[論文レビュー] Predictive Limitations of Physics-Informed Neural Networks in Vortex Shedding

Pi-Yueh Chuang, Lorena A. Barba|arXiv (Cornell University)|May 31, 2023

Model Reduction and Neural Networks被引用数 12

ひとこと要約

この論文は、2D円柱流れの渦脱発を予測する際のPINNの限界を分析し、データなしPINNは脱発を予測できず、データ駆動PINNは性能が低く、安定状態へ戻ることがある。

ABSTRACT

The recent surge of interest in physics-informed neural network (PINN) methods has led to a wave of studies that attest to their potential for solving partial differential equations (PDEs) and predicting the dynamics of physical systems. However, the predictive limitations of PINNs have not been thoroughly investigated. We look at the flow around a 2D cylinder and find that data-free PINNs are unable to predict vortex shedding. Data-driven PINN exhibits vortex shedding only while the training data (from a traditional CFD solver) is available, but reverts to the steady state solution when the data flow stops. We conducted dynamic mode decomposition and analyze the Koopman modes in the solutions obtained with PINNs versus a traditional fluid solver (PetIBM). The distribution of the Koopman eigenvalues on the complex plane suggests that PINN is numerically dispersive and diffusive. The PINN method reverts to the steady solution possibly as a consequence of spectral bias. This case study reaises concerns about the ability of PINNs to predict flows with instabilities, specifically vortex shedding. Our computational study supports the need for more theoretical work to analyze the numerical properties of PINN methods. The results in this paper are transparent and reproducible, with all data and code available in public repositories and persistent archives; links are provided in the paper repository at \url{https://github.com/barbagroup/jcs_paper_pinn}, and a Reproducibility Statement within the paper.

研究の動機と目的

• データなしのPINNの能力を、渦脱発のような不安定性を伴う流体力学で慎重に評価する動機付け。
• データなし、データ駆動、安定/非安定PINNの定式化を従来のCFDソルバー（PetIBM）と比較する。
• ダイナミックモード分解とクープマン解析を通じてPINNのスペクトル特性と数値挙動を調査する。

提案手法

• 自動微分を用いて運動量、連続の残差、および境界条件/初期条件を計算することでPINNを用いた2D不可压 Navier–Stokesを解く。
• 時空間の配置点(collocation points)でPINNを訓練し、PDE残差と境界条件/初期条件のL2損失を含む総和損失を最小化する。
• 学習率スケジュール（指数的および循環的）を使用したAdam最適化子を用い、PetIBM CFD結果と比較する。
• 既知のベンチマークを用いて2D Taylor-Green渦（Re=100）および2D円柱流（Re=40）に対してPINNを検証する。
• 動的モード分解およびクープマン解析をPINNとPetIBM解に対して実施し、スペクトル特性を検討する。

実験結果

リサーチクエスチョン

• RQ1 データなしPINNはRe=200の2D円柱流れで渦の脱発を捕捉できるか？
• RQ2 CFDデータで訓練されたデータ駆動PINNは脱発を再現できるか、そしてそれが非定常/定常PINNのバリエーションとどう比較されるか？
• RQ3 PINN解はKoopman固有値やDMDモードで伝統的なCFD解とスペクトル的にどのように異なるか？
• RQ4 観測された脱発抑制は、数値分散、拡散、またはPINNのスペクトルバイアスに関連しているのか？
• RQ5 不安定性を伴う流れでPINNを使用する際の実践的な意味は何か？

主な発見

手法	C_D	C_{D_p}	C_{D_f}
Steady PINN	1.62	1.06	0.55
Unsteady PINN	1.60	1.06	0.55
PetIBM	1.63	1.02	0.61

• データなしPINNはRe=200の2D円柱流で渦脱発を予測できない。
• データ駆動PINNは CFDデータの流れが存在する場合にのみ脱発を示し、それ以外は非振動の定常状態へ戻る。
• 非定常PINNは安定PINNよりも高い損失に収束することがあり、データ駆動PINNはさらに高い損失に収束することがある。
• スペクトル解析（Koopman）はPINNが数値的に分散・拡散的であり、脱発のダイナミクスが頑健には捉えられていないことを示す。
• PetIBMと比較して、PINNベースの抗力係数は一部のケースで近いが、特にデータ駆動系で時間的挙動が不定である。