Multi-Fidelity Surrogate Modelling for Uncertainty-Aware Prediction of Disturbed Velocity Fields in Virtual Flow Metering

技術要約：仮想流量計における乱れた速度場の不確かさを考慮した予測のためのマルチフィデリティ・サロゲートモデリング

問題提起
乱れた流れ条件下での速度場を正確に予測することは、流量計の測定誤差を定量化し、産業用配管システムにおける計測トレーサビリティを確立するために極めて重要である。数値流体力学（CFD）は、幾何学的構成や運転条件の広範なカバー範囲を提供する一方で、モデリングおよび数値的な簡略化による系統的なバイアスを導入する。対照的に、レーザドップラー流速計（LDV）は、高度に正確でトレーサブルな点計測を提供するが、空間的なカバー範囲が限定的であり、全視野特性化のために展開するにはコストが高い。既存の仮想流量計用のサロゲートモデルは、主にスカラー出力（例：流量）に焦点を当てており、二次元速度場の空間分解能を持つ予測や、校正された不確かさの範囲を提供できていない。さらに、豊富ではあるがバイアスを含むCFDデータと、疎ではあるが正確なLDV計測を、統一されたフレームワーク内で速度場予測へと体系的に統合する方法は、未解決の課題として残されている。

手法
著者らは、CFDデータとLDVデータを融合するための、自己回帰型マルチフィデリティ・ガウス過程回帰（AR-MF GPR）に基づく3段階のフレームワークを提案している。

1. スペクトル分解と次元削減：
   高次元の出力空間（断面あたり1200グリッドポイント）を、方位角フーリエ解析による方位角速度場の正規化を通じて次元削減する。流場は、軸対称な基本プロファイル（モード $m=0$）と、高次の非対称な乱れモード（$m \geq 1$）に分離される。エネルギー閾値基準を用いて、本研究では乱れエネルギーの95%を捉える $K=5$ 個のモードを保持する。これにより、特徴量の次元を1200からサンプルあたり330個のスペクトル係数へと削減し、二次渦ペアを含む支配的な流れ構造を維持しながら、計算効率を可能にする。

2. AR-MF GPRモデリング：
   軸対称成分と非対称成分に対して、個別のマルチフィデリティ・ガウス過程を学習させる。本フレームワークでは、低忠実度ソースとして196件のCFDシミュレーションを、高忠実度リファレンスとして28件のLDV計測を利用する。

   • 低忠実度GP ($G_{P,L}$): 全てのCFDデータを用いて学習され、グローバルな傾向と幾何学的依存性を捉える。
   • 不一致GP ($G_{P,D}$): スケーリングされたCFD予測とLDV計測の間の残差に対して学習され、系統的なバイアスを補正する。
   • スケーリング係数 ($\rho$): 低忠実度の予測の振幅を高忠実度データに合わせるために、最小二乗法を介してグローバルなスケーリング係数が推定され、その後に不一致補正が行われる。
   • 入力空間: モデルは、4次元の特徴ベクトル（曲率半径 $R_c/D$、体積平均速度 $w_{vol}$、下流距離 $z/D$、およびエルボ間距離 $d_l/D$）をスペクトル係数へとマッピングする。

3. 不確かさのコンフォーマル校正：
   GPの分布仮定に依存せずに不確かさの定量化を保証するため、事後分散はコンフォーマルに校正される。保持された校正セットを用いて、予測区間が特定の経験的被覆確率（95%）を達成することを保証する校正係数 ($k_{conf}$) が決定される。このステップにより、生のGP事後分散に見られる潜在的な過大または過小な信頼性を補正する。

主な貢献

• 統一されたマルチフィデリティ・フレームワーク： 疎で計測トレーサブルなLDVデータと、豊富ではあるが物理的に一貫しているもののバイアスを含むCFDデータを、全視野予測のために融合する新しいアプローチを提示している。
• 空間分解能を持つ不確かさ： スカラー量に焦点を当てた従来のサロゲートモデルとは異なり、本フレームワークは校正された不確かさの範囲を伴う、管断面全体の二次元速度分布を予測する。
• スペクトル解析による次元削減： 方位角フーリエ分解の使用により、流れ構造の物理的忠実度を維持しながら、出力空間を削減し、マルチ出力GPの効率的な学習を可能にする。
• 分布フリーの校正： コンフォーマル予測の適用により、報告される不確かさの区間が保証された経験的被覆を持つことを確実にし、標準的なGP事後区間に見られる誤校正に対処している。

結果
モデルは、学習や校正に使用されていない独立したLDVデータに対して検証された。

• 精度： AR-MF GPRは、乱れ近傍位置 ($z/D = 2.43$) において正規化軸方向速度のRMSEを72.9%、遠方領域 ($z/D = 15.69$) において**82.1%**低減させた（補正前のCFDと比較）。
• バイアス： モデルは検証セットにおいてほぼゼロの平均バイアス ($-0.00005$) を達成しており、系統的な過大または過小予測がないことを示している。
• 不確かさの定量化： コンフォーマルに校正された95%予測区間は、**96.8%**の経験的被覆を達成し、不確かさの推定が適切に校正されていることを示した。
• パフォーマンス： 学習済みモデルはリアルタイム（1回の評価につき0.5秒未満）で予測が可能であり、基礎となるCFDシミュレーションに要する数時間の計算時間に対し、迅速なパラメータスタディに適している。

意義および主張
本論文は、このフレームワークが不確かさを考慮した仮想流量計を可能にすると主張している。校正された不確かさを伴う全速度場を予測するサロゲートモデルを提供することで、あらゆるタイプの流量計に対する設置効果の補正を、新しい物理実験を行うことなく直接計算できる。著者らは、このモデルが、CFDから学習した幾何学的傾向を活用しつつ、疎な高忠実度データを用いて系統的なバイアスを補正することにより、実験データが存在しない設計空間の領域においても特に価値があることを強調している。本研究は、速度場の不確かさを完全な仮想計測チェーンへと伝播させ、流体機械校正係数の不確かさを決定するための基礎を築くものであり、これにより産業用配管システムにおける計測トレーサビリティをサポートするものである。

著者らは、空間的に均質なノイズの仮定、フーリエ係数間の相関の無視、および現在のダブルSエルボ構成への制限といった限界についても控えめに述べている。今後の課題としては、CFDデータベースを他のレイノルズ数へ拡張すること、およびサロゲートを仮想流量計の校正手順に直接統合することが挙げられている。