第30回計算力学講演会では,破壊力学とき裂の解析・き裂進展シミュレーションにおいて数多くの講演があった.き裂の形状をメッシュで陽にモデル化したき裂進展シミュレーションは,四面体要素を用いた有限要素法や重合メッシュ法(S-version Finite Element Method: SFEM),拡張有限要素法(eXtended Finite Element Method: XFEM)を用いたアプローチがこれまでに盛んに行われ,比較的単純な単一のき裂の進展解析の実現は現実味を帯びてきた.近年では,複数のき裂の相互作用問題や非平面的なき裂の進展を含む問題,複合材料中のき裂問題,き裂の分岐,合体を含むような複雑な問題への適用が試みられている.一方,損傷パラメータを用いた損傷力学モデルの開発や応用研究も盛んに行われている.さらに,機械学習をき裂進展解析に応用するなど,き裂進展クライテリオンに対する新しいプローチも試みられている.また,フェーズフィールド法やペリダイナミクスを用いたき裂進展の数値解析に関する研究が進んでいる.
2017年7月には,14th U.S. National Congress on Computational Mechanics(USNCCM14)がカナダのモントリオールで開催された[2].この会議は,United States Association for Computational Mechanics(USACM)が主催するアメリカの国内会議であるが,国際的な注目度は高く,会議の規模や参加者を考慮すると,事実上の国際会議であり,計算力学を代表する会議と言える.会議では,1 000人を超える参加者があり,81のミニシンポジウムが企画された.計算固体力学に関連するミニシンポジウムの中では特にHydraulic Fracture SimulationとAdvances in Atomistic-to-Continuum Coupling Techniquesのミニシンポジウムに多くの講演があった.Hydraulic Fracture Simulationでは,XFEMやGFEMの開発および応用研究が注目され,Advances in Atomistic-to-Continuum Coupling Techniquesでは,加速分子動力学法,準連続体モデルの拡張の研究などの講演があった.
連成解析に関する学会発表に目を向けると,国際会議COUPLED PROBLEMS 2017 [7]においては3日間の日程で9件の基調講演と約400件の一般講演が行われている.最も多いのは数値解析手法に関する講演であったが,Isogeometric解析,トポロジー最適化,Model Order Reductionなど近年注目されている手法の報告も目立ってきている.また,対象としては機械系のFSIが最も多いが,バイオメカニクス,材料の経年・環境劣化,電磁場,地盤に特化したセッションなども企画されており,連成解析の数値解析技術を必要とする分野は今後も拡大していくと見られる.また,高性能計算に関する国際会議SC17 [8]において2017年のBest Paper Awardを受賞したのはスマトラ島沖地震における地震と津波の連成解析に関する研究[9]であり,スーパーコンピュータを用いた最先端の計算機シミュレーションとして世界的にも連成解析が注目されていることが分かる.国内の研究動向としては,日本機械学会第30回計算力学講演会[10]において,特に連成解析に着目した「複合連成現象の解析と力学」と「大規模並列・連成解析と関連話題」の2つのオーガナイズドセッションだけで産業界からを含めて28件の講演発表があり,活発な討論が行われた.また,第64回理論応用力学講演会[11]においても「連成現象・複合現象のシミュレーション」のオーガナイズドセッションにおいて12件の講演発表があり,数値解析手法に関するものから,き裂と水素漏洩,昆虫規範型MEMS翼,抵抗スポット溶接,FRP材,地盤など様々な話題が提供され,活発な情報交換が行われた.
次に,投稿論文として学術雑誌Computer Methods in Applied Mechanics and Engineeringで2017年に出版されたものから,連成解析に関係するものをいくつか紹介する.RyzhakovらのX-IVSによるLagrange型解法を用いた効率的なFSI解析手法[12],Heltaiらの流体をIsogeometric解析,構造をシェル要素とするFSI解析手法[13],Bauseらの多孔質弾性体と流体のFSI解析向けspace-time FEM [14],Francisらの熱と連成したFSI向けParticle FEMと炉心溶融への応用[15],Ryzhakov&Oñateの膜に覆われた内部流体と外部流体のFSI向け有限要素モデル[16]など特にFSIに着目したものが多いが,数値解析手法は様々である.また,QuarteroniらのFEMに基づくマルチスケール・マルチフィジックス心臓シミュレーション[17],Kamenskyらの心臓血管のFSI向けIsogeometric解析[18],Yangらの修正Immersed FEMに基づく圧縮性流体と構造の強連成FSIと声帯振動解析への応用[19],Stoterらのフェーズ・フィールド法によるNavier-Stokes式とDarcy式の連成計算手法と医療画像から再構築した肝臓内の流れ解析[20]など医用生体工学分野の研究も多い.これらについても,数値解析手法はそれぞれであるという特徴がある.また,Xuらの非球状粒子を含む粒子強化材料向け離散要素法とFEMの連成計算[21]などもある.
