Offline accuracy is not enough: closed-loop instability and stabilisation of a wall-sensor neural estimator in opposition control

技術要約：オフラインの精度だけでは不十分：対抗制御における壁面センサ・ニューラル推定器の閉ループ不安定性と安定化

問題提起
対抗制御（Opposition control）は、バッファ層内の検出面における法線方向速度と等しく逆向きの壁法線方向吹出し・吸引速度を課すことで、皮膚摩擦抵抗を低減させる典型的な能動流体制御戦略である。この戦略は効果的である一方、壁面設置型センサからは得られない量（$z^+ \approx 14$ における速度）を必要とする。深層学習や線形確率推定は、壁面せん断応力（$\tau_x, \tau_y$）から内部流の物理量を高精度にオフラインで再構成できることを示してきたが、そのような推定器が、ライブな代理として閉ループ・フィードバックシステム内で機能するかどうかは未だ証明されていない。本研究が取り組む中心的な問いは、固定された流体状態に基づいて学習されたニューラル推定器が、自身が感知する流体を能動的に変化させるように展開された際に、安定性と性能を維持できるか否かである。

手法
著者らは、摩擦レイノルズ数 $Re_\tau = 180$ の乱流チャネル流の直接数値シミュレーション（DNS）を用いている。制御ループは以下の通りである：

1. センシング： コントローラが瞬時壁面せん断応力の成分（$\tau_x, \tau_y$）を読み取る。
2. 推定： 畳み込みゲート付き回帰ユニット（ConvGRU）ネットワークが、これらの壁面信号を検出面の壁法線方向速度（$\hat{w}$）へと写像する。回帰型アーキテクチャは時間的コンテキストを提供し、壁面からの単一のスナップショットからオフウォールの場を推論するという劣決定的な問題を解決する。
3. 作動： 推定された速度を用いて対抗則（$w_{wall} = -\alpha \hat{w}$）に基づき、ゼロ正味質量吹出し・吸引境界条件を課す。

本研究は、以下の3つの異なるフェーズで進行する：

• オフライン検証： 推定器は、統計的に定常な理想的な対抗制御（OC）流のデータを用いて学習され、オフラインで検証される。
• 閉ループ失敗解析： 推定器を直接展開する。著者らは不安定性のメカニズムを分析し、推定における小さな高波数誤差が、境界条件として課される際に蓄積し、流れを学習分布から逸脱させる（分布シフト）様子を観察した。
• 安定化戦略： 2つの補正策が導入される：
  1. スペクトル整合（Spectral Matching）： 展開される作動に対して、スペクトルローパスフィルタおよびスパン方向のスペクトル再スケーリングが適用される。これにより、推定された場のエネルギースペクトルを参照となる学習分布に強制的に一致させ、壁面信号では解像できない不安定な高波数モードを除去する。
  2. 閉ループ再学習（Closed-Loop Retraining）： 推定器は、制御された流れから収集されたデータを用いて再学習される（反復的なデータ収集）。これにより、推定器の学習分布を、制御されたシステムの実際のアトラクタに適合させる。

主な結果

• オフラインとオンラインの乖離： 推定器は、ほぼ完全なオフライン精度（相関 $\rho \approx 0.99$）を達成するが、閉ループ内では壊滅的に失敗する。介入がない場合、相関は15〜20粘性時間単位以内にゼロまで低下し、解は発散する。
• 失敗のメカニズム： 不安定性は高波数誤差によって引き起こされる。これらの誤差はオフラインではエネルギー的に無視できるが、境界条件として課されると、非線形フィードバックループによって増幅される。指数移動平均（EMA）やローパスフィルタのような標準的な対策は、発散を遅らせることはできるものの、相関の喪失を加速させ、機能的なコントローラを生み出すことはできない。
• 安定化の成功：
  • スペクトル整合のみを適用すると、ループは無期限に安定するが、推定器が依然として分布の不一致の中で動作しているため、抵抗低減率は14.6%にとどまる（理想的なOCの22.7%に対し）。
  • 制御された流れのデータを用いて推定器を再学習（反復プロセス）すると、流体の統計的性質が再整列される。第2段階の再学習（retrain-2）は、平均抵抗低減率**19.7%**を実現する安定したコントローラを生成し、理想的なOCの性能に極めて接近する。
  • 流動構造： 2回再学習された壁面のみのコントローラは、理想的な対抗制御に近い近壁乱流構造を再現する。平均速度プロファイル、レイノルズせん断応力、四重極イベントの割合（噴出およびスイープ）、および二次元エネルギースペクトルは、理想的なOCの場合とほぼ区別がつかず、わずかな近壁活動の過剰さ（低めの抵抗低減に関連）のみが異なる。

意義と主張
本論文は、オフラインの精度は不十分であると主張している。主要な障害は、流れをオフラインで再構成する能力ではなく、その再構成がコントローラによって流れを変化させた際の動的な一貫性にある。

著者らは、失敗の原因が、壁面センサによって解像可能なスペクトル帯域を制約することで、不安定化させる高波数エネルギーの注入を防ぐという、制御自体によって誘発される分布シフトにあることを特定した。本研究は、安定した壁面のみの対抗制御が、以下の二部構成の補正を通じて達成可能であることを示している：

1. スペクトルの一貫性： 作動を壁面センサによって解像可能なスペクトル帯域内に制限することで、不安定化させる高波数エネルギーの注入を防ぐ。
2. インループ再学習： 制御された流れから生成されたデータを用いて推定器を再学習することで、推定器が作成する特定の統計的状態に対して有効であり続けるようにする。

教師あり学習による推定器は、展開戦略が壁面センシングのスペクトル制限を考慮し、制御された流れのアトラクタに適応的に適応する場合、ライブな代理センサとして機能し得る。抵抗低減における残差（約3パーセントポイント）は、高波数帯における壁面から検出面へのコヒーレンスの根本的な限界、すなわちモデリングの失敗ではなく物理的な制約に起因するとされている。