
ここでは、順問題と逆問題の両方を解くことによって、PINN のパフォーマンスが評価されます。
順問題では、PINN は、関連する変数間の物理的関係をカプセル化することにより、コンプレッサーの流れ場を正確に予測する際の有効性を実証します。
また、PINN は、特にインバース エンジニアリングの問題でよくあるように、完全な境界条件が欠如しているシナリオでは、従来の CFD アプローチに比べて明らかな利点を示します。
PINN は、部分速度ベクトルと壁近傍の圧力情報のみに基づいて圧縮機カスケードの流れ場を再構築することに成功しました。
さらに、PINN は、ラベル付きデータに起因するさまざまなレベルの偶発的不確実性の環境において堅牢なパフォーマンスを示します。
この研究は、PINN がターボ機械設計者に、現在主流の CFD 手法と並んで有望な追加オプションを提供できるという証拠を提供します。

要約(オリジナル)

In this study, we utilize the emerging Physics Informed Neural Networks (PINNs) approach for the first time to predict the flow field of a compressor cascade. Different from conventional training methods, a new adaptive learning strategy that mitigates gradient imbalance through incorporating adaptive weights in conjunction with dynamically adjusting learning rate is used during the training process to improve the convergence of PINNs. The performance of PINNs is assessed here by solving both the forward and inverse problems. In the forward problem, by encapsulating the physical relations among relevant variables, PINNs demonstrate their effectiveness in accurately forecasting the compressor’s flow field. PINNs also show obvious advantages over the traditional CFD approaches, particularly in scenarios lacking complete boundary conditions, as is often the case in inverse engineering problems. PINNs successfully reconstruct the flow field of the compressor cascade solely based on partial velocity vectors and near-wall pressure information. Furthermore, PINNs show robust performance in the environment of various levels of aleatory uncertainties stemming from labeled data. This research provides evidence that PINNs can offer turbomachinery designers an additional and promising option alongside the current dominant CFD methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google