我が国における防災シミュレーションの最先端の研究動向は,第30回計算力学講演会[2](CMD2017, 2017年9月,近畿大学)で企画された「社会・環境・防災シミュレーション」などのセッションを覗くと伺い知ることができる.また,本学会以外の講演会でも,例えば日本計算工学会の第22回計算工学講演会[3](2017年5月,大宮ソニックシティ)では同名のセッションが多元災害シミュレーション研究会[4]と共同企画されている.2017年10月には,中国・成都で2nd International Conference on Computational Engineering and Science for Safety and Environmental Problems(COMPSAFE2017)[5]が開催された.これは,防災・減災に対し計算力学的アプローチを施した分野を大きな柱の一つとして掲げた国際会議で,International Association for Computational Mechanics(IACM)[6]のSpecial Interest Conferenceとして2014年に日本で立ち上げられたものである[7].
さらに,粒子法を用いた流体と固体や粒状体との連成解析も積極的に行われている.特に,津波と構造物に関する流体構造連成[15, 16]を扱う研究例が多く見受けられ,MPSとFinite Element Method(FEM)の連結境界条件モデルの開発[17]や,ADVENTUREによるFEMとSPHの大規模連成解析[18]が試みられている.また,津波による防潮堤の倒壊やマウンド地盤の洗掘や液状化を計算するために,DEMとSPHを用いた連成解析(動画2)も行われている[19, 20].さらに,Lattice Boltzmann Method(LBM)や格子法で流体を計算し,粒状体はDEMで計算することで,流動層の計算も行われている[21, 22, 23].
また,新しい粒子法ベースの計算手法も生まれてきている.例えば,PFEM [24]は計算点とその物理量の移動を粒子法の様にラグランジュ的に計算し,その計算点に基づきメッシュ生成を行うことで連続体の分裂や大変形を可能とする粒子法ベースのFEMであり,国外で開発が進められている.国内では,粘弾性変形できる粒子同士の接触計算を可能にするQDEMが開発され,GPUを用いた並列化により鉄道バラスト軌道の解析(動画3)に応用されている[25].さらに,国外で広まりつつあるMaterial Point Method(MPM)の動向[26]にも今後注視していくべきであろう.MPMは格子法と粒子法の欠点を補い合うことで連続体の大変形・不連続問題を扱う手法であり,日本でも今後普及する日が近いかもしれない.いずれにせよ,新しい手法の普及のためには他の粒子法と同様に信頼性を確立するためのモデルの検証と改良,大規模化は必要不可欠となるであろう.
冒頭で述べたようにPF法の大衆化が進んだ結果,PF法のオープンソースコードに関する議論が最近活発化している(ちなみにPF法の商用ソフトウェアは,現在,独国ACCESS社のMICRESSのみである[17]).PF法のオープンソースコードとしては,独国におけるOpenPhase [18]が有名であるが,近年,米国のNational Institute of Standards and Technology(NIST)が提供しているPython版の有限差分法コードFiPyに,PF法の適用例がラインナップされ始めた[19].今後,世界的に様々な機関において,オープンソースコード提供が増加すると予想される(有限要素法の黎明期の状況に近いかもしれない).なおわが国では,世界に先駆けて,いち早くソースコード付きのPF法の演習書が出版されている点を記しておく[20].
