コンテンツにスキップ

rheoMesh — 知識ベースのメッシャーとしての見取り図

英語 | 日本語

« rheoMesh ・ 開発の経過

2026-11-05 時点の整理(「いまの状態」の表は 2026-11-06 に更新)。「互換モード」は 2026-11-06 に snappyHexMeshLike と改名した。各節の状態は暫定で、詳しい数値は開発の経過にある。

方針:規則は設定に凍結し、採否は誤差推定で決める

rheoMesh を「知識ベースのメッシャー」として組み立てる。熟練者の経験則を規則の組として版管理し、その規則が正しいかを誤差推定で確かめる。学習モデルと LLM には規則の提案だけをさせ、最後は決定的な格子生成で同じ格子を再現する。

この分業には文献の裏付けがある。1990 年代のエキスパートシステム(Dolšak らの帰納論理プログラミングなど)は、熟練者の格子 10 例程度から辺ごとの分割数の規則を学んだが、規則の正しさを確かめる仕組みがなく、広まらなかった。商用メッシャー(ANSA、Fluent Meshing、STAR-CCM+、Pointwise)は、知識を推論規則ではなく、パラメータファイルと再実行できる手順として持っている。機械学習による AMR の最良の結果も、誤差推定に基づく AMR と「同等」の水準にとどまる。LLM で CFD を自動化する研究(CFD Forge, 2026)では、温度 0 でも LLM の出力が揃わず、採否を決定的な検査に移している。

5 つの層

層 役割 rheoMesh で使うもの
知識 熟練者の経験則を、出典・検証状態・ライセンス付きの規則の組にする 公開の手引きの数値(下の表)、snappyHexMesh の典型値、所有者の DrivAer の設定
根拠 規則の正しさを、流れを解いた結果の誤差推定で確かめる Jasak & Gosman の残差誤差推定(rheomesh-eree)、体積で重みを付けた打ち切り誤差(τ)推定、AMR
学習 規則で拾いきれない部分を、計算結果から学ぶ 誤差推定をラベルにした、セルごとの細分化レベルの予測
方針 ケースを見て、どの規則をどの強さで使うかを決める ローカル LLM。閉じた語彙からの選択と差分だけを提案させ、設定ファイルに凍結する
実行 凍結した設定から、決定的に格子を作る 八分木、ピロー層、押し出し、snappyHexMeshLike モード、大域的な品質最適化(CPU→GPU)

LLM と学習モデルは、格子を直接決めない。出力は人が読める設定ファイルとして残り、作り直すときはそのファイルを読むので、同じ入力から同じ格子が出る。

4 本の柱と 5 つの層

柱 層 知識 根拠 学習 方針 実行
八分木+ピロー+押し出し(rheoMesh 本来の流れ) 壁の層、建物まわりの格子、隙間の規則 層の厚さと y⁺ の整合。壁関数のセルは指標から外す 層の数と 1 層目の厚さを、規則の範囲で調整 流れの種類(外部・建物・内部)から規則の組を選ぶ ピロー層と押し出しを決定的に実行。2:1 の段差は帯で緩める
snappyHexMeshLike モード snappyHexMesh の典型値(nCellsBetweenLevels 3、resolveFeatureAngle 30、maxNonOrtho 65 など)を基準の規則の組にする snappyHexMeshLike の組とほかの組を、同じ誤差指標で比べる snappyHexMeshLike の組を学習の初期値にする snappyHexMeshLike の組からの差分として提案させる 辞書を読み、各段階を再現する(ソースは参照しない)
大域的な品質最適化 品質の上限(checkMesh の閾値、伸び率) 重みは skewness > 非直交 > 大きさの段差の順 使わない 品質の許容値を選ぶだけ 点の大域的な最適化、バリア、順序を固定した足し込み。GPU は GH200
AMR による知識の蓄積 「この状況ならこのレベル」の規則として蓄積する τ 推定と Jasak の残差。レベルの境目での跳ねを抑える。Cd を目標にする方法は使わない 細分化レベルの予測。学習の範囲外なら規則に戻る 蓄えた規則から組を選び、設定に凍結する LBM のブロックフォレストの平均場を受け取る(先例は見つかっていない)

熟練者の経験則(原典で確かめた数値)

