Using Physics Informed Neural Network (PINN) and Neural Network (NN) to Improve a $k-ω$ Turbulence Model

この論文は、PINN とニューラルネットワークを用いて乱流拡散項のモデル化を改善し、DNS データと高い一致を示す新しい$k-\omega$乱流モデル（k-omega-PINN-NN モデル）を開発し、さらにその係数を Python 記号回帰（pySR）で代用可能にすることで商用 CFD コードへの実装を可能にしたことを報告しています。

要約

🌊 1. 問題：従来の「天気予報」は少しズレていた

まず、流体（空気や水）の流れを計算する際、科学者たちは「$k-\omega$モデル」という**「流れの予測マニュアル」**を使ってきました。これは、複雑な渦の動きを単純な数式で表すためのルールブックのようなものです。

• 良い点: このマニュアルは、**「平均的な風の向き」や「摩擦」**を非常に正確に予測できます。
• 悪い点: しかし、**「風のエネルギー（乱流の激しさ）」を予測すると、「実際よりもずっと弱く」**出てきてしまいます。
  • 例えるなら: 天気予報で「明日は晴れ（風向き）」は当たっても、「風の強さ」が「微風」と予測して、実際には「暴風」だったようなものです。

この論文の著者（ラース・ダビッドソン氏）は、「この『風の強さ』の予測を、AI を使って修正しよう」と考えました。

🛠️ 2. 解決策：AI 助手を 2 人雇う（PINN と NN）

著者は、AI を 2 つの役割に分けて導入しました。

① 最初の AI（PINN）：物理法則の「探偵」

**「Physics Informed Neural Network (PINN)」**という AI です。

• 役割: すでに存在する「超精密な実験データ（DNS）」をヒントに、マニュアルのどこが間違っているかを突き止めます。
• 発見: この AI は、「乱流のエネルギーが拡散する（広がる）仕組み」を記述する数式が、実際とはズレていることを発見しました。
• 行動: PINN は、そのズレを補正するための**「新しい係数（修正値）」**を計算し出しました。
  • 例えるなら: 料理のレシピ（マニュアル）で「塩の量」が間違っていると気づき、「実際にはこのくらいの塩が必要だ」という**「正解の塩」**を AI が探り当てた状態です。

② 2 人目の AI（NN）：実用的な「翻訳者」

**「Neural Network (NN)」**という AI です。

• 役割: 先ほどの PINN が出した「正解の塩」を、**「どんな状況でも使える一般的なルール」**に変換します。
• なぜ必要か？ PINN が出した答えは、特定の条件（例：特定の管の中の流れ）にしか当てはまりません。これを、**「どんな川や風でも使える汎用的なマニュアル」**に書き換える必要があります。
• 行動: NN は、2 つのヒント（「壁からの距離」と「流れの強さ」）を見て、「今この状況なら、PINN が出した修正値の『これくらい』を使えば OK」と判断するルールを作りました。
  • 例えるなら: 「今日は天気が悪いから塩を多めに」という特定の指示を、「湿度と気温の組み合わせによって、自動で塩加減を調整するスマートな調味料」に変換したようなものです。

🚀 3. 結果：新しいマニュアル「k-ω-PINN-NN モデル」

この 2 つの AI を組み合わせて作られた新しいマニュアル（モデル）は、以下のような成果を上げました。

• 管の中の流れ（チャネルフロー）: 従来のマニュアルでは「風の強さ」が弱すぎましたが、新しいマニュアルでは**「完璧に」**予測できました。
• 壁に沿った流れ（平板境界層）: 摩擦や速度の予測も非常に優秀でした。
• 複雑な地形（丘の上を流れる風）: 丘を越える風のように、渦が複雑に巻き起こる場所でも、従来のマニュアルより**「はるかに正確」**にシミュレーションできました。

💡 4. 驚きの発見：AI は「定数」になった？

最も面白い発見は、複雑な地形（丘）のシミュレーションでは、AI が出した修正値が、場所によらず**「一定の数字」**になったことです。

• 例えるなら: 「どんな料理でも、塩は常に 1.21g で OK」という、驚くほど単純なルールが、複雑な状況でも機能してしまったのです。
• ただし、この「一定の数字」だけを管の中の流れに適用すると失敗しました。つまり、**「状況に応じて AI が柔軟に判断する」**ことが重要だったのです。

