A Validated LBM Dataset and Pipeline for Surrogate Modeling of Turbulent 3D Obstructed Channel Flows

技術要約：乱流3次元障害物チャネル流のサロゲートモデリングに向けた検証済みLBMデータセットおよびパイプライン

問題提起
中程度のレイノルズ数（Re）における3次元乱流の計算流体力学（CFD）シミュレーションは、現代のGPU並列化技術を用いても、依然として計算コストが極めて高い。機械学習（ML）によるサロゲートモデルは予測を加速させる経路を提示しているが、その厳密な評価は、複雑な幾何形状を備えた高品質で検証済みのデータセットの欠如によって妨げられている。Johns Hopkins Turbulence Databaseのような既存のデータベースは、工学的に関連のある複雑な物体周囲の3次元流ではなく、標準的な構成（例：等方性乱流）に焦点を当てている。さらに、エネルギーカスケードや高周波ダイナミクスといった重要な乱流現象を捉える一貫した物理的ベンチマークや指標がないため、最先端のニューラルオペレータ（例：Fourier Neural Operator、U-Net）の公平な比較が困難となっている。

手法
著者らは、レイノルズ数1,000から10,000の範囲において、プロシージャルに生成された幾何形状周囲の3次元チャネル流の学習データを生成するために設計された、再現可能なパイプラインを提示している。この手法は、主に以下の3つの段階で構成される：

1. 幾何形状およびデータ生成： パイプラインは、計算領域 $2 \times 1 \times 1$（チャネル高さ単位）内において、派生オブジェクト（円柱、長方形、球体、トーラス、くさび形）を生成する。シミュレーションには、高度に最適化されたコード生成型格子ボルツマン法（LBM）実装を提供する waLBerla フレームワークを使用する。
2. ソルバー構成： LBMソルバーは、標準的な多重緩和時間モデルよりも数値的安定性と精度に優れた D3Q27ステンシルと累乗衝突演算子（cumulant collision operators） を利用する。乱流に対する精度を高めるため、リミッティングを伴う4次精度移流拡散補正スキームを採用している。特筆すべきは、本アプローチが明示的なサブグリッドスケール（SGS）モデル（例：Smagorinsky）なしにエネルギーカスケードを捉えている点である。これは、この領域においてSGSモデルを追加すると物理的な精度が低下するというテスト結果に基づいている。流体・固体相互作用には、2次空間精度のための二次バウンスバックスキームを用いている。
3. 検証プロトコル： データセットは、実験測定値（具体的には球体流に関するChoi and Park [13]）および数値ベンチマークに対して厳密に検証されている。検証指標には以下が含まれる：
   • 抗力係数： 格子解像度を変えてRoos and Willmarth [15]と比較し、格子収束性を確認。
   • ストルーハル数： 渦放出ダイナミクスの検証。
   • 再循環長： 再循環バブルの大きさの測定。
   • 乱流変動： 流向方向の乱流強度および速度変動統計の評価。
   • 乱流構造： ヘアピン渦などのコヒーレント構造の視覚的検証。

最終的なデータセットは、42個のプロシージャル生成オブジェクト周囲の流体で構成され、$64^3$ から $1024 \times 512 \times 512$ の解像度でHDF5ファイルとして保存されている（シミュレーションはフル解像度で実行され、半分で保存される）。

主な貢献

• 検証済みパイプライン： 標準的なデータベースと工学的に関連のあるシナリオとの間のギャップを埋める、複雑な幾何形状周囲の3次元乱流データを生成するための、完全で再現可能なワークフロー。
• 厳密な検証： LBMソルバーの構成は、ストルーハル数、抗力係数、および乱流変動に関する実験データに対して検証されており、高解像度（$1024 \times 512 \times 512$）での包括的な格子収束研究によって数値的精度が確認されている。
• 標準化されたベンチマーク： 予測、超解像、および誤差補正のタスクにおいて、物理情報に基づいた指標を用いて、ニューラルオペレータ（FNO、U-Net）を標準化された方法で比較するためのフレームワークを確立した。
• 予備的なベースライン： 幾何形状マスクから時間平均流場を予測する、Fourier Neural Operator (FNO) および U-Net アーキテクチャの初期性能ベンチマークを提供。

結果

• ソルバーの精度： LBMソルバーは、抗力係数において収束挙動を示し、512セルの解像度において実験値と $\pm 6\%$ 以内で一致した。再循環長（$l_r/D \approx 1.8$）およびストルーハル数（$St \approx 0.18$）は文献値と一致した。瞬時スナップショットは、ヘアピン渦のような微細なコヒーレント構造を正常に再現した。
• サロゲートモデルの性能： 平均流向速度場の予測における予備的なベースラインテストにおいて：
  • U-Net（5層）は、最も低いエラー率（MSE: $1.22 \times 10^{-4}$、NRMSE: 0.0159）と最高のスループット（32.87 samples/s）を達成した。
  • FNO バリアント（Original, Hybrid, Factorized）は、U-Netと比較して高いエラー（MSE範囲: $6.01 \times 10^{-4}$ ～ $11.13 \times 10^{-4}$）と低いスループットを示した。
  • これらの初期結果に基づき、U-Netがさらなる研究において最も有望な候補として特定された。

意義および今後の展望
本論文は、この研究を、物理ベースのニューラルネットワークおよびハイブリッド微分可能数値ソルバーを進展させるための基礎的なステップとして位置づけている。検証済みのデータセットとパイプラインを提供することで、著者らは、乱流領域におけるニューラルオペレータの公平かつ体系的な比較を可能にすることを目指している。

著者らは、現在のベースライン結果はあくまで概念実証（proof-of-concept）であり、包括的なハイパーパラメータチューニングや分散推定が欠けていることを明示している。論文で概説されている今後の展望には以下が含まれる：

• 予測、超解像、および誤差補正タスクにおける U-Net および FNO バリアントの体系的な評価。
• スペクトルバイアス（微細構造を過度に平滑化してしまう傾向）に対処するための、敵対的成分およびスペクトル成分を組み合わせた拡張損失関数の実装。
• Time-Conditioned U-Net および FNO におけるアテンションメカニズムの探索。
• 実用的な適用可能性を評価するための、従来のソルバーとニューラルサロゲート間の計算コストの厳密な比較。

著者らは、検証アプローチと評価の優先順位に関するコミュニティからのフィードバックを歓迎しており、最終的な目標は、効率的で物理的に正確な3次元乱流用サロゲートモデルの開発を支援することであることを強調している。