[논문 리뷰] A Dynamic Mode Decomposition Extension for the Forecasting of Parametric Dynamical Systems

Francesco Andreuzzi, Nicola Demo외 1명|arXiv (Cornell University)|2021. 10. 18.

Model Reduction and Neural Networks인용 수 4

한 줄 요약

이 논문은 차원 축소를 위한 적절한 수직 분해(POD)와 비례 회귀를 조합하여, 모델 방정식이 필요 없이 오프라인-온라인 프레임워크에서 테스트하지 않은 파rameter와 미래 시간 순간에 대한 시스템 상태를 예측하는 데이터 기반 동적 모드 분해(DMD)의 확장 방법을 제안한다. 이 방법은 선형, 열역학적, 유체역학 문제에서 정확하고 저비용의 예측을 달성하여 효과성을 입증한다.

ABSTRACT

Dynamic mode decomposition (DMD) has recently become a popular tool for the non-intrusive analysis of dynamical systems. Exploiting Proper Orthogonal Decomposition (POD) as a dimensionality reduction technique, DMD is able to approximate a dynamical system as a sum of spatial basis evolving linearly in time, thus enabling a better understanding of the physical phenomena and forecasting of future time instants. In this work we propose an extension of DMD to parameterized dynamical systems, focusing on the future forecasting of the output of interest in a parametric context. Initially all the snapshots -- for different parameters and different time instants -- are projected to a reduced space; then DMD, or one of its variants, is employed to approximate reduced snapshots for future time instants. Exploiting the low dimension of the reduced space the predicted reduced snapshots are then combined using regression techniques, thus enabling the possibility to approximate any untested parametric configuration in future. This paper depicts in detail the algorithmic core of this method; we also present and discuss three test cases for our algorithm: a simple dynamical system with a linear parameter dependency, a heat problem with nonlinear parameter dependency and a fluid dynamics problem with nonlinear parameter dependency.

연구 동기 및 목표

• 테스트하지 않은 파arameter와 미래 시간 순간에 대해 파arametric 동역학 시스템의 벡터장에 대한 정확한 예측을 가능하게 하기 위해.
• DMD 프레임워크를 파arameter에 의존하는 시스템을 다룰 수 있도록 확장하면서도, 데이터 기반 및 비침습적 성격을 유지하기 위해.
• 감소된 순서 모델링과 감소된 공간에서의 회귀를 활용하여 실시간 또는 반복 시뮬레이션에서 계산 비용을 줄이기 위해.
• 장기적인 예측 정확도를 향상시키고 오차 증가를 줄이기 위해 문제 특화 지식을 활용하여 DMD 연산자를 안정화하기 위해.
• 원래 모델의 지배 방정식에 종속되지 않고, 고정밀 스냅샷과 파arameter만을 기반으로 하는 프레임워크를 제공하기 위해.

제안 방법

• 다양한 파arameter와 시간 순간에서의 고정밀 스냅샷을 적절한 수직 분해(POD)를 사용하여 감소된 공간에 투영하기 위해.
• 감소된 스냅샷에 DMD를 적용하여 모든 테스트된 파arameter에 대해 향후 시간 단계에서의 진화를 예측하기 위해.
• 예측된 감소된 스냅샷을 테스트하지 않은 파arametric 구성에 대해 보간하기 위해 회귀 기법을 사용하여 일반화를 가능하게 하기 위해.
• 회귀 예측된 감소된 계수와 POD 기저 행렬을 조합하여 전체 순서의 해를 재구성하기 위해.
• 장기적인 예측 정확도를 향상시키고 오차 증가를 줄이기 위해 문제 특화 지식을 활용하여 DMD 연산자를 안정화하기 위해.
• 정확도와 강인성의 상충 관계를 평가하기 위해 단일 전체(모든 파arameter를 함께) 및 분할(그룹화된 파arameter) 접근 방식을 모두 구현하기 위해.

실험 결과

연구 질문

• RQ1 DMD는 테스트하지 않은 파arameter와 미래 시간 순간에 대해 파arametric 동역학 시스템을 효과적으로 예측할 수 있는가?
• RQ2 제안된 방법의 정확도는 POD 모드의 수와 회귀 전략에 따라 어떻게 달라지는가?
• RQ3 문제 특화 안정화를 통해 DMD 연산자를 개선하면 표준 DMD에 비해 장기적인 예측 성능이 향상되는가?
• RQ4 단일 전체 및 분할 접근 방식의 회귀는 파arametric 시스템에서 정확도와 일반화 성능 측면에서 어떻게 비교되는가?
• RQ5 비선형 파arameter 의존성이 있는 복잡한 시스템, 예를 들어 나비에-스토크스 유동에 대해 이 방법은 어느 정도 일반화 가능한가?

주요 결과

• 실린더 흐름 문제에서의 후류 영역에서는 수용 가능한 점별 오차를 기록하였으며, 실린더 근처에서는 낮은 오차를 보였고, 하流 벽 쪽으로 갈수록 POD 모드의 수가 제한되어 오차가 증가하였다.
• 열 문제의 경우, 파arametric 다양체를 안정적으로 근사하였으며, 높은 차원에서 회귀 정확도 저하로 인해 오차가 증가하였다.
• 첫 세 개의 POD 모드는 저파arameter에서 정적 모드와 고파arameter에서 파동 유사 모드를 포함한 주요 구조를 모두 포괄하였다.
• 일반적으로 단일 전체 회귀 접근 방식이 분할 접근 방식보다 정확도에서 뛰어나지만, 파arameter 군집의 특성에 따라 둘 다 타당한 선택이 될 수 있다.
• 제안된 DMD 연산자 안정화 전략은 표준 DMD에 비해 장기 예측에서 정확도 향상을 이끌었으며, 특히 장시간에 걸친 예측에서 유의미한 개선 효과를 보였다.
• 이 방법은 온라인 단계에서 강인성과 저비용을 보이며, 실시간 또는 반복 응용 분야에 적합함을 입증하였다.