2017年度は,Donostia/San Sebastian, Spainで6月5日(月)–8日(木)に開催されたthe IEEE Congress on Evolutionary Computation(CEC)2017が例年同様に充実しており,採択された358本の論文はいずれも読み応えのある最新の成果となっている.この御蔭もあり,最適化,データマイニング,実問題への応用いずれも充実した研究成果が発表された1年であった.特に,これまでアルゴリズム寄りだった採択論文に実問題への応用内容が目に見えて増えてきており,今後もこの傾向が続くものと期待される.これら第一級の国際学会投稿に向けた前哨戦として利用される進化計算学会の研究会やシンポジウムの充実ぶりも刮目しない訳にはいかない.なお蛇足ながら,2018年度にはThe Genetic and Evolutionary Computation Conference(GECCO)2018が(おそらく最初で最後のアジア開催と思われるが)祇園祭真っ只中の京都での開催となった.2018年度の日本は本分野にとって最も熱い国となる.
3・8・1 最適化手法
2017年9月に公開された論文[1]は衝撃的な内容である.Professor Deb, K.によってNSGA-IIが開発された2002年から日進月歩で研究が進んできた進化計算は様々な派生手法を産出し続けており,2016年に発表された(かつ性能比較も終えた)state-of-the-artな手法だけでも5種(VaEA,θ-DEA,MOEA/D-DU,EFR-RR,およびRVEA)に上る.いずれも,発表論文では良好な性能を有することが報告されているものばかりだが,実問題に応用することを前提とした条件,すなわち探索中に得られた全ての非劣解集合を保持する無限アーカイブを用いて評価すると,IBEAやMOEA/Dといった古典的(といっても高々十数年前の発表なのだが)に劣ることが明らかになったのである.さらに,多数目的問題用に開発されたMOEA/DD,I-DBEAよりもMOEA/D,MOEA/D-DE,MOEA/D-DRA,MOEA/D-STMといった多目的問題用に提案された手法の方が良好な性能を示すことが判明した.近年の進化計算コミュニティでのアルゴリズム開発競争は激化の一途を辿っているが(先述のIEEE CECやGECCO,あるいはInternational Conference on Evolutionary Multi-Criterion Optimization; EMOでは大々的にアルゴリズムのコンペティションを行っている),進化計算の設計思想(道具として捉えるか純粋数学問題と捉えるか)によって,その性能評価方法を再考しなければならない岐路に立たされている.いずれにせよ,古典的手法からstate-of-the-artな手法まで基本的にネット上に全て公開されており(最近MATLABにも組み込まれた[2]),道具として使う場合に自分でコードをゼロから組む必要が全くなくなったのは有り難い.なお,道具として捉える場合は,制約条件の取り扱いに関する研究が不足しており,今後一層必要となることを付記する.
このように方法論が繚乱する中,注目すべきは位相的データ解析(topological data analysis; TDA)である.本方法論は,時系列データを含む深層学習が不得意なデータセットに対し,データ構造の幾何学的数理解釈を行うもので,カオス的/非カオス的に依らずデータの性質を選り好みしないため,応用範囲に制限がなく(例えば論文[11]のように,現状医学分野への応用が多い)今後の発展に期待される.非定常データ自体は新たに生成する必要もなく日常生活に大量に横溢しているため,応用対象も選り取り見取りである.現在は試行錯誤期と捉えられ,研究は裾野が広がる傾向にあるが,今後もしばらくは同様の時期が続くものと思われる.
第29回計算力学講演会(2016年9月)にて機械学習(主にニューラルネットワークの利用)の発表件数が6件だったが,第30回計算力学講演会(2017年9月)では機械学習のOSが1件,その他セッションの発表も合わせて16件まで増加した.また,筆者もこの1年で機械学習に関係する講演を合計4回行った.NVIDIA主催のGPU TECHNOLOGY CONFERENCE(GTC)[1]にはAI,特にディープラーニングに関する会議として注目を集めている.その適用が期待される分野には,自律・自動走行車,スマート シティ,ヘルスケア,ビッグ データ,ハイパフォーマンスコンピューティング(HPC),ヴァーチャルリアリティ(VR)等が挙げられている.しかし,画像解析による応用はその事例は多数見受けられるが,一方で物理現象,工学設計における応用方法が全く示されていないまたは画像的な取扱でデータ学習させる傾向が強くある.GTCでは新しいハードウェアの紹介も頻繁に行われ,GPUの性能は機械学習の大規模化に大きく貢献し性能向上が確実に進んでいる.機械学習の普及の一役を担う,GPUによる学習時間短縮を実現する機械学習ライブラリである.このライブラリはいくつか種類があり,TensorFlow(Google, USA),Caffe(Berkeley AI Research, USA),Chainer(Preferred Networks,日本),Theano(University of Montreal, Canada)など複数ある.多くの場合Pythonにより記述されGPUの能力を利用した高速な学習が可能となっている.
