[論文レビュー] Data-scarce surrogate modeling of shock-induced pore collapse process

Siu Wun Cheung, Youngsoo Choi+2 more|arXiv (Cornell University)|May 31, 2023

Seismic Imaging and Inversion TechniquesEarth and Planetary Sciences被引用数 3

ひとこと要約

本稿では、衝撃圧力を条件入力として用いる物理情報付き動的モード分解（DW-DMD）と条件付き生成対抗ネットワーク（CcGAN）を用いて、データが乏しい状況下での衝撃誘発孔洞収縮の代替モデルを提案する。パラメトリックDW-DMDは再現性において0.3%の相対誤差を達成し、補間においては1.3–5%の誤差を示し、特にデータが乏しい状況下でも、精度と効率の面でCcGANを上回る性能を発揮する。

ABSTRACT

Understanding the mechanisms of shock-induced pore collapse is of great interest in various disciplines in sciences and engineering, including materials science, biological sciences, and geophysics. However, numerical modeling of the complex pore collapse processes can be costly. To this end, a strong need exists to develop surrogate models for generating economic predictions of pore collapse processes. In this work, we study the use of a data-driven reduced order model, namely dynamic mode decomposition, and a deep generative model, namely conditional generative adversarial networks, to resemble the numerical simulations of the pore collapse process at representative training shock pressures. Since the simulations are expensive, the training data are scarce, which makes training an accurate surrogate model challenging. To overcome the difficulties posed by the complex physics phenomena, we make several crucial treatments to the plain original form of the methods to increase the capability of approximating and predicting the dynamics. In particular, physics information is used as indicators or conditional inputs to guide the prediction. In realizing these methods, the training of each dynamic mode composition model takes only around 30 seconds on CPU. In contrast, training a generative adversarial network model takes 8 hours on GPU. Moreover, using dynamic mode decomposition, the final-time relative error is around 0.3% in the reproductive cases. We also demonstrate the predictive power of the methods at unseen testing shock pressures, where the error ranges from 1.3% to 5% in the interpolatory cases and 8% to 9% in extrapolatory cases.

研究の動機と目的

• 多孔質材料における衝撃誘発孔洞収縮をシミュレートする際の高い計算コストの課題に対処すること。
• 限られた学習データを用いて、さまざまな衝撃圧力下での孔洞収縮ダイナミクスを予測する効率的な代替モデルを開発すること。
• データの乏しさと複雑な対流支配型物理現象の課題を、データ駆動型モデルに物理的制約を統合することで克服すること。
• 予測精度と学習効率の観点から、動的モード分解（DW-DMD）と条件付き生成対抗ネットワーク（CcGAN）の性能を比較すること。
• 未学習の衝撃圧力における補間的および外挿的状況において、モデルのロバスト性を示すこと。

提案手法

• 高精度なシミュレーションスナップショットから空間時間モードを抽出するために、ウィンドウ付き動的モード分解（DW-DMD）を用いる。
• 衝撃圧力のパラメトリック補間をDW-DMDの条件入力として導入し、圧力依存のダイナミクスをモデル化する。
• 時間領域に局所化された低次元モデルの精度と安定性を向上させるために、ウィンドウ処理を適用する。
• 衝撃圧力を条件入力として用いるU-Netベースの条件付き生成対抗ネットワーク（CcGAN）を用い、孔洞収縮ダイナミクスを生成する。
• 物理的情報を指標または条件入力として統合し、モデル学習を支援し、一般化性能を向上させる。
• ALE3D流体動力学コードから得られる代表的な衝撃圧力におけるスパarsなシミュレーションデータを用いてモデルを学習し、大規模データセットへの依存を最小限に抑える。

Fig. 1: Schematic diagram for illustration of shock-induced pore collapse process. At first, the shock approaches and travels through the pore. The pore eventually deforms and develops into a high-temperature profile after the interaction with the shock.

実験結果

リサーチクエスチョン

• RQ1 パラメトリック補間を施した物理情報付き動的モード分解（DW-DMD）は、データが乏しい状況下でも、孔洞収縮の正確かつ効率的な予測を達成できるか？
• RQ2 学習セットに含まれない衝撃圧力における補間的および外挿的状況において、DW-DMDの予測精度はCcGANに比べてどの程度優れているか？
• RQ3 学習データサイズの増加が、複雑な対流支配型ダイナミクスを捉える能力に与える影響は何か？ CcGANとDW-DMDの両者において、性能にどのような変化が生じるか？
• RQ4 DW-DMDにおけるウィンドウ処理は、時間的に局所化された領域における低次元モデルの安定性と精度をどの程度向上させるか？
• RQ5 限られたデータで学習した代替モデルは、補間的および外挿的領域における未学習の衝撃圧力に対しても、効果的に一般化できるか？

主な発見

• パラメトリックDW-DMDモデルは再現性のある状況で最終時刻の相対誤差が約0.3%に達し、最小限のデータで高い精度を示している。
• 補間的状況では、未学習の衝撃圧力においても、DW-DMDモデルの相対誤差は1.3%から5%の範囲を維持しており、優れた一般化能力を示している。
• 外挿的状況では、DW-DMDモデルの相対誤差は8%から9%であり、同じ条件下で20%の誤差を示すグローバルなCcGANに比べて顕著に低い。
• 単一のDW-DMDモデルの学習にはCPUで約30秒で済み、一方CcGANモデルの学習にはGPUで8時間も要するため、DW-DMDは著しい効率的優位性を示している。
• より多くの学習用衝撃圧力を追加しても、CcGANの性能はわずかに向上するが、誤差は常に約20%のままであり、データが乏しい状況下でのスケーラビリティに限界があることが示された。
• 両モデルに衝撃圧力を条件入力として統合することで、特にパラメトリックDW-DMDのフレームワークにおいて、圧力領域全体にわたる一般化能力が向上した。

Fig. 2: Schematics of non-intrusive surrogate models of the discrete dynamics of pore collapse. In the offline phase, the snapshot data from training shock pressures are used as the input and the output of the recurrence relation in the discrete dynamics, and dynamic mode decomposition or U-Net gene