Application of Machine Learning Technique to Generate Flow Properties in a Round Turbulent Jet

Abstract

This study utilized Convolutional Neural Network (CNN) and Generative Adversarial Network (GAN) algorithms to generate flow velocity and turbulent properties in jet flows and evaluate their performance. Three-dimensional Large Eddy Simulation (LES) data sets of a round turbulent jet flow, obtained through the Computational Fluid Dynamics (CFD) software, OpenFOAM, were used as ground-truth to train the Machine Learning (ML) algorithms. The good agreement between the simulation results and observation data from laboratory experiments confirmed the reliability of the LES data set. For this study, the resolved data, excluding the subgrid-scale (SGS) part of the LES data, served as the input data. Subsequently, a ML model was employed to generate the velocity field, incorporating the SGS component. The primary focus was on predicting the SGS information using the input data and producing a complete velocity field with accurate fluid flow characteristics. Various grid sizes and Reynolds numbers were used to assess the performance of the CNN and GAN algorithms. The CNN algorithm was tested with two architectures. The first architecture consists of layers connected in one path, while the second architecture has layers connected in three paths. The second architecture outperformed the first architecture in terms of generating flow velocity and turbulent kinetic energy. It demonstrated exceptional extrapolation capabilities, accurately reproducing flow properties regardless of the grid size and Reynolds number of the input data considered in this study. Similarly, the GAN algorithm was tested with two architectures. The first architecture had fully connected layers, while the second architecture had convolutional layers. The second architecture outperformed the first architecture in reproducing the velocity field. However, both GAN architectures faced challenges in reproducing turbulent attributes and spatial correlations, especially being influenced by the grid size and Reynolds number. Furthermore, this study investigates the accuracy of CNN techniques in simulating turbulence characteristics using time-averaged velocity data. The input data was time-averaged velocity, and the output data predicted turbulent kinetic energy (TKE), time-averaged production, and dissipation. The CNN model was trained and tested using different Reynolds numbers for TKE, time-averaged production, and dissipation. The results showed that the CNN model reasonably predicted the trend of the ground truth. Overall, the CNN algorithms were found to have the potential to accurately predict turbulence characteristics using time-averaged velocity data. The findings in this study can provide valuable insights for selecting an appropriate ML algorithm to reproduce complex turbulent flow phenomena.

본 연구에서는 합성곱 신경망과 생성적 적대 신경망을 활용하여 제트 흐름에서 유속과 난류 특성을 생성하는 연구를 진행하였다. 전산유체역학 소프트웨어인 오픈폼을 활용해 원형 난류 제트 흐름의 3차원 큰에디모사 데이터를 도출하여 기계 학습 알고리즘을 학습시키기 위한 참값으로 사용하였다. 수치모의 결과와 실험실 실험 데이터가 적절하게 일치하는 것으로 확인되었으며, 이에 따라 큰에디모사의 신뢰성이 확인되었다. 본 연구에서는 큰에디모사의 아격자 부분을 제외한 해상 된(resolved) 유속자료를 입력 데이터로 사용하였다. 이후, 기계 학습 모델을 활용하여 아격자 요소를 포함한 유속장을 생성하였다. 본 연구에서는 입력 데이터를 사용하여 아격자 정보를 예측하고 정확한 유체 흐름 특성을 담은 완전한 유속장을 생성하였다. 다양한 그리드 크기와 레이놀즈수를 사용하여 합성곱 신경망과 생성적 적대 신경망 알고리즘의 성능을 평가하였다. 합성곱 신경망 알고리즘은 두 가지 아키텍처로 구성되었다. 첫 번째 아키텍처는 층이 한 경로로 연결된 구조이고, 두 번째 아키텍처는 층이 세 개의 경로로 연결된 구조이다. 두 번째 아키텍처가 유속과 난류 운동 에너지 생성 측면에서 첫 번째 아키텍처보다 성능이 뛰어난 것으로 확인되었다. 또한 두 번째 아키텍처는 외삽 능력이 우수하여, 이 연구에서 고려된 입력 데이터의 그리드 크기와 레이놀즈수와 상관없이 정확한 유체 흐름 특성을 재현하는 능력을 보였다. 마찬가지로 생성적 적대 신경망 알고리즘도 두 가지 아키텍처로 구성되었다. 첫 번째 아키텍처는 완전 연결 층으로 구성되고, 두 번째 아키텍처는 합성곱 층으로 구성되었다. 두 번째 아키텍처가 유속장 재생산 측면에서 첫 번째 아키텍처보다 뛰어난 성능을 보였다. 그러나 두 생성적 적대 신경망 아키텍처 모두 합성곱 신경망에 비해 난류 특성과 공간적 상관관계를 재현하는 데 상대적으로 다소 부정확한 결과를 보였다. 또한, 본 연구에서는 합성곱 신경망 기법을 사용하여 시간 평균 된 유속 데이터를 통해 난류 특성을 재현하는 연구를 진행하였다. 입력 데이터는 시간 평균한 유속이고, 출력 데이터로는 난류 운동 에너지, 시간 평균한 생성 및 소산이 예측됐다. 합성곱 신경망 모델을 평가하기 위해 합성곱 신경망 학습에 사용되지 않은 다른 레이놀즈수를 사용하여 난류 운동 에너지, 시간 평균한 생성, 소산을 생성했다. 그 결과 합성곱 신경망 모델은 난류 특성을 적절하게 구현하는 것으로 나타났다. 결과적으로, 합성곱 신경망 모델은 시간 평균한 유속 데이터를 사용하여 난류 특성을 예측하는 데 잠재력을 가졌으며, 복잡한 난류 흐름 현상을 재현하는 적절한 기계학습 알고리즘을 선택하는 데 유용한 통찰력을 제공한다.