技術要約: ChannelFlow-Tools

問題提起

データ駆動型のサロゲートモデルは、流体予測を加速させるために計算流体力学（CFD）においてますます活用されている。しかし、これらのモデルの信頼性は、学習データの品質、網羅性、および物理的一貫性に大きく依存する。既存のオープンデータセットの多くは固定されたコーパスとして配布されているため、制御された単一因子研究（例：パラメータを固定したまま形状のみを変化させる研究）を実行する能力には重大な欠落が存在する。これらの固定データセットでは、基礎となる生成ワークフローが利用不能であったり、検証されていなかったり、あるいは設定変更ができなかったりすることが多く、特定の研究要件に合わせてデータを再生成、適応、または拡張することが困難である。さらに、既存のリソースは、幾何学的表現（特に符号付き距離関数、SDF）および幾何学的入力と流体出力の間の整合性の独立した検証を欠いていることが多い。

手法

著者らは、3次元障害物を含むチャネル流のための、機械学習に適したデータセットを生成するために設計された、オープンソースで構成駆動型のパイプラインであるChannelFlow-Toolsを導入する。このパイプラインは、再現性を確保するために単一のHydra/OmegaConf構成ツリーとランダムシードによって駆動される4つの異なるステージで構成されている。

1. プロシージャル障害物幾何学生成:

   • OpenCASCADEをベースとしたCadQueryライブラリを利用して、3D障害物幾何学を生成する。
   • 球、立方体、円柱、円錐、トーラス、くさび形の6つの基本形状ファミリーをサポートする。
   • パラメータには、幾何学的寸法、方位、および配置座標が含まれる。
   • 設計空間の広範なカバレッジを確保するため、ランダム一様サンプリングと層化Sobolサンプリングの2つのサンプリングモードを採用している。
   • STLメッシュとしてエクスポートする前に、実現可能性チェック（壁面クリアランス、入口/出口距離、最小体積、および物体間のクリアランス）を実施する。

2. 符号付き距離関数（SDF）生成:

   • 生成されたSTLメッシュを、デカルト格子上のボクセル化されたSDFに変換する。
   • SDF ($\phi$) は、$\phi < 0$ が固体内部、$\phi > 0$ が流体、$\phi = 0$ が境界を表すスカラー場として障害物幾何学をエンコードする。
   • 出力は、リリースされたコーパスにおける $128 \times 64 \times 64$ および $256 \times 128 \times 128$ のグリッドを標的として、ユーザー定義の解像度で生成される。

3. 格子ボルツマン法（LBM）シミュレーション:

   • オープンソースのWALBERLAフレームワークを使用し、D3Q27速度ステンシルと累算衝突演算子を用いる。
   • $1024 \times 512 \times 512$ 格子単位の領域内で、生成されたSTL障害物上の流れをシミュレートする。
   • 20回の流体通過時間分実行し、最初の15回をウォームアップに使用し、最後の5回を時間平均速度場の蓄積に使用する。
   • 約100から15,000のレイノルズ数 ($Re_c$) をサポートする。

4. ML準備完了テンソル・パッケージング:

   • ネイティブのLBM出力とSDFを共通のデカルト格子上にリサンプリングする。
   • 共登録された幾何学フィールド、SDF、および時間平均速度成分 ($v_x, v_y, v_z$) を単一のHDF5ファイルにパッケージ化する。
   • すべてのアーティファクトが元の構成およびランダムシードに追跡可能であることを保証する。

主な貢献

本論文は、主に4つの貢献を述べている：

1. パイプライン: プロシージャル幾何学からSDF構築およびLBMシミュレーションを経て、共登録されたML準備完了テンソルを生成する、完全な構成駆動型ワークフロー。
2. 段階的な検証と監査: 幾何学、SDF、およびソルバーの各ステージにおける独立した検証、および最終的にパッケージ化されたテンソルのシーンごとのデータ整合性監査。
3. 再現可能なリリース: 設定、シード、およびメタデータと共にリリースされた、監査済みの障害物チャネル流コーパス。幾何学生成ステージは、SHA-256ハッシュによるバイト単位の同一性再現性が検証されている。
4. 有用性の実証: 450のシミュレーションからなるサンプルデータセットを用いて、3つのサロゲート・ベースライン（3D U-Net、FNO、U-FNO）を学習させ、直接的なダウンストリームの有用性と汎化の課題を特性化することで、有用性を評価した。

結果と検証

パイプラインとデータセットは、複数のレベルで厳密に検証された：

• 幾何学的完全性: 10,060シーンのメッシュ完全性監査により、正の体積とドメイン内への包含が確認された。パラメトリックな特異点（例：球の極）において軽微なテセレーションのアーティファクトが発生したが、これらは後続の処理を妨げるものではなかった。
• 再現性: Sobolサンプリングおよび擬似ランダムサンプリングの両方のモードにおいて、SHA-256ハッシュを用いたSTLメッシュおよびメタデータのバイト単位での同一再生が検証された。
• SDFの精度:
  • 解析的検証: 解析的SDF（球、円柱、立方体）に対する収束研究により、グリッド細分化に伴う $L_2$ 誤差の収束率が、基礎となるSTLテセレーションによって制限されるものの、一致することが示された。
  • コーパス監査: 350シーンのサブセットにおいて、単一物体ファミリーに対してはサブボクセル平均表面距離（$MSD/\Delta x \leq 1.0$）、マルチオブジェクトシーンに対しては許容可能な精度が示された。
• ソルバーの検証:
  • 標準的なベンチマーク: ソルバーは、$Re_s=1000$ における球の航跡統計、渦放出周波数、および抗力係数を、実験データ（Choi and Park）および文献（Roos and Willmarth）と一致する形で再現した。
  • シーンごとの監査: リリースされた450件のシミュレーションすべてが、完全性、質量保存（中央値不均衡 0.28%）、統計的収束、および幾何学と流れのレジストレーションのチェックを通過した。
• サロゲートの性能:
  • 学習曲線: 3つのモデル（U-Net、FNO、U-FNO）すべてにおいて、学習セットのサイズが増加するにつれて誤差が減少しており、学習可能な信号が存在することを示した。
  • 汎化: モデルは、分布外（OOD）の形状ファミリーやレイノルズ数でテストされた際、制御不能な失敗ではなく、物理的に解釈可能な劣化を示した。一般にU-FNOが他のアーキテクチャよりも優れた性能を示した。

重要性と主張

著者らは、ChannelFlow-Toolsを、最先端のサロゲート性能を主張するためのものではなく、幾何学を考慮したCFDサロゲートの制御されたベンチマークのための共有された、監査可能なインフラストラクチャとして位置づけている。

本論文は、その主要な価値が以下の能力にあることを強調している：

• 特定の因子（幾何学、レイノルズ数、解像度）を個別に分離して変化させることができる、制御されたデータセットを生成できること。
• 幾何学的表現（SDF）の忠実度と、流体データの物理的一貫性を独立して検証できること。
• 構成ファイルとシードを使用して、データセットを再現および拡張できること。これは、既存の多くのCFDデータセットに見られる「ブラックボックス」的な性質に対処するものである。

著者らは、本パイプラインの目的は、汎化問題自体を解決することではなく、汎化の課題を調査し、分布シフト下におけるサロゲートモデルの信頼性を研究するためのリソースを提供することであると控えめに主張している。リリースされたデータは、幾何学を考慮したモデリングに関する将来の研究の基礎となるものであり、パイプライン自体も、より複雑な幾何学やより高いレイノルズ数へと拡張できるように設計されている。