📝 5. 未来への展望：AI を「数式」に変える

最後に、著者は「AI モデルをそのまま使うと、市販のシミュレーションソフトに組み込むのが大変だ」と指摘しています。
そこで、**「記号回帰（pySR）」という技術を使って、AI が考えた複雑なルールを、「誰でも読めるシンプルな数式」**に変換する実験を行いました。

• 例えるなら: 「AI が考えた魔法のレシピ」を、「普通の料理本に載るような、誰でも書ける数式」に書き換えたのです。これにより、この研究成果は、世界中のエンジニアが使えるようになります。

---

まとめ

この論文は、**「従来の物理モデルの弱点を、AI が『探偵』として見つけ出し、さらに『翻訳者』として実用的なルールに変換した」**という画期的な試みです。

• PINN: 物理法則に基づいて「正解」を探す。
• NN: その正解を「どんな場所でも使えるルール」にする。
• 結果: 風や水流のシミュレーションが、これまでになく正確になった。

これは、AI と物理学が手を取り合って、より現実世界に近いシミュレーションを実現した素晴らしい例と言えます。

技術概要

論文要約：PINN と NN を用いた k-ω 乱流モデルの改善

論文タイトル: Using Physics Informed Neural Network (PINN) and Neural Network (NN) to Improve a k −ω Turbulence Model
著者: Lars Davidson (Chalmers 工科大学)

1. 背景と問題提起

レイノルズ平均ナビエ・ストークス（RANS）方程式に基づく乱流モデル、特に $k-\omega$ モデル（Wilcox モデル）は、完全発達したチャネル流れや平板境界層流れの平均速度場を良好に予測できます。しかし、以下の課題が存在します。

• 乱流運動エネルギー（$k$）の過小評価: 多くの 2 方程式モデルと同様に、$k-\omega$ モデルは乱流運動エネルギー $k$ を著しく過小評価します。
• 乱流拡散項の誤差: DNS（直接数値シミュレーション）データと比較すると、$k$ 方程式における「生成項」や「散逸項」は比較的正確ですが、「乱流拡散項」のモデル化が不十分であることが判明しました。
• 既存の PINN 適用の限界: 従来の PINN 研究では、モデル定数（$\alpha, \beta, \sigma_k$ など）の最適化が行われてきましたが、定数ではなく「関数」としての修正や、拡散項そのものの改善に焦点を当てたアプローチは限られていました。

2. 提案手法：$k-\omega$-PINN-NN モデル

本論文では、物理情報ニューラルネットワーク（PINN）と通常のニューラルネットワーク（NN）を組み合わせた新しい $k-\omega$ モデル（$k-\omega$-PINN-NN）を提案します。手法は以下の 3 つの段階で構成されます。

段階 1: PINN による乱流粘性とプラントル数の導出

• 目的: $k$ 方程式の乱流拡散項を改善し、DNS データと一致させる。
• 手法:
  • 完全発達チャネル流れにおいて、DNS から得た $k$、生成項 $P_k$、散逸項 $\varepsilon$ を既知とし、$k$ 方程式を乱流粘性 $\nu_{t, \text{PINN}}$ に関する常微分方程式（ODE）として再構成します。
  • PINN を用いてこの ODE を解き、DNS の乱流拡散項と一致する $\nu_{t, \text{PINN}}$ を求めます。
  • 得られた $\nu_{t, \text{PINN}}$ から、新しい乱流プラントル数 $\sigma_{k, \text{PINN}} = \nu_t / \nu_{t, \text{PINN}}$ を定義します（$\nu_t = k/\omega$）。
• 結果: $\sigma_{k, \text{PINN}}$ は壁面近傍で標準モデルよりも大きな値を示し、拡散項の改善に寄与します。

段階 2: 平均速度場の維持のための補正関数の導入

• 課題: $k$ を修正すると、$\nu_t = k/\omega$ の関係から $\omega$ も変化し、結果として平均速度場（および乱流粘性）が標準モデルからずれてしまう可能性があります。
• 解決策: 平均速度場（および $\nu_t$）を標準 $k-\omega$ モデルと一致させたまま、$k$ と $\omega$ の値を修正するために、以下の 2 つの補正関数を導入します。
  1. $C_{k, \text{PINN}}$: $k$ 方程式の散逸項に掛ける関数。
  2. $C_{\omega 2, \text{PINN}}$: $\omega$ 方程式の消滅項に掛ける関数。
• これらの関数は、DNS データと標準モデルの $\nu_t$ が一致する条件（$\nu_{t, k-\omega} = \nu_{t, \text{DNS}}$）から導出されます。

