格子ボルツマン法のための不変ネットワークに基づく機械学習強化衝突演算子

科学分野:

• 計算流体力学
• 機械学習
• 数値シミュレーション

背景:

• 格子ボルツマン法（LBM）は、流体力学の数値ソルバーです。
• 機械学習（ML）をLBMに統合することで、精度と安定性を向上させることができます。
• 衝突演算子は、LBMにおけるML統合の重要なコンポーネントです。

研究 の 目的:

• LBMのための新しいニューラル衝突演算子（NCO）を開発すること。
• MLを使用してLBMシミュレーションの堅牢性と精度を向上させること。
• 安定性を向上させるために、非物理的モーメントのリラクセーション率を最適化すること。

主な方法:

• 等変衝突演算子上で動作する不変ニューラルネットワークを構築しました。
• スペクトル強制を用いた強制等方性乱流シミュレーションを使用してNCOをトレーニングしました。
• エネルギー散逸スペクトルの不一致を最小限に抑え、カスタム損失関数を介して数値的散逸を調整しました。

主要な成果:

• NCOは、BGKおよびKBC演算子と比較して、精度と安定性が向上したことを示しました。
• 完全に解決されていない3次元テイラー・グリーン渦（TGV）流におけるダイナミクスの正確な予測。
• 乱流の3次元円筒流シミュレーションにおける堅牢なパフォーマンス。

結論:

• NCOは、LBMシミュレーションを強化するための有望なアプローチを提供します。
• LBM衝突演算子へのML統合は、より正確で安定した結果につながります。
• 代替トレーニング手順により、メモリフットプリントを削減した高レイノルズ数シミュレーションが可能になります。