後継課題も合わせた情報は こちら

科研費基盤A（2018〜2020年度，課題番号 18H03758）

「機械学習による乱流ビッグデータの特徴抽出手法の構築」

K. Fukami, Y. Nabae, K. Kawai, and K. Fukagata, Phys. Rev. Fluids 4, 064603 (2019).
Copyright © 2019 by the American Physical Society.

研究体制

• 研究代表者：深潟 康二（慶大）
• 研究分担者：山本 誠 （東理大），長谷川 洋介（東大），岩本 薫（農工大），塚原 隆裕（東理大），福島 直哉（東海大），守 裕也（電通大）
• 連携研究者：青木 義満（慶大）
• 研究協力者：平 邦彦（UCLA），各研究室のスタッフ＆学生の皆さん

研究の背景・目的など

こちらをご覧下さい。

• 深潟 康二，山本 誠，岩本 薫，長谷川 洋介，塚原 隆裕，福島 直哉，守 裕也，青木 義満，
  〔特集〕注目研究 in 年会2018：「機械学習を用いた乱流の特徴抽出手法の構築に向けて」，
  ながれ 37, 524-527 (2018).

主な研究成果

研究論文

1. W. Kobayashi, T. Shimura, A. Mitsuishi, K. Iwamoto, and A. Murata,
   "Prediction of the drag reduction effect of pulsating pipe flow based on machine learning,"
   Int. J. Heat Fluid Flow 88, 108783 (2021).

2. A. J. Kaithakkal, Y. Kametani, Y. Hasegawa,
   "Dissimilar heat transfer enhancement in a fully developed laminar channel flow subject to a traveling wave-like wall blowing and suction,"
   Int. J. Heat Mass Transfer 164, 120485 (2021).

3. 志村 敬彬，光石 暁彦，岩本 薫，
   「機械学習による円管内脈動乱流の予測」
   日本燃焼学会誌 63, 52-59 (2021).

4. T. Nakamura, K. Fukami, K. Hasegawa, Y. Nabae, and K. Fukagata,
   "Convolutional neural network and long short-term memory based reduced order surrogate for minimal turbulent channel flow,"
   Phys. Fluids 33, 025116 (2021).
   (Preprint, arXiv:2010.13351 [physics.flu-dyn]).

   • Sample code: Available on GitHub

5. K. Fukami, K. Fukagata, and K. Taira,
   "Machine-learning-based spatio-temporal super resolution reconstruction of turbulent flows,"
   J. Fluid Mech. 909, A9 (2021).
   

6. K. Hasegawa, K. Fukami, T. Murata, and K. Fukagata,
   "CNN-LSTM based reduced order modeling of two-dimensional unsteady flows around a circular cylinder at different Reynolds numbers,"
   Fluid Dyn. Res. 52, 065501 (2020).

7. R. Maulik, K. Fukami, N. Ramachandra, K. Fukagata, and K. Taira,
   "Probabilistic neural networks for fluid flow surrogate modeling and data recovery,"
   Phys. Rev. Fluids 5, 104401 (2020).
   

8. K. Fukami, T. Nakamura, and K. Fukagata,
   "Convolutional neural network based hierarchical autoencoder for nonlinear mode decomposition of fluid field data,"
   Phys. Fluids 32, 095110 (2020).
   
   • Sample code: HierarchicalAE_fig3.py

9. K. Hasegawa, K. Fukami, T. Murata, and K. Fukagata,
   "Machine-learning-based reduced order modeling for unsteady flows around bluff bodies of various shapes,"
   Theor. Comput. Fluid Dyn. 34, 367-383 (2020).

   • Sample code: Available on GitHub

10. K. Fukami, K. Fukagata, and K. Taira,
    "Assessment of supervised machine learning methods for fluid flows,"
    Theor. Comput. Fluid Dyn. 34, 497–519 (2020).

11. T. Murata, K. Fukami, and K. Fukagata,
    "Nonlinear mode decomposition with convolutional neural networks for fluid dynamics,"
    J. Fluid Mech. 882, A13 (2020).

    • Sample code: MD-CNN-AE.py

12. K. Fukami, Y. Nabae, K. Kawai, and K. Fukagata,
    "Synthetic turbulent inflow generator using machine learning,"
    Phys. Rev. Fluids 4, 064603 (2019).
    

    • Sample code: Available on GitHub
    • Animation: Machine-Learned Turbulence Generator, Ver. 2 (MLTG2)

13. Q. Wang, Y. Hasegawa, and T. Zaki,
    "Spatial reconstruction of steady scalar sources from remote measurements in turbulent flow,"
    J. Fluid Mech. 870, 316-352 (2019)

14. K. Fukami, K. Fukagata, and K. Taira,
    "Super-resolution reconstruction of turbulent flows with machine learning,"
    J. Fluid Mech. 870, 106-120 (2019).

    • Sample code: Available at UCLA Taira Lab

特集記事など

1. 深潟 康二，
   「機械学習の乱流への応用」，
   日本機械学会誌 124 (7) (2021, 掲載予定）.

2. 深潟 康二，深見 開，
   「機械学習を用いた乱流ビッグデータ解析に向けて」，
   計測と制御 59(8), 571-576 (2020).

3. 森本 将生，深見 開，長谷川 一登，村田 高彬，村上 光，深潟 康二，
   〔特集〕注目研究 in CFD33：「機械学習に基づくデータ拡張によるPIV の精度向上」，
   ながれ 39, 84-87 (2020).

4. 深見 開，深潟 康二，平 邦彦，
   「チャネル乱流における機械学習3次元超解像解析」，
   日本機械学会流体工学部門ニューズレター「流れ」，2020年2月号, Art. 4 (2020)．

5. 深見 開，深潟 康二，平 邦彦，
   〔特集〕注目研究 in 年会2019：「2次元流れ場への機械学習超解像の応用」，
   ながれ 38, 395-398 (2019).

6. 光石 暁彦，志村 敬彬，岩本 薫，
   〔特集〕機械学習の流体力学研究への応用：「壁乱流制御の効率的最適化に向けた機械学習の応用」，
   ながれ 38, 329-336 (2019).

7. 塚原 隆裕，川口 靖夫，
   〔特集〕機械学習の流体力学研究への応用：「乱流物質拡散源推定に向けた CNN 画像認識」，
   ながれ 38, 337-343 (2019).

8. 長谷川 一登，深見 開，村田 高彬，深潟 康二，
   〔特集〕注目研究 in CFD32：「機械学習を用いた円柱周り流れのレイノルズ数依存性の予測」，
   ながれ 38, 81-84 (2019).

9. 深潟 康二，山本 誠，岩本 薫，長谷川 洋介，塚原 隆裕，福島 直哉，守 裕也，青木 義満，
   〔特集〕注目研究 in 年会2018：「機械学習を用いた乱流の特徴抽出手法の構築に向けて」，
   ながれ 37, 524-527 (2018).

リンク

• 科研費データベース，科研費基盤研究(A)「機械学習による乱流ビッグデータの特徴抽出手法の構築」．