USNCCM2017(米国計算力学学会)においてE. Haberによりディープラーニングの新しい学習方法の提案がSemi-plenary lecture [2]があった.この講演における要旨は,計算力学の手法をディープニューラルネットワークの学習に適用することにより計算科学研究者の提案よりさらに効果的な学習が達成できるという点である.学習手法に対するブレークスルーを示唆する画期的な発表があった.こういった活発な研究活動に呼応するようにCAEに対するAIおよびディープラーニングへの適用の期待も高まっている[3, 4, 5, 6].2018年7月に開催予定の13th World Congress in Computational Mechanicsにおいては,Data Driven Analysis and Machine Learningと分類された機械学習・ビックデータ分析に関連するセッションは7つにものぼる.複雑な問題,多入力・他出力のディープニューラルネットワークの学習方法の進歩に大きく貢献することが現在進行している.一方で,トヨタ自動車は,自動運転実現のためにはあと142億万kmの走行距離が必要だという試算を示している[7].この数値は,技術のある運転手が10 000人・台が一人1万㌔メートル以上の走行距離が必要だと示唆している.学習は人間の経験と相対するところがある.例えば,事故,回避などのアクシデント事例は特に学習が必要であるが,そういったケースは全体のデータに対する学習ケース(時間)は少ない.特殊な状態はそもそも発生頻度が低いがために,学習するためのデータ数が少なくなる.このことは,多くの工学応用に関して常に問題となる.また,多くの工学問題ではどの場所のどのような物理量を学習させればよいのかの知見が全くないことが大きな課題であると指摘できる[6].
Z.J. Wang and H. Gao, A unifying lifting collocation penalty formulation including the discontinuous Galerkin, spectral volume/difference methods for conservation laws on mixed grids, J. Comput. Phys. Vol.228, No.21(2009), pp.8161–8186, DOI: 10.1016/j.jcp.2009.07.036.
Z. Sun, S. Inaba and F. Xiao, Boundary Variation Diminishing(BVD)reconstruction: A new approach to improve Godunov schemes, J. Comput. Phys. Vol.322, No.1(2016), pp.309–325, DOI: 10.1016/j.jcp.2016.06.051.
X. Deng, S. Inaba, B. Xie, K.M. Shyue and F. Xiao: High fidelity discontinuity-resolving reconstruction for compressible multiphase flows with moving interfaces, J. Comput. Phys. doi.org/10.1016/j.jcp.2018.03.036.
S. Ii, K. Sugiyama, S. Takagi and Y. Matsumoto, A computational blood flow analysis in a capillary vessel including multiple red blood cells and platelets, J. Biomech. Sci. Engrg., Vol.7, No.1(2012), pp. 72–83, DOI: 10.1299/jbse.7.72.
S. Miyauchi, S. Takeuchi and T. Kajishima, A numerical method for interaction problems between fluid and membranes with arbitrary permeability for fluid, J. Comput. Phys., Vol.345, No.15(2017), pp.33–57, DOI: 10.1016/j.jcp.2017.05.006.
R. Saurel, C. Pantano, Diffuse-Interface Capturing Methods for Compressible Two-Phase Flows, Ann. Rev. Fluid Mech. 50(2018), pp. 105–130, DOI: 10.1146/annurev-fluid-122316-050109.
D. Lakehal, Advances in DNS and LES of turbulent interfacial & dispersed multiphase flows, The 3rd International Conference on Numerical Methods in Multiphase Flows, ICNMMF-III, June 26–29 2017, Tokyo, Japan.
J. Tryoen, O.L. Maitre, M. Ndjinga and A. Ern, Intrusive projection methods with upwinding for uncertain non-linear hyperbolic systems, J. Comput. Phys. Vol.229, No.18(2010), pp.6485–6511, DOI: 10.1016/j.jcp.2010.05.007.
