| 開催日 | 2024年10月16日(水) |
|---|---|
| 開催地 | Web |
★熱流体現象の基礎から、シミュレーション、最適化技術や機械学習を用いた最適化までを初歩から解説します。
■セミナーテーマ
熱流体現象の制御や予測のための逆解析入門
＜Zoomによるオンラインセミナー:見逃し視聴あり＞
■講師
東京大学 生産技術研究所 教授 博士（工学） 長谷川洋介 氏
■主経歴等
2004年10月 - 2007年 3月
東京大学大学院 工学系研究科
21世紀COEプログラム「機械システム・イノベーション」 特任助手
2007年 4月 - 2012年 4月
東京大学 大学院工学系研究科 機械工学専攻 助教
2010年 4月 - 2012年 4月
JSPS 海外特別研究員
(Center of Smart Interfaces, Technical University of Darmstadt, Germany)
2012年 5月 - 2013年 3月
東京大学 生産技術研究所 機械・生体系部門 助教
2013年 4月 - 2015年 8月
東京大学 生産技術研究所 機械・生体系部門 講師
2015年 8月 - 2023年3月
東京大学 生産技術研究所 機械・生体系部門 准教授
2018年 4月 - 2020年 3月
ブラウン大学 応用数学科 客員研究員
2023年 4月 - 現在
東京大学 生産技術研究所 機械・生体系部門 教授
■専門および得意な分野・研究
熱流体工学、最適化数理、機械学習
●日時 2024年10月16日（水） 13:00-16:30
●会場 会場での講義は行いません。
●受講料
【オンラインセミナー（見逃し視聴なし）】：1名41,800円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき30,800円
【オンラインセミナー（見逃し視聴あり）】：1名47,300円(税込（消費税10％）、資料付)
＊1社2名以上同時申込の場合、1名につき36,300円
＊学校法人割引；学生、教員のご参加は受講料50％割引。→「セミナー申込要領・手順」を確認下さい。
■講座のポイント
熱流体現象は、様々な機械システムの効率を支配するだけでなく、大気や海洋の流れや生体内の輸送現象と密接に関わり、その正確な予測や自在な制御が求められる。一方で、流れに伴う運動量、熱、物質の輸送は極めて複雑であり、その理解を困難なものとしている。近年、与えられた条件下における流動現象を数値シミュレーションにより再現する順解析においては、実験との良い一致が得られつつある。一方、現実の多くの工学では、性能向上のための設計変数の探索や限られた計測データに基づく流れ場の状態推定といった逆問題を扱う必要がある。これらは多数の可能性のある解（流れ場）の中から目的を満たすものを選ぶ必要があり、膨大な計算コストを有する。近年、計算機能力の飛躍的な向上、様々な最適化数理や機械学習技術の進展、付加製造技術や計測技術の発展に伴い、上記の逆問題に様々なアプローチで取り組むことが可能となりつつある。
本講義では、まずは熱流動現象を支配する支配方程式、およびその物理的な解釈から解説し、様々な逆解析の手法とその適用事例を紹介する。
尚、本講義を受講する際には、高校の物理で習うニュートン力学の基礎、および大学初年度で習う偏微分方程式に関する基礎知識を有していることが望ましい。
■受講後、習得できること
・熱流体現象の背後にある物理法則、物理的解釈が習得できる。
・逆解析とは何か、どのような工学的問題と関連するかが理解できる。
・逆解析、最適化に関する様々な手法の長所や短所、それらの選び方が習得できる。
・最近の熱流体工学における逆解析の事例を知ることができる。
・機械学習の熱流体問題への使い方、応用事例が理解できる。
■講演プログラム
1.熱流体工学の基礎
1.1 流体とは
1.2 流れの支配方程式
1.3 流れに伴う熱や物質輸送の支配方程式
1.4 流れに伴う輸送現象の支配方程式に基づくその物理的な理解
2.熱流体シミュレーション基礎（順解析）
2.1 熱流体現象の直接数値シミュレーション
2.2 ラージ・エディー・シミュレーション
2.3 Reynolds Averaged Navier Stokes Equations (RANS)
2.4 順解析と実験の比較
2.5 順解析の限界
2.6 まとめ
3.熱流体工学における最適化（逆解析）の基礎
3.1 順問題と逆問題
3.2 逆問題の例
3.3 逆問題へのアプローチ
3.3.1 適応型手法
3.3.2 勾配型手法
3.4 逆解析事例
3.4.1 適用型手法の応用事例
3.4.2 勾配型手法の応用事例
3.5 まとめ
4.機械学習の熱流体最適化問題への応用
4.1 ベイズ最適化
4.2 Physics-Informed Neural Networks (PINNs)
4.3 強化学習
4.4 その他の応用事例
5.まとめ
（質疑応答）
