Uncertainty-aware reduced-order modelling with sparse sensing and data assimilation for forecasting combustion dynamics

燃焼とは、燃料と空気による激しく混沌とした対話であり、エンジンの動力となり、私たちの家を暖めるプロセスですが、完璧な精度で予測することは極めて困難であることで知られています。炎の中では化学反応が電光石火の速さで起こり、熱と圧力の渦巻くパターンを作り出し、瞬きする間に変化します。これらのシステムを理解するために、科学者たちはしばしばスーパーコンピュータを用いてあらゆる微細な詳細をシミュレーションしますが、これらのシミュレーションは計算負荷があまりにも高いため、飛行中のジェットエンジンを監視するといったリアルタイムの状況に役立つほどの速さで実行することができません。このギャップを埋めるために、研究者たちは「低次モデル（reduced-order models）」を開発してきました。これは、すべての分子を計算することなく、炎の最も重要な動きを捉えるように物理現象を簡略化したバージョンです。しかし、これらの簡略化されたモデルは、炎が学習フェーズとは異なる挙動を示した場合に軌道から外れてしまうことがあり、また、科学者が炎の全体像を見ることができず、わずかな点在するセンサーのみに頼って暗闇の中で何が起きているかを推測しなければならない状況では、苦戦することがよくあります。

フランスとベルギーの研究チームは、データがノイズを含んでいたり不完全であったりする場合でも、これらの簡略化されたモデルを軌道に乗せ続けるための新しい方法を開発しました。彼らは、複雑な炎のパターンを分解するスマートな手法と、それらのパターンがどのように進化するかを予測する統計的手法を組み合わせ、さらに限られたセンサーデータを用いて自身の推測を常に修正するシステムを作り上げました。実世界の乱流炎の画像と、層流炎の詳細なコンピュータシミュレーションの両方を用いてこのアプローチをテストした結果、彼らの手法は火の将来の挙動を予測することに成功しました。最も重要なことは、初期の予測モデルがあまり優れていなかったとしても、慎重に選ばれた場所から少数の温度測定値を入力することでエラーを修正し、予測を高いレベルの精度へと引き戻すことができると発見したことです。

この研究の核心は、研究者が炎の複雑さをどのように扱うかという点にあります。炎全体を一度に追跡しようとする代わりに、彼らはまず「マルチスケール固有直交分解（multi-scale proper orthogonal decomposition）」と呼ばれる手法を用いて、炎の挙動を振動の速さに基づいて明確な層へと分離します。ゆっくりとしたリズムで揺れる一方で、急速にまたたく炎を想像してみてください。この手法は、そのゆっくりとした揺れを素早いまたたきから分離し、混沌とした混乱を、一連の明確で管理可能なリズムへと変えるのです。この炎がより単純なリズムへと分解されると、研究者たちは「ガウス過程回帰（Gaussian process regression）」として知られる統計ツールを使用して、これらのリズムが時間の経過とともにどのように変化するかを予測します。このツールが特に有用なのは、単一の答えを出すだけでなく、予測とともに不確実性の尺度を提供し、システムが自身の予測に対してどの程度の自信を持つべきかを教えてくれるからです。

このフレームワークをテストするために、チームは2つの非常に異なるシナリオに適用しました。一つ目は、燃焼室に入る空気を変調させることで強制的に振動させた、実世界の渦巻く炎を含む実験データセットです。二つ目は、燃料の流れが複数の周波数で変調され、より複雑で多音的な応答を生み出す、高忠実度の層流炎のコンピュータシミュレーションです。どちらの場合も、研究者たちはデータの一部を用いてモデルを学習させ、その後、将来の挙動を予測させました。彼らは、数学的な「カーネル（kernel）」、すなわちモデルが炎のリズムへの時間の影響を理解するために使用する規則の選択が極めて重要であることを発見しました。繰り返される周期的なパターンを認識するように設計されたカーネルは、ノイズの多い実験的な炎と複雑なシミュレーションの両方において、他のカーネルよりも一貫して優れた性能を示し、最も安定した正確な予測を提供しました。このことは、燃焼のダイナミクスを捉えるために、モデルに繰り返しサイクルを期待することを明示的に教え込むことが強力な方法であることを示唆しています。

しかし、予測の質は、それが受け取る情報に依存します。現実世界のアプリケーションでは、科学者がシステム全体を完璧に見通せることは稀です。研究者たちは、炎の非常に限定された窓領域しか見ることができない、あるいはわずかな数のセンサーにしかアクセスできないと仮定することで、この制限をシミュレートしました。彼らは、これらの乏しい手がかりから炎の全状態を再構成するための3つの異なる方法をテストしました。標準的な重み付けアプローチ、安定性を加える正則化手法、そして学習データからセンサーと炎の関係を学習するベイズ的アプローチです。結果として、センサーが少ない場合や視界が遮られている場合、正則化手法とベイズ的手法の方がはるかに堅牢であることが示されました。標準的な手法は、利用可能なデータが減少するにつれて苦戦し大きな誤差を生じさせましたが、より洗練されたアプローチは精度を維持しており、欠落している情報を数学的にどのように扱うかが、情報そのものと同じくらい重要であることを証明しました。

最後のパズルのピースは「データ同化（data assimilation）」であり、これはモデルの予測が新しい観測によって継続的に修正されるプロセスです。研究者たちは「アンサンブル・カルマンフィルタ（ensemble Kalman filter）」を使用して、確率的な予測と乏しいセンサーの読み取り値を融合させ、両者の不確実性を考慮しました。実験的なケースでは、この修正によってモデルが軌道を維持し、時間の経過とともに現実から逸脱することを防ぎました。最も驚くべき結果は、層流炎の数値シミュレーションから得られました。ここで研究者たちは、炎の振動の正しいタイミングを捉えることができないことが分かっている、不正確な予測モデルを使用しました。その後、彼らはこの欠陥のあるモデルに対し、最適な場所から取得され、かつ大幅なノイズが混入したわずか6つの温度測定値を入力しました。これは、非常に困難なセンシング環境をシミュレートしたものです。不十分な出発点とノイズの多いデータにもかかわらず、同化プロセスは予測を修正することに成功しました。システムは、修正プロセス中に炎の全体像を見たことがなかったにもかかわらず、温度と化学組成の全体を、最高性能のモデルに迫る精度で再構成することができたのです。

これらの知見は、異なる数学的手法の強力な相乗効果を浮き彫りにしています。炎をその根本的なリズムへと分離し、不確実性を理解する統計モデルを使用し、そして乏しくノイズの多いデータを用いて予測を絶えず洗練させることで、研究者たちは現実世界の測定の不完全さに対して弾力性のあるシステムを作り上げました。この研究は、正確な予測を行うために完璧なモデルや完璧な視界が必要なのではなく、自分が知っていることと観察できることを知的に組み合わせることができるフレームワークが必要であることを示しています。現在のシステムは、オフラインで学習されたモデルに依存しており、まだリアルタイムでその基礎となる物理法則を適応させることはできませんが、得られた結果は、効率的かつ信頼性の高い燃焼システムの「デジタルツイン」を作成するための明確な道筋を示しています。このアプローチは、最終的には、火の轟音の中からいくつかの重要な音を聴き取るだけで、発電所から航空機エンジンに至るまで、複雑な燃焼プロセスをリアルタイムで監視し制御することを可能にし、安全性と効率性を向上させる可能性があります。