段階 3: ニューラルネットワーク（NN）による汎用化

• 課題: 上記の $\sigma_{k, \text{PINN}}, C_{k, \text{PINN}}, C_{\omega 2, \text{PINN}}$ は壁面距離 $y/\delta$ の関数として定義されており、複雑な再循環流れ（例：周期山流れ）には適用できません。
• 解決策: これらの補正係数を、NN モデルで予測可能な関数として学習させます。
  • 入力変数: 無次元化された全応力 $\tau_{\text{tot}}/u_\tau^2$ と、乱流粘性比 $\nu_t/(y u_\tau)$。
  • 出力変数: $\sigma_{k, \text{NN}}, C_{k, \text{NN}}, C_{\omega 2, \text{NN}}$。
  • 学習データ: 段階 1 と 2 で得られた PINN 結果をターゲット（正解ラベル）として使用。
• これにより、モデルは局所的な流れ場の特徴に基づいて係数を決定できるようになり、複雑な流れへの適用が可能になります。

3. 主要な結果

完全発達チャネル流れ ($Re_\tau = 550 \sim 10,000$)

• 速度分布: 標準モデルと同様に良好に予測されます。
• 乱流運動エネルギー ($k$): 標準モデルが過小評価するのに対し、$k-\omega$-PINN-NN モデルは DNS データと非常に良く一致します。
• 乱流粘性: 平均速度場を維持するため、標準モデルとほぼ同じ分布を示します。
• NN 係数の挙動: 入力変数に依存して滑らかに変化し、壁面近傍で値が減少する傾向を再現しています。

平板境界層流れ ($Re_\theta = 4,500$)

• 摩擦係数と速度分布は両モデルとも良好ですが、$k-\omega$-PINN-NN モデルは $k$ のピーク値を標準モデルより大きく予測し、形状も DNS に近づきます（ただし、ピーク値自体は DNS よりやや大きめに出る傾向があります）。

周期山流れ（再循環流れ）

• 速度分布: 標準 $k-\omega$ モデルに比べて、特に山頂付近や剥離領域で DNS との一致度が大幅に向上しました。
• せん断応力: 改善が見られますが、山頂付近の外部領域では過大評価される傾向は残っています（これはブーシネスク仮説に起因する輸送効果の欠如によるものと考えられます）。
• NN 係数の挙動: 山流れでは、NN が学習範囲内の入力変数に対してほぼ一定の値（$\sigma_{k, \text{NN}} \approx 1.21, C_{k, \text{NN}} \approx 0.41, C_{\omega 2, \text{NN}} \approx 0.043$）を出力することが確認されました。この定数値をチャネル流れに適用すると精度が落ちるため、NN による適応的な係数決定の重要性が示されました。

4. 結論と意義

主な貢献

1. 新しいモデル化手法の確立: PINN を用いて物理方程式の特定の項（拡散項）を直接改善し、その結果を NN で汎用的な関数として学習させるハイブリッド手法を提案しました。
2. 物理的整合性の維持: $k$ の精度を向上させつつ、平均速度場（乱流粘性）を標準モデルと整合させるための補正項（$C_k, C_{\omega 2}$）を導出しました。
3. 実用性の向上: 学習済み NN モデルを CFD ソルバーに組み込むことで、複雑な流れ場でも高精度な予測が可能であることを実証しました。

今後の展望と符号回帰（Symbolic Regression）

• 論文の最後に、NN モデルを Python の符号回帰ライブラリ（pySR）を用いて代数式（記号回帰）に置き換える例が示されています。
• 得られた式（式 21）は、商用 CFD ソフトウェアへの実装が容易であるという利点を持ちます。NN モデルの「ブラックボックス」性を克服し、物理的に解釈可能な式として乱流モデルを改善する道筋を示しています。

総評

この研究は、機械学習（特に PINN と NN）を乱流モデルの「定数調整」だけでなく、「物理項そのものの構造改善」に応用した画期的な試みです。特に、平均流と乱流エネルギーのバランスを崩さずに $k$ の予測精度を劇的に向上させた点は、RANS モデルの発展において重要なステップと言えます。また、最終的に記号回帰による式導出を試みている点は、産業応用への架け橋として非常に意義深いです。