再帰型ニューラルネットワーク (Recurrent Neural Network: RNN)
再帰型ニューラルネットワーク (RNN)は、ディープラーニングにおけるニューラルネットワークの一種で、特に時系列データやシーケンスデータの処理に強みを持つモデルです。
通常のニューラルネットワークが各入力を独立して扱うのに対し、RNNは自身の内部に「状態」を持ち、前の時点での入力や計算結果を記憶して、現在の入力の処理に反映させる構造をしています。この「再帰的」な構造により、データの時間的な連続性や順序性を考慮した学習が可能となります。
CAEにおける再帰型ニューラルネットワーク (RNN)の応用
CAEシミュレーションにおいて、動的な現象や時間依存の応答を解析する場合、結果は時間経過に伴って変化する時系列データとして得られます。
例えば、構造解析における振動応答や、熱流体解析における温度・圧力の変化などは時間の概念を含みます。
通常のニューラルネットワークもサロゲートモデルとして利用されますが、時間的な要素を含むCAE結果を予測する場合、単に特定の時間断面の結果を予測するだけでなく、時間全体の応答波形やある時間から次の時間への状態遷移を高精度に捉えることが重要になるためRNNが利用されます。
RNNをサロゲートモデルとして用いることで、CAEシミュレーションにおける時間的な挙動をより忠実に再現したり、未来の応答を時系列で予測したりすることが可能になります。例えば、特定の設計パラメータや境界条件を与えた際に、時間経過に伴ってどのように応力や変位が変化するか、あるいはどのように流速や温度が変動するかといった、時系列的な応答曲線を予測することができます。