D. Xiu and J.S. Hesthaven, High-Order Collocation Methods for Differential Equations with Random Inputs, SIAM J. Sci. Comput., Vol.27, No.3(2005), pp.1118–1139, DOI: 10.1137/040615201.
J. Ling, A. Kurzawski, J. Templeton, Reynolds averaged turbulence modelling using deep neural networks with embedded invariance, J. Fluid Mech, Vol.807, No.11(2016), pp.155–166, DOI: 10.1017/jfm.2016.615.
Uphoff, C., Rettenberger, S., Bader, Madden, E.H., Ulrich, T., Wollherr, S. and Babriel, A.-A., Extreme scale multi-physics simulations of the tsunamigenic 2004 sumatra megathrust earthquake, Proceedings of SC17(2017), DOI: 10.1145/3126908.3126948.
Ryzhakov, P.B., Marti, J., Idelsohn, S.R. and Oñate, E., Fast fluid-structure interaction simulations using a displacement-based finite element model equipped with an explicit streamline integration prediction, Computer Methods in Applied Mechanics and Engineering, Vol.315(2017), pp.1080–1097, DOI: 10.1016/j.cma.2016.12.003.
Heltai, L., Kiendl, J., DeSimone, A. and Reali, A., A natural framework for isogeometric fluid-structure interaction based on BEM-shell coupling, Computer Methods in Applied Mechanics and Engineering, Vol.316(2017), pp.522–546, DOI: 10.1016/j.cma.2016.08.008.
Bause, M., Radu, F.A. and Köcher, U., Space-time finite element approximation of the Biot poroelasticity system with iterative coupling, Computer Methods in Applied Mechanics and Engineering, Vol.320(2017), pp.745–768, DOI: 10.1016/j.cma.2017.03.017.
Franci, A., Oñate, E., Carbonell, J.M. and Chiumenti, M., PFEM formulation for thermo-coupled FSI analysis. Application to nuclear core melt accident, Computer Methods in Applied Mechanics and Engineering, Vol.325(2017), pp.711–732, DOI: 10.1016/j.cma.2017.07.028.
Ryzhakov, P.B. and Oñate, E., A finite element model for fluid-structure interaction problems involving closed membranes, internal and external fluids, Computer Methods in Applied Mechanics and Engineering, Vol.326(2017), pp.422–445, DOI: 10.1016/j.cma.2017.08.014.
Quarteroni, A., Lassila, T., Rossi, S. and Ruiz-Bair, R., Integrated Heart – Coupling multiscale and multiphysics models for the simulation of the cardiac function, Computer Methods in Applied Mechanics and Engineering, Vol.314(2017), pp.345–407, DOI: 10.1016/j.cma.2016.05.031.
Kamensky, D., Hsu, M.-C., Yu, Y., Evans, A., Sacks, M.S. and Hughes, T.J.R., Immersogeometric cardiovascular fluid-structure interaction analysis with divergence-conforming B-splines, Computer Methods in Applied Mechanics and Engineering, Vol.314(2017), pp.408–472, DOI: 10.1016/j.cma.2016.07.028.
Yang, J., Wang, X., Krane, M. and Zhang, L.T., Fully-coupled aeroelastic simulation with fluid compressibility – For application to vocal fold vibration, Computer Methods in Applied Mechanics and Engineering, Vol.315(2017), pp.584–606, DOI: 10.1016/j.cma.2016.11.010.
Stoter, S.K.F., Müller, P., Cicalese, L., Tuveri, M., Schillinger, D. and Hughes, T.J.R., A diffuse interface method for the Navier-Stokes/Darcy equations: Perfusion profile for a patient-specific human liver based on MRI scans, Computer Methods in Applied Mechanics and Engineering, Vol.321(2017), pp.70–102, DOI: 10.1016/j.cma.2017.04.002.
Xu, W., Xu, B. and Guo, F., Elastic properties of particle-reinforced composites containing nonspherical particles of high packing density and interphase: DEM-FEM simulation and micromechanical theory, Computer Methods in Applied Mechanics and Engineering, Vol.326(2017), pp.122–143, DOI: 10.1016/j.cma.2017.08.010.
