[논문 리뷰] A Data-Driven Surrogate Modeling Approach for Time-Dependent Incompressible Navier-Stokes Equations with Dynamic Mode Decomposition and Manifold Interpolation

Martin W. Hess, Annalisa Quaini외 1명|arXiv (Cornell University)|2022. 01. 26.

Model Reduction and Neural Networks인용 수 4

한 줄 요약

이 논문은 고유직렬분해(POD), 동적모드분해(DMD), 그리고 다양체 보간을 조합한 다단계 프레임워크를 사용하여 시간에 따라 변화하는 비압축성 나비에-스토크스 방정식에 대한 데이터 기반 대체 모델링 방법을 제시한다. 이 방법은 난류에 가까운 고그라슈호프 수 영역에서 조건이 복잡한 시간 주기성 및 혼돈류 유동을 정확하게 포착하며, 훈련 데이터에 존재하지 않는 주파수를 복원함으로써 엔지니어링 정확도(평균 오차 2–15%)를 달성한다.

ABSTRACT

This work introduces a novel approach for data-driven model reduction of time-dependent parametric partial differential equations. Using a multi-step procedure consisting of proper orthogonal decomposition, dynamic mode decomposition and manifold interpolation, the proposed approach allows to accurately recover field solutions from a few large-scale simulations. Numerical experiments for the Rayleigh-Bénard cavity problem show the effectiveness of such multi-step procedure in two parametric regimes, i.e.~medium and high Grashof number. The latter regime is particularly challenging as it nears the onset of turbulent and chaotic behaviour. A major advantage of the proposed method in the context of time-periodic solutions is the ability to recover frequencies that are not present in the sampled data.

연구 동기 및 목표

• 복잡한 역학적 특성(분기, 주기성 포함)을 가진 시간에 따라 변화하는 매개변수적 PDE에 대한 비침습적, 데이터 기반의 축소 차원 모델(ROM)을 개발하는 것.
• 학습 데이터에서의 주파수와 다를 수 있는 매개변수 값 간의 해를 보간하는 문제를 해결하는 것, 특히 난류에 가까운 고그라슈호프 수 영역에서의 문제에 초점 맞춤.
• 단지 몇 개의 샘플된 매개변수에서의 고정밀도 시뮬레이션 데이터만을 사용하여 새로운 매개변수 값에서의 필드 해를 온라인 예측할 수 있도록 하는 것.
• 기존의 ROM, 신경망(ANN), 신경미분방정식(Neural ODE), 희소 식별 기법의 한계를 극복하여 분기 시스템에서의 주파수 이동을 정확히 포착하는 것.
• 헤이프-버너드 캐비티 문제에 대해 이 방법을 검증하는 것. 이 문제는 호프 분기와 복잡한 시간 주기성 행동을 보이는 벤치마크 문제이다.

제안 방법

• 고정밀도 나비에-스토크스 해의 차원을 줄이기 위해 공간 모드를 추출하기 위해 고유직렬분해(POD)를 적용한다.
• POD 계수에 대해 동적모드분해(DMD)를 사용하여 주파수 및 성장률을 포함한 시간 역학을 추출한다.
• 비선형 매개변수 의존성을 다루기 위해 다양체 보간을 사용해 DMD 연산자를 매개변수 값 간에 보간한다.
• POD 모드와 보간된 DMD 역학을 조합하여 대체 모델을 구축함으로써 새로운 매개변수에서의 온라인 예측을 가능하게 한다.
• 오프라인-온라인 분해를 다단계로 적용: 오프라인에선 POD 모드, DMD 연산자, 다양체 보간을 계산하고, 온라인에선 저비용 장치에서 평가한다.
• 미래 확장으로서 비평탄한 메트릭 또는 복소수 DMD를 적용해 보간의 안정성과 정확도를 향상시킬 수 있다.

실험 결과

연구 질문

• RQ1 학습 데이터에서의 주파수와 다를 수 있는 온라인 매개변수에서의 주기적 해를 정확하게 예측할 수 있는가?
• RQ2 분기 현상이 존재하는 매개변수 영역에서 DMD 기반 역학을 효과적으로 보간할 수 있는가, 특히 주기의 변화가 크기 때문에?
• RQ3 DMD 연산자의 다양체 보간이 고그라슈호프 수 영역에서 시간 주기성 해의 정확한 주파수와 진폭을 얼마나 잘 유지할 수 있는가?
• RQ4 이 다단계 접근법이 복잡한 비정상적 행동을 보이는 혼돈 영역 근처에서 기존의 ROM, ANN, 희소 식별 기법보다 우수한 성능을 보일 수 있는가?
• RQ5 이 방법은 중간 및 고그라슈호프 수 영역, 특히 난류에 가까운 흐름에서도 엔지니어링 정확도를 달성할 수 있을 정도로 강건한가?

주요 결과

• 제안된 ROM은 중간 및 고그라슈호프 수 영역에서 L² 및 L∞ 노름에서 평균 상대 오차가 2%에서 15% 사이로 나타나며, 전체 해와의 직접 비교 대비 오차가 감소함을 확인하였다.
• Gr = 674.92×10³일 때, L² 및 L∞ 노름에서 평균 오차 3.5%에서 5% 이내로 나타나 주요 유동 특징을 잘 포착하였으며, 일부 롤에서의 위상 불일치가 존재하더라도 성능이 우수하였다.
• Gr = 683.985×10³일 때, L∞ 노름에서 평균 오차는 14%, 최대 오차는 25%로 증가하였으며, 이는 중간 롤에서 위상 불일치로 인한 민감도를 나타내었다.
• 샘플된 데이터에 존재하지 않는 주파수를 성공적으로 복원하여, 시간 역학이 이동한 경우에도 새로운 매개변수 값에서 정확한 시뮬레이션을 가능하게 하였다.
• 고차원 POD 모드는 정규 DMD로는 잘 포착되지 않는 복잡한 비정현파적 행동을 보이지만, 본 방법은 주로 주요 모드의 정확한 표현에 중점을 두어 엔지니어링 정확도에는 충분하다.
• 고그라슈호프 영역에서 전체 해와의 직접 비교는 최대 35%의 오차를 보였지만, ROM은 평균 오차 15% 이내를 유지하여 전체 해와의 직접 비교보다 우수한 성능을 보였다.