[논문 리뷰] A Comprehensive Physics-Informed Machine Learning Framework for Predictive Turbulence Modeling

Jianxun Wang, Jinlong Wu외 3명|arXiv (Cornell University)|2017. 01. 24.

Model Reduction and Neural Networks참고 문헌 24인용 수 40

한 줄 요약

이 논문은 고정밀도 데이터에서 레이놀즈 응력의 차이를 학습함으로써 RANS 난류 모델링을 향상시키는 물리 기반 기계 학습(PIML) 프레임워크를 제시한다. 입력 특징에 인вар리언트를 통합하고 보정된 레이놀즈 응력을 RANS 방정식을 통해 전파함으로써, 훈련 데이터보다 높은 레이놀즈 수에서의 정사각형 도랑에서 레이놀즈 응력과 평균 속도장 둘 다를 정확하게 예측할 수 있었으며, 이는 점별 응력 보정을 넘어서 예측 능력을 입증한다.

ABSTRACT

Although an increased availability of computational resources has enabled high-fidelity simulations of turbulent flows, the RANS models are still the dominant tools for industrial applications. However, the predictive capabilities of RANS models are limited by potential inaccuracy driven by hypotheses in the Reynolds stress closure. Recently, a Physics-Informed Machine Learning (PIML) approach has been proposed to learn the functional form of Reynolds stress discrepancy in RANS simulations based on available data. It has been demonstrated that the learned discrepancy function can be used to improve Reynolds stresses in different flows where data are not available. However, owing to a number of challenges, the improvements have been demonstrated only in the Reynolds stress prediction but not in the corresponding propagated quantities of interest. In this work, we introduce the procedures toward a complete PIML framework for predictive turbulence modeling, including learning Reynolds stress discrepancy function, predicting Reynolds stresses in different flows, and propagating to mean flow fields. The process of Reynolds stress propagation and predictive accuracy of the propagated velocity field are investigated. To improve the learning-prediction performance, the input features are enriched based on an integrity basis of invariants. The fully developed turbulent flow in a square duct is used as the test case. The discrepancy model is trained on flow fields obtained from several Reynolds numbers and evaluated on a duct flow at a Reynolds number higher than any of the training cases. The predicted Reynolds stresses are propagated to velocity field through RANS equations. Numerical results show excellent predictive performances in both Reynolds stresses and their propagated velocities, demonstrating the merits of the PIML approach in predictive turbulence modeling.

연구 동기 및 목표

• 사전에 레이놀즈 응력 보정을 넘어서 평균 유동장의 예측 모델링으로 확장되는 완전한 PIML 프레임워크를 개발하는 것.
• 기존의 데이터 기반 접근 방식이 레이놀즈 응력 향상 결과를 속도와 같은 의미 있는 양으로 전파하지 못하는 한계를 해결하는 것.
• 유동 조건 간의 일반화를 향상시키기 위해 입력 특징 공간에 물리적 인버리언트를 통합함으로써 학습 성능을 향상시키는 것.
• 다양한 레이놀즈 수에서의 정상적인 난류 유동—정사각형 도랑 내 완전히 발달한 흐름—을 대상으로 프레임워크를 검증하는 것.

제안 방법

• 랜덤 포레스트 회귀기로 RANS 예측값과 고정밀도(DNS) 레이놀즈 응력 간의 차이를 학습한다.
• 원시 평균 유동 변수(예: 변형률, 회전률)에서 유도된 인버리언트의 정합성 기반을 구성함으로써 입력 특징을 풍부화시켜 일반화와 물리적 일관성을 향상시킨다.
• 훈련 데이터에 포함되지 않은 높은 레이놀즈 수의 경우를 포함한 새로운 유동에서 레이놀즈 응력 보정을 예측하는 훈련된 차이 모델을 사용한다.
• 보정된 레이놀즈 응력은 RANS 방정식에 의해 전파되어 평균 속도장을 예측한다.
• 실현 가능성과 대칭성과 같은 물리적 제약 조건을 통합하여 물리적으로 의미 있는 예측을 보장한다.
• 낮은 레이놀즈 수에서의 훈련 데이터를 사용하고 높은 레이놀즈 수에서의 테스트를 수행함으로써, 완전히 발달한 정사각형 도랑 내 난류 흐름에서 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 낮은 레이놀즈 수에서의 유동에서 훈련된 데이터 기반 모델이 동일한 기하학적 조건에서 더 높은 레이놀즈 수의 유동에서 레이놀즈 응력의 차이를 정확하게 예측할 수 있는가?
• RQ2 보정된 레이놀즈 응력을 RANS 방정식에 전파함으로써 기준 RANS에 비해 평균 속도장의 예측 성능이 향상되는가?
• RQ3 입력 특징에 물리적 인버리언트를 통합함으로써 기계 학습 모델의 일반화 및 정확도에 어떤 영향을 미치는가?
• RQ4 PIML 프레임워크가 안정적인 속도장 전파를 위해 필요한 매끄럽고 물리적으로 일관된 레이놀즈 응력장 예측을 어느 정도 보장할 수 있는가?
• RQ5 이 프레임워크는 단일 도넛 기하구조를 넘어서 다양한 유동 구조로 일반화될 수 있는가?

주요 결과

• PIML 프레임워크는 훈련 데이터 범위를 초월해, 훈련에 사용된 어느 수치보다도 더 높은 레이놀즈 수에서 정사각형 도랑 내 레이놀즈 응력을 성공적으로 예측하여, 훈련 데이터 범위 외로의 외삽 능력을 입증한다.
• 보정된 레이놀즈 응력은 예측된 평균 속도장에 상당한 향상을 가져왔으며, 수치 결과는 고정밀도 기준 데이터와 뛰어난 일치를 보였다.
• 원시 물리적 좌표에 비해 입력 특징에 정합성 인버리언트 기반을 사용함으로써 모델의 일반화 및 예측 정확도가 향상됨을 확인하였다.
• PIML 프레임워크는 레이놀즈 응력과 그에 따른 속도장 둘 다를 정확하게 예측하여, PIML 접근 방식이 단순한 사전 보정을 넘어서 예측 난류 모델링에 활용될 수 있음을 시사한다.
• 기계 학습 예측의 비연속성은 안정적인 속도장 전파를 위한 주요 과제로 밝혀졌으며, 향후 연구에서는 매끄러움을 보장하기 위해 공간 상관 구조를 통합해야 할 것으로 제안된다.
• 이 방법은 데이터 기반 학습과 물리적 일관성을 효과적으로 융합하여, 복잡한 난류 흐름에서 신뢰할 수 있는 예측을 가능하게 함을 보여주었다.