2nd International Conference on Computational Engineering and Science for Safety and Environmental Problems(COMPSAFE2017), http://compsafe2017.org/(参照日2018年3月30日).
1st International Conference on Computational Engineering and Science for Safety and Environmental Problems(COMPSAFE2014), http://www.compsafe2014.org/(参照日2018年3月30日).
Yamamoto, S. and Makino, J., A formulation of consistent particle hydrodynamics in strong form, Publications of the Astronomical Society of Japan, Vol. 69, No. 2(2017), DOI: 10.1093/pasj/psx008.
Zhu, G.X., Zou, L., Chen, Z., Wang, A.M. and Liu, M.B., An improved SPH model for multiphase flows with large density ratios, International Journal for Numerical Methods in Fluids, Vol. 86, No. 2(2018), DOI: 10.1002/fld.4412.
Rezavand, M., Taeibi-Rahni, M. and Rauch, W., An ISPH scheme for numerical simulation of multiphase flows with complex interfaces and high density ratios, Computers & Mathematics with Applications(In Press), DOI: 10.1016/j.camwa.2017.12.034.
Zhu, G.X., Zou, L., Chen, Z., Wang, A.M. and Liu, M.B., An improved SPH model for multiphase flows with large density ratios, International Journal for Numerical Methods in Fluids, Vol. 86, No. 2(2018), DOI: 10.1002/fld.4412.
Zheng, X., Shao, S., Khayyer, A., Duan, W., Ma, Q. and Liao, K., Corrected First-Order Derivative ISPH in Water Wave Simulations, Coastal Engineering Journal, Vol. 59, No. 1(2018), DOI: 10.1142/S0578563417500103.
Ye, Z. and Zhao, X., Investigation of water-water interface in dam break flow with a wet bed, Journal of Hydrology, Vol. 548(2017), DOI: 10.1016/j.jhydrol.2017.02.055.
Tamai, T., Murotani, K. and Koshizuka, S., On the consistency and convergence of particle-based meshfree discretization schemes for the Laplace operator, Computers & Fluids, Vol. 142(2017), DOI: 10.1016/j.compfluid.2016.02.012.
Basic, J., Degiuli, N. and Ban, D., A class of renormalised meshless Laplacians for boundary value problems, Journal of Computational Physics, Vol. 354(2018), DOI: 10.1016/j.jcp.2017.11.003.
Imoto, Y. and Tagami, D., Truncation error estimates of approximate differential operators of a particle method based on the Voronoi decomposition, JSIAM Letters, Vol. 9(2017), DOI: 10.14495/jsiaml.9.69.
Tsuzuki, S. and Aoki, T., Effective Dynamic Load Balance Using Space-filling Curves for Large-scale SPH Simulations on GPU-rich Supercomputers, Proceedings of the 7th Workshop on Latest Advances in Scalable Algorithms for Large-Scale Systems(2016), DOI: 10.1109/ScalA.2016.5.
Furuichi, M. and Nishiura, D., Iterative load-balancing method with multigrid level relaxation for particle simulation with short-range interactions, Computer Physics Communications, Vol. 219(2017), DOI: 10.1016/j.cpc.2017.05.015.
Rao, C., Zhang, Y. and Wan, D., Numerical simulation of the solitary wave interacting with an elastic structure using MPS-FEM coupled method, Journal of Marine Science and Application, Vol. 16, No. 4(2017), DOI: 10.1007/s11804-017-1430-x.
Khayyer, A., Gotoh, H., Falahaty, H. and Shimizu, Y., Towards development of enhanced fully-Lagrangian mesh-free computational methods for fluid-structure interaction, Journal of Hydrodynamics, Vol. 30, No. 1(2018), DOI: 10.1007/s42241-018-0005-x.
Cano-Pleite E., Hernández-Jiménez, F., Acosta-Iborra, A., Tsuji, T. and Müller, C.R., Segregation of equal-sized particles of different densities in a vertically vibrated fluidized bed, Powder Technology, Vol. 316(2017), DOI: 10.1016/j.powtec.2017.01.007.