分野 規則 出典
航空機の壁の層 1 層目 y⁺ ≈ 1(粗い格子)、細かい格子ほど小さく。伸び率 1.25 未満。壁に一定間隔の層を 2 層以上 AIAA の workshop の格子作成の指針(SPICES-2019 の全文で確認)
航空機の格子族 1 段ごとにセル数を約 3 倍。遠方境界は基準翼弦の約 100 倍 同上
自動車(DrivAer) プリズム層 7 枚、1 層目 0.75 mm、全体 12 mm(壁関数を前提) DrivAerML の論文(CC BY 4.0)
建物まわり 閉塞率 3 % 未満。横と上は建物高さの 5 倍以上、後方は 10 倍以上。建物 1 辺に 10 セル以上。隣り合うセルの大きさの比は 1.3 以下。評価する高さは地面から 3 番目のセル以上 Tominaga ら, J. Wind Eng. Ind. Aerodyn. 96 (2008)(日本建築学会のガイドライン)
snappyHexMesh の典型値 nCellsBetweenLevels 3、resolveFeatureAngle 30、maxNonOrtho 65、maxInternalSkewness 4 など OpenFOAM の User Guide

手引きの規則は、八分木にそのまま写せない所がある。八分木の 2:1 の段差は「隣のセルとの比 1.3 以下」と合わず、AIAA の「1 段で約 3 倍」も八分木の 1 レベル(8 倍)と合わない。八分木に合わせて翻訳する層が要る。また、隙間、曲率、八分木の段差について、一次資料で裏付けられた規則はほとんど見つからなかった。ここは rheoMesh 自身の根拠の層(AMR と誤差推定)で作る必要があり、作った規則と検証データは、商用メッシャーのテンプレートにも機械学習の論文にもない資産になる。

いまの状態(2026-11-06)

柱 段階 状態
八分木+ピロー+押し出し 層の厚さの基準を snappyHexMesh と同じ「層のすぐ外のセル」にする切替。辞書の inGroups を書き出すように変更(既定)。不良面のまわりの局所細分化とセルの併合を試行 motorBike の層ありの 2 回目のパスに、負の体積 1 セルが残る。不良面のまわりを 1 レベル細かくすると motorBike は悪くなり(2 回目で不合格の面 89 → 345、セル +105 %)、併合しても時間刻みは大きくならない。DrivAer 後部では、LBM フォレストを階段状の格子にして併合し snap する経路が Mesh OK(244 万セル、非直交度の最大 64.9°)
snappyHexMeshLike モード C0(辞書と品質検査 9 項目)、C1(格子を切る段階)、S1(snap)、層。snappyHexMesh の出力とログから、層の数の傾斜、細分化の帯の幅、表面の特徴辺とくぼみの規則、層の後の修正などを追加(2026-11-06) 講習会の DrivAer(N = 5)で snappyHexMesh の 1.9 倍(層あり)、5.6 倍(層なし)速く、Mesh OK。50° 超の面、skewness 3 超の面、特徴線までの距離は snappyHexMesh より小さい。くぼみと固体への食い込みの和は減っていない。motorBike の S1 の値は開発の経過にある
大域的な品質最適化 G0(核の部分)、G1(今の形状の最適化の置き換え、切替の後ろ)、G2(収束の調査) 今の形状の最適化を 20 回から 3 回に減らすと、motorBike で約 6.3 秒が 2.33 秒になり、品質も悪くならない。大域的な最適化は任意の仕上げ(DrivAer と cavitatingBullet で非直交度の最大が 1〜3° 下がる)。切替なしの格子はビット単位で変わらない
AMR による知識の蓄積 K0(道具)、K1(5 ケース、3 サイクル) 4 ケースが 3 サイクルを Mesh OK で終えた(injectorPipe はサイクル 1 の格子が不合格)。サイクル 0 の最良の特徴は lift 4.1〜5.6(キャビティは 2.58)。外部流と建物まわりのラベルは EREE を主にする
(共通)GH200 1 ノード GPU の simpleFoam と CPU の rheoMesh の同居 互いの減速は 0.9〜3.6 %。motorBike の大きさでは格子生成(17.5 秒)が粗い流れ場の計算より長く、隠れない
(共通)講習会の DrivAer(N = 5) 同じ辞書で snappyHexMesh、snappyHexMeshLike(層なし・層あり)、本来の方式(層あり)を比較。開発版 38d99e21 Flow2 Type I 1 ノード(384 コア)、2 回の速いほう。snappyHexMesh は blockMesh + decomposePar + プロセスの時間。層ありは snappyHexMesh 41.4 秒、snappyHexMeshLike 21.5 秒、本来の方式 47.4 秒、層なしは 33.4 秒と 5.9 秒。3 つとも Mesh OK。snappyHexMesh が層を付けた壁で snappyHexMeshLike に層がない所は body の 0.15 %。Cd は snappyHexMesh 0.2564、snappyHexMeshLike 0.2697、本来の方式 0.2952(TUM の実験 0.243〜0.252)で、本来の方式の差は調査中(後流の k が高く、1 層目の y⁺ は 23 と snappyHexMesh の 37 より小さい)

