Forward Gradients for Data-Driven CFD Wall Modeling

要約

数値流体力学 (CFD) は、ガス タービンやその他の多くの産業/科学用途の設計と最適化に使用されます。
ただし、実際の使用は計算コストが高いために制限されることが多く、壁近くの流れの正確な分解能がこのコストに大きく寄与しています。
機械学習 (ML) やその他のデータ駆動型の手法は、既存の壁モデルを補完できます。
それにもかかわらず、これらのモデルのトレーニングは、バックプロパゲーションによって要求される大量の計算量とメモリ使用量によってボトルネックになっています。
最近の研究では、ニューラル ネットワークの勾配を計算するための代替案が提示されています。この代替案では、勾配の不偏推定量が 1 回の前方スイープで計算されるため、個別の前方スイープと後方スイープは必要なく、スイープ間の中間結果の保存も必要ありません。
この論文では、予測精度を維持しながら計算オーバーヘッドを削減するために壁境界流れ CFD シミュレーションの代理として使用できる可能性のあるサブグリッド壁モデルをトレーニングするためのこのアプローチの適用について説明します。

要約(オリジナル)

Computational Fluid Dynamics (CFD) is used in the design and optimization of gas turbines and many other industrial/ scientific applications. However, the practical use is often limited by the high computational cost, and the accurate resolution of near-wall flow is a significant contributor to this cost. Machine learning (ML) and other data-driven methods can complement existing wall models. Nevertheless, training these models is bottlenecked by the large computational effort and memory footprint demanded by back-propagation. Recent work has presented alternatives for computing gradients of neural networks where a separate forward and backward sweep is not needed and storage of intermediate results between sweeps is not required because an unbiased estimator for the gradient is computed in a single forward sweep. In this paper, we discuss the application of this approach for training a subgrid wall model that could potentially be used as a surrogate in wall-bounded flow CFD simulations to reduce the computational overhead while preserving predictive accuracy.

arxiv情報

著者 Jan Hückelheim,Tadbhagya Kumar,Krishnan Raghavan,Pinaki Pal
発行日 2023-11-20 16:12:34+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, physics.flu-dyn パーマリンク