[논문 리뷰] A supervised neural network for drag prediction of arbitrary 2D shapes in low Reynolds number flows

Jonathan Viquerat, Elie Hachem|arXiv (Cornell University)|2019. 07. 11.

Model Reduction and Neural Networks참고 문헌 17인용 수 9

한 줄 요약

이 논문은 Bézier 곡선을 사용해 무작위로 생성한 2차원 형상 12,000개를 이용해 훈련한 지도 학습 기반의 컨volution 신경망(CNN)을 제안한다. 이는 레이놀즈 수 Re = 10인 난류가 아닌 낮은 레이놀즈 수의 유동에서 항력 예측을 목적으로 한다. 네트워크는 실제 형상인 NACA 공기역학적 형상과 실린더에서 상대 오차가 3.06% 이하로 매우 높은 정확도를 달성하여, 다양한 합성 기하 형상을 활용한 CFD 대체 모델링에서 일반화 성능이 뛰어남을 보여준다.

ABSTRACT

Despite the significant breakthrough of neural networks in the last few years, their spreading in the field of computational fluid dynamics is very recent, and many applications remain to explore. In this paper, we explore the drag prediction capabilities of convolutional neural networks for laminar, low-Reynolds number flows past arbitrary 2D shapes. A set of random shapes exhibiting a rich variety of geometrical features is built using Bézier curves. The efficient labelling of the shapes is provided using an immersed method to solve a unified Eulerian formulation of the Navier-Stokes equation. The network is then trained and optimized on the obtained dataset, and its predictive efficiency assessed on several real-life shapes, including NACA airfoils.

연구 동기 및 목표

• 낮은 레이놀즈 수의 난류가 아닌 2차원 형상에 대해 일반화 가능한 딥 러닝 대체 모델을 개발한다.
• 기존 CFD의 한계를 극복하기 위해 계산 비용이 높은 나비에-스토크스 해법을 훈련된 신경망으로 대체한다.
• 랜덤 2차원 형상의 다양한 합성 데이터셋이 실제 공기역학적 형상(예: NACA 공기역학적 형상)으로의 정확한 일반화를 가능하게 하는지 평가한다.
• 최소한의 오차와 파rameter 수를 확보하면서도 예측 성능을 유지하는 CNN 아키텍처를 최적화한다.
• 합성 및 실제 생활 형상(실린더, 정사각형, 공기역학적 형상 포함)에 대해 모델을 검증한다.

제안 방법

• 기하학적 다양성과 변동성을 확보하기 위해 Bézier 곡선을 사용해 랜덤 2차원 형상을 생성하였다.
• 모든 형상에 대해 정확한 항력 값을 산출하기 위해 침습 메쉬 방법을 사용해 나비에-스토크스 방정식을 수치적으로 해설했으며, 이를 훈련 레이블로 사용하였다.
• 형상 기하학적 정보(입력 이미지로 표현)와 해당 항력 값(목표로 삼음)을 사용해 지도 학습 방식으로 컨volution 신경망(CNN)을 훈련시켰다.
• 네트워크 아키텍처는 컨볼루션 블록과 완전 연결 헤드로 구성되었으며, 초파rameter(뉴런 수 및 레이어 수)는 격자 탐색을 통해 최적화되었다.
• 과적합 방지를 위해 조기 정지와 L2 정규화를 사용한 확률적 경사 하강법을 사용해 훈련 과정을 수행하였다.
• 일반화 능력 평가를 위해 예측되지 않은 형상(예: NACA 공기역학적 형상 및 표준 형상)을 대상으로 상대 오차를 수치적으로 계산한 결과를 분석하였다.

실험 결과

연구 질문

• RQ1 지도 기반 CNN이 훈련 중에 볼 수 없었던 임의의 2차원 형상에 대해 항력 예측을 일반화할 수 있는가?
• RQ2 예측 성능가 형상의 특성(예: 날카로운 모서리, 대칭성, 길이 비율 등)에 따라 어떻게 달라지는가?
• RQ3 항력 추정에서 예측 오차를 최소화하기 위해 최적의 CNN 아키텍처(뉴런 수, 완전 연결 레이어의 깊이)는 무엇인가?
• RQ4 랜덤으로 생성된 합성 형상으로 훈련된 모델이 실제 공기역학적 형상(예: NACA 4412 또는 NACA 0018)의 항력 예측을 얼마나 정확하게 수행할 수 있는가?
• RQ5 입력 표현 방식(예: 부호 거리 맵 또는 형상 이미지)의 선택이 모델의 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• 최적화된 CNN은 수평 바 형상에서 최대 상대 항력 오차 3.06%를 기록했으며, 모든 테스트 형상에서 평균 오차는 1.2% 미만이었다.
• NACA 공기역학적 형상에서는 최대 상대 오차가 1.27%였으며(NACA 4424), 나머지 모든 형상은 1.0% 이하의 오차를 보였다.
• 훈련 데이터셋에 포함된 랜덤 형상에 대해 상대 오차가 0.2% 미만으로 예측되어, 높은 일반화 능력을 확인하였다.
• 성능이 가장 뛰어난 아키텍처는 64개 뉴런을 가진 완전 연결 레이어 1개를 사용한 것으로(q=1, n=64), 학습 가능한 파rameter 수는 296,865개이며 훈련 시간은 약 1535초였다.
• 모델은 비랜덤한 실제 생활 형상으로도 효과적으로 일반화되었으며, 다양한 합성 데이터셋이 실제 CFD 응용에 강력한 대체 자료로 활용될 수 있음을 시사한다.
• 침입 메쉬 방법을 사용함으로써 전체 데이터셋에 대해 효율적이고 정확한 레이블링이 가능해져 대규모 훈련이 실현 가능해졌다.