A deep learning framework to infer functional and spatial properties from CFD

In the context of applied problems involving fluid flows, Computational Fluid Dynamics (CFD) provides detailed quantitative information on the flow field, at a variable degree of fidelity and computational cost. However, CFD alone cannot predict high-level properties that are not easily obtained from the equations of fluid motion, since an analytical link between the CFD outcomes and the required information is not always available. In this work, we present a data-driven framework to extract these additional information directly from CFD solutions. For instance, these may include details for the diagnosis of nasal breathing difficulties or the presence of anomalies in an industrial product. This is a challenging problem because of the huge dimensionality of CFD outcomes and the limited training data that can be typically gathered due to the large computational cost of CFD. By pursuing a Deep Learning (DL) pipeline of pre-processing, dimensionality reduction and model training, we demonstrate that relevant patterns can be learned from CFD data to obtain accurate predictions. Several experiments support our claim that the flow field and its convective properties can be exploited to retrieve functional and spatial information that does not admit an analytical definition with respect to the input domain. By examining different examples concerning the airflow around wing sections, we show that even in CFD-related problems, the extraction of effective and meaningful information can be demanded to the algorithm itself, leading to very good predictive results. Despite of the relative simplicity of both the geometrical characteristics and CFD turbulence models, we demonstrate that the combination of Deep Learning and Computational Fluid Dynamics can model a system in terms of high-level functional and spatial properties.

Nel contesto dei problemi applicati che coinvolgono la meccanica dei fluidi, la fluidodinamica computazionale (CFD) fornisce informazioni quantitative dettagliate sul campo di flusso, con un livello di fedeltà e un costo computazionale variabile. Tuttavia, la CFD da sola non può descrivere caratteristiche di alto livello che non sono direttamente ottenibili dalle equazioni del moto dei fluidi, poiché non è sempre disponibile una soluzione analitica tra i campi di flusso e le informazioni richieste. In questo lavoro, presentiamo un framework basato sui dati per estrarre queste informazioni aggiuntive direttamente dalle soluzioni della CFD. Ad esempio, questi possono includere dettagli per la diagnosi di difficoltà respiratorie nasali o la presenza di anomalie in un prodotto industriale. Questo è un problema impegnativo a causa della grande dimensionalità della CFD e dei dati di addestramento limitati che possono essere generalmente raccolti a causa dell'elevato costo computazionale. Perseguendo le classiche procedure di Deep Learning (DL) di pre-elaborazione, riduzione della dimensionalità e addestramento dei modelli, dimostriamo che queste caratteristiche informative possono essere effettivamente estratte dai dati stessi della CFD e che opportuni modelli possono essere addestrati per ottenere ottimi risultati predittivi. Diversi esperimenti supportano la nostra asserzione che le proprietà convettive, implicite in una soluzione CFD, possono essere sfruttate per ricavare proprietà funzionali e spaziali che non ammettono una definizione analitica rispetto al dominio di riferimento. Esaminando diversi esempi relativi al flusso d'aria attorno a sezioni alari, dimostriamo che anche in problemi legati alla CFD, l'estrazione di informazioni efficaci e significative può essere delegata all'algoritmo stesso, ottenendo ottimi risultati predittivi. Nonostante la relativa semplicità sia delle caratteristiche geometriche che dei modelli di turbolenza, dimostriamo che la combinazione del Deep Learning con la fluidodinamica computazionale può effettivamente modellare un sistema in termini di proprietà funzionali e spaziali di alto livello.