Nishiura, D., Sakai, H., Aikawa, A., Tsuzuki, S. and Sakaguchi, H., Novel discrete element modeling coupled with finite element method for investigating ballasted railway track dynamics, Computers and Geotechnics(2018), DOI: 10.1016/j.compgeo.2017.10.011.
Zhang, F., Zhang X., Sze, K.Y., Lian, Y. and Liu, Y., Incompressible material point method for free surface flow, Journal of Computational Physics, Vol. 330(2017), DOI: 10.1016/j.jcp.2016.10.064.
Zhang, F., Crespo, A., Altomare, C. Dominguez, J., Marzeddu, A., Shang, S. and Gomez, G.M., DualSPHysics: A numerical tool to simulate real breakwaters, Journal of Hydrodynamics, Vol. 30, No. 1(2018), DOI: 10.1007/s42241-018-0010-0.
Iwasawa, M., Tanikawa, A., Hosono, N., Nitadori, K., Muranushi, T. and Makino, J., Implementation and performance of FDPS: a framework for developing parallel particle simulation codes, Publications of the Astronomical Society of Japan, Vol. 68, No. 4(2016), DOI: 10.1093/pasj/psw053.
S. Schulz, Phase-field simulations of multi-component solidification and coarsening based on thermodynamic datasets, Karlsruher Institut Fuer Technologie,(2017).
H. Liu and J.F. Nie, Phase field simulation of microstructures of Mg and Al alloys, Materials Science and Technology, Volume 33,(2017), 2159–2172, DOI: 10.1080/02670836.2017.1375749.
Y. Li, S. Hu, X. Sun and M. Stan, A review: applications of the phase field method in predicting microstructure and property evolution of irradiated nuclear materials, npj Computational Materials, Vol. 3, Article number: 16,(2017), DOI: 10.1038/s41524-017-0018-y.
K. Sasaki, A. Yamanaka, S. Ito, H. Nagao, Data assimilation for Phase-field Models based on the Ensemble Kalman Filter, Computational Materials Science, Vol. 141,(2018), 141–152, DOI: 10.1016/j.commatsci.2017.09.025.
S. Ito, H. Nagao, A. Yamanaka, Y. Tsukada, T. Koyama, M. Kano, and J. Inoue, Data assimilation for massive autonomous systems based on a second-order adjoint method, Phys. Rev. E, Vol. 94,(2016), 043307, DOI: 10.1103/PhysRevE.94.043307.
S. Ito, H. Nagao, T. Kasuya and J. Inoue, Grain growth prediction based on data assimilation by implementing 4DVar on multiphase-field model, Science and Technology of Advanced Materials, Vol. 18, No. 1,(2017), 857–868, DOI: 10.1080/14686996.2017.1378921.
E. Miyoshi, T. Takaki, M. Ohno, Y. Shibuta, S. Sakane, T. Shimokawabe, and T. Aoki, Ultra-large-scale phase-field simulation study of ideal grain growth, npj Computational Materials, Vol. 3, Article number: 25,(2017), 1–6.
M. Ohno, T. Takaki and Y. Shibuta, Variational formulation of a quantitative phase-field model for nonisothermal solidification in a multicomponent alloy, Physical Review E, Vol. 96,(2017), 033311, DOI: 10.1103/PhysRevE.96.033311.
X. Dong, H. Xing, K. Weng, and H. Zhao, Current development in quantitative phase-field modeling of solidification, Journal of Iron and Steel Research, International, Vol. 24, Issue 9,(2017), 865–878, DOI: 10.1016/S1006-706X(17)30129-2.
A. Bhattacharya, K. Ankit, and B. Nestler, Phase-field simulations of curvature-induced cascading of Widmanstätten-ferrite plates, Acta Materialia, Vol. 123,(2017), 317–328, DOI: 10.1016/j.actamat.2016.10.035.
M. Segawa, A. Yamanaka, and S. Nomoto, Multi-phase-field simulation of cyclic phase transformation in Fe-C-Mn and Fe-C-Mn-Si alloys, Computational Materials Science, Vol. 136,(2017), 67–75, DOI: 10.1016/j.commatsci.2017.04.014.
R. Schiedung, R.D. Kamachali, I. Steinbach, and F. Varnik, Multi-phase-field model for surface and phase-boundary diffusion, Phys. Rev. E, Vol. 96,(2017), 012801, DOI: 10.1103/PhysRevE.96.012801.
