[論文レビュー] Model Reduction for Advection Dominated Hyperbolic Problems in an ALE Framework: Offline and Online Phases

Davide Torlo|arXiv (Cornell University)|Mar 30, 2020

Model Reduction and Neural Networks被引用数 6

ひとこと要約

本稿では、移動する特徴をパrameterおよび時間領域にわたって整合させるために任意ラグランジュ–オイラー（ALE）定式化を用いた、広義の移動優勢な双曲型問題に対する新しいモデル順序低減（MOR）フレームワークを提案する。多項式回帰またはニューラルネットワークを用いてキャリブレーションマップを学習することで、有効なオフラインにおける低次元基底の生成と、効率的なオンラインにおける解再構成が可能となり、非線形フラックスおよび変化する境界条件を有する1次元スカラー問題において、顕著な次元削減と計算高速化を達成した。

ABSTRACT

Model order reduction (MOR) techniques have always struggled in compressing information for advection dominated problems. Their linear nature does not allow to accelerate the slow decay of the Kolmogorov $N$--width of these problems. In the last years, new nonlinear algorithms obtained smaller reduced spaces. In these works only the offline phase of these algorithms was shown. In this work, we study MOR algorithms for unsteady parametric advection dominated hyperbolic problems, giving a complete offline and online description and showing the time saving in the online phase. We propose an arbitrary Lagrangian--Eulerian approach that modifies both the offline and online phases of the MOR process. This allows to calibrate the advected features on the same position and to strongly compress the reduced spaces. The basic MOR algorithms used are the classical Greedy, EIM and POD, while the calibration map is learned through polynomial regression and artificial neural networks. In the performed simulations we show how the new algorithm defeats the classical method on many equations with nonlinear fluxes and with different boundary conditions. Finally, we compare the results obtained with different calibration maps.

研究の動機と目的

• 移動優勢な双曲型問題における古典的MORのKolmogorov N-幅の低下が遅いという課題に対処すること。
• パrametric時間依存問題における実用的な計算削減を実現する完全なオフライン・オンラインMORアルゴリズムの開発。
• キャリブレーションされたALEフレームワークを用いて移動特徴を整合させることで、効果的な次元削減を実現すること。
• 多項式回帰とニューラルネットワークの両方を用いた回帰ベースのキャリブレーションマップの性能と効率性を比較・評価すること。
• 古典的手法（Greedy、POD、EIM）をALEを用いて移動フレームに拡張し、双曲型問題における限界を克服すること。

提案手法

• 双曲型PDEをALEフレームワークに定式化し、特徴が整合される基準領域に問題を変換する。
• ショックなどの移動特徴を追跡するために、時間依存のメッシュ速度（キャリブレーションマップ）を多項式回帰または人工ニューラルネットワークを用いて学習する。
• オフライン段階で古典的手法のGreedyアルゴリズムを用い、パrameter空間をサンプリングし、低次元基底を構築する。
• 解多様体の時間的変化を圧縮するために、固有直交分解（POD）を用いる。
• 非線形フラックス項を低次元空間で効率的に処理するために、経験的補間法（EIM）を適用する。
• オフラインおよびオンライン段階をすべてALE変換された方程式に対して実行することで、高速なオンライン解評価を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ALEフレームワークは、移動優勢な双曲型問題における移動特徴を効果的に整合させ、効率的なモデル順序低減を可能にするか？
• RQ2 多項式回帰とニューラルネットワークの両方を用いたキャリブレーションマップ学習戦略の違いが、低次元オンライン段階の精度と効率性にどのように影響するか？
• RQ3 古典的手法（Greedy、POD、EIM）をALEフレームワークに適用することで、高い圧縮率と高速化を達成できるか、その範囲はどの程度か？
• RQ4 提案されたALE-MOR手法は、古典的手法（Eulerian MOR）と比較して、低次元基底の次元とオンライン計算コストの両面で優れているか？
• RQ5 非線形フラックスと多様な境界条件を有する問題に対しても、精度と効率性を維持しながら処理できるか？

主な発見

• ALE-PODEI-Greedyアルゴリズムは、Buckley–Leverett方程式に対して（25, 45）の低次元基底次元を達成し、270個のEIM基底関数を用いても許容誤差を満たさない古典的Eulerian手法と比べて顕著に優れた性能を示した。
• ALEフレームワークを用いたオンライン段階では、正確な解とほとんど区別がつかない解が得られたが、Eulerianのオンライン段階では正しいショックダイナミクスを捉えることができなかった。
• キャリブレーションマップ学習に多項式回帰とニューラルネットワークの両方をテストしたが、区分的線形マップが多項式を上回り、より大きなトレーニングセットでより良い収束を示した。
• 非線形フラックスを有するさまざまな方程式および境界条件に対して、本アルゴリズムは一貫した圧縮性能の向上を示し、低次元空間における強力なロバストネスを示した。
• オフライン段階では高い精度の低次元空間が正常に構築され、特徴が整合されていることと、コンactな低次元基底のおかげで、オンライン段階で顕著な計算コスト削減が達成された。
• 本手法は、1次元系で1つの主要な速度を持つ場合に一般化可能であり、適切なキャリブレーションマップ（例：Gordon–Hall曲線）を用いれば2次元への拡張も可能である。