次にすること

  1. 規則の組の書式を決め、上の表の確かめた数値と snappyHexMesh の典型値だけで、最初の組を作る。各規則に出典、検証状態、ライセンスの欄を設ける。
  2. 八分木への翻訳規則を確かめる(2:1 の段差と比 1.3、格子族、地面の層)。単独の建物で、レベルの帯の幅を変えたときのはく離の位置の変化を見る。
  3. 根拠の層として、親セルを 2 倍の格子とみなす τ 推定と、Jasak の残差を書き出し、AMR に渡す。AMR の知識は、EREE を主のラベルにしてケースを増やす。
  4. 形状の最適化の既定を 3 回にする前に、回帰試験を流す。大域的な最適化の GPU 版は、足し込みの順序を固定し、スレッド数と CPU/GPU を変えても結果が同じかを確かめる。
  5. 調べ始めた候補(結果はまだない):壁と八分木のつなぎ方(所有者の選択はタイル単位の細分化 → 層の帯への集約 → 殻全体の大域的な最適化)、流れに基づく層の寸法(potentialFoam と積分境界層、次にパネル法)、AMR のサイクル 0 の場としての粗い LBM の平均場。
  6. LLM の方針層は、閉じた語彙からの選択と差分の提案だけで試し、同じ入力を何回か与えたときの設定ファイルの違いを記録する。

Cd は、どの段階でも目標にしない。

ライセンスの扱い

数値は事実として出典付きで引き、本文は取り込まない。ERCOFTAC の Knowledge Base Wiki は、AI/ML の学習とテキスト・データマイニングの権利が留保されているとされるので、人が読むことと検証の比較だけに使い、学習データには入れない。DrivAerML のデータセット(CC BY-SA 4.0)など、学習に使うデータは、継承の条件を確かめてから使う。

主な文献

  • P. J. Frey, P.-L. George, Mesh Generation: Application to Finite Elements, 2nd ed., 2008
  • J. F. Thompson, B. K. Soni, N. P. Weatherill (eds.), Handbook of Grid Generation, CRC Press, 1999
  • H. Jasak, Error analysis and estimation for the finite volume method with applications to fluid flows, PhD thesis, Imperial College London, 1996
  • H. Jasak, A. D. Gosman, Residual error estimate for the finite-volume method, Numer. Heat Transfer B 39 (2001) 1–19
  • H. Jasak, A. D. Gosman, Element residual error estimate for the finite volume method, Computers & Fluids 32 (2003) 223–248
  • A. Syrakos ら, truncation-error に基づく細分化(J. Comput. Phys. 2012)、勾配の計算と skewness(Phys. Fluids 29, 2017)
  • B. Dolšak, I. Bratko, A. Jezernik, Knowledge base for finite-element mesh design learned by inductive logic programming, AI EDAM 12 (1998) 95–106
  • Y. Tominaga ら, AIJ guidelines for practical applications of CFD to pedestrian wind environment around buildings, J. Wind Eng. Ind. Aerodyn. 96 (2008) 1749–1761
  • J.-S. Camier ら, Accelerating high-order mesh optimization using finite element partial assembly on GPUs, J. Comput. Phys. 474 (2023)
  • MeshingNet(arXiv:2004.07016)、ASMR++(arXiv:2406.08440)、CFD Forge(arXiv:2610.14104)、DrivAerML(arXiv:2408.11969)