Tanabe, R., Ishibuchi, H., and Oyama, A., “Benchmarking Multi- and Many-Objective Evolutionary Algorithms Under Two Optimization Scenarios,” IEEE Access, vol.5, 2017, pp.19597–19619; DOI: 10.1109/ACCESS.2017.2751071.
Tabib, M., Siddiqui, S.M., Fonn, E., Rasheed, A., and Kvamsdal, T., “Near Wake Region of an Industrial Scale Wind Turbine: Comparing LES-ALM with LES-SMI Simulations Using Data Mining(POD),” Journal of Physics, vol.854, 2017, p. 012044; DOI: 10.1088/1742-6596/854/1/012044.
Liu, S., Lu, L., Zhang, Y., Xin, T., Ji, Y., and Wang, R., “Research on Concept Drift Detection for Decision Tree Algorithm in the Stream of Big Data,” Parallel Architecture, Algorithm and Programming, Springer, 2017, pp. 237–246; DOI: 10.1007/978-981-10-6442-5_21.
Wang, Z. and Gu, Y., “A Steady-State Detection Method Based on Gaussian Discriminant Analysis for the On-Line Gas Turbine Process,” Applied Thermal Engineering, vol.133, 2018, pp.1–7; DOI: 10.1016/j.applthermaleng.2018.01.025.
Isoshima, N., Shimoyama, K., and Obayashi, S., “Change-Point Detection between Two Unsteady CFD Simulation Results by Sparse Structure Learning,” AIAA Paper 2018–1170, 2018; DOI: 10.2514/6.2018-1170.
Tokuda, S., Nagata, K., and Okada, M., “Simultaneous Estimation of Noise Variance and Number of Peaks in Bayesian Spectral Decomvolution,” Journal of the Physical Society of Japan, vol.86, no.2, 2017, p.024001; DOI: 10.7566/JPSJ.86.024001.
Kobayashi, S. and Shirayama, S., “Time Series Forecasting with Multiple Deep Learners: Selection from a Bayesian Network,” Journal of Data Analysis and Information Processing, vol.5, 2017, pp.115–130; DOI: 10.4236/jdaip.2017.53009.
Chiba, K. and Nakata, M., “From Extraction to Generation of Design Information – Paradigm Shift in Data Mining via Evolutionary Learning Classifier System,” Procedia Computer Science, vol.108, 2017, pp.1662–1671; DOI: 10.1016/j.procs.2017.05.233.
Hamada, N. and Chiba, K., “Knee Point Analysis of Many-Objective Pareto Fronts Based on Reeb Graph,” Proceedings on IEEE Congress on Evolutionary Computation, 2017, pp.1603–1612.
Quagliarella, D. and Iuliano, E., “Robust Design of a Supersonic Natural Laminar Flow Wing-Body,” IEEE Computational Intelligence Magazine, vol.12, no.4, 2017, pp.14–27; DOI: 10.1109/MCI.2017.2742718.
Rodriguez-Fernandez, V., Gonzalez-Pardo, A., and Camacho, D., “Modelling Behaviour in UAV Operations Using Higher Order Double Chain Markov Models,” IEEE Computational Intelligence Magazine, vol.12, no.4, 2017, pp.28–37; DOI: 10.1109/MCI.2017.2742738.
Min, A.T.W., Sagarna, R., Gupta, A., Ong, Y.S., and Goh, C.K., “Knowledge Transfer Through Machine Learning in Aircraft Design,” IEEE Computational Intelligence Magazine, vol.12, no.4, 2017, pp.48–60; DOI: 10.1109/MCI.2017.2742781.
Yoshimura, M., Shimoyama, K., Misaka, T., and Obayashi, S., “Topology Optimization of Fluid Problems Using Genetic Algorithm Assisted by the Kriging Model,” International Journal for Numerical Methods in Engineering, vol.109, issue 4, 2017, pp.514–532; DOI: 10.1002/nme.5295.
E. Haber, Deep Learning Meets Differential Equations and Optimal Control, 14th U.S. National Congress on Computational Mechanics, Semi-plenary lecture, Montreal, 2017.