[논문 리뷰] A transfer learning enhanced the physics-informed neural network model for vortex-induced vibration

Hesheng Tang, Hu Yang외 2명|arXiv (Cornell University)|2021. 12. 29.

Fluid Dynamics and Vibration Analysis인용 수 4

한 줄 요약

이 논문은 2차원 유체-구조 상호작용 문제에서 소용루이브레이션(VIV) 예측의 효율성과 정확도를 향상시키기 위해 전이학습을 통합한 물리 기반 신경망(PINN) 모델을 제안한다. 공유 데이터셋 분할에서 사전 훈련된 소스 모델의 지식을 활용함으로써, 최소한의 타겟 도메인 데이터로도 높은 예측 성능를 달성하며, 데이터가 부족한 조건에서도 기존 PINN보다 뛰어난 성능을 발휘한다.

ABSTRACT

Vortex-induced vibration (VIV) is a typical nonlinear fluid-structure interaction phenomenon, which widely exists in practical engineering (the flexible riser, the bridge and the aircraft wing, etc). The conventional finite element model (FEM)-based and data-driven approaches for VIV analysis often suffer from the challenges of the computational cost and acquisition of datasets. This paper proposed a transfer learning enhanced the physics-informed neural network (PINN) model to study the VIV (2D). The physics-informed neural network, when used in conjunction with the transfer learning method, enhances learning efficiency and keeps predictability in the target task by common characteristics knowledge from the source model without requiring a huge quantity of datasets. The datasets obtained from VIV experiment are divided evenly two parts (source domain and target domain), to evaluate the performance of the model. The results show that the proposed method match closely with the results available in the literature using conventional PINN algorithms even though the quantity of datasets acquired in training model gradually becomes smaller. The application of the model can break the limitation of monitoring equipment and methods in the practical projects, and promote the in-depth study of VIV.

연구 동기 및 목표

• 전통적인 유한요소법 및 데이터 기반 방법에서 VIV 분석에 있어 높은 계산 비용과 데이터 부족 문제를 해결하기 위해.
• 비선형 유체-구조 상호작용을 모델링하는 데 있어 물리 기반 신경망(PINN)의 샘플 효율성과 일반화 능력을 향상시키기 위해.
• 제한된 실험 데이터셋이 있는 VIV 예측에서 전이학습이 PINN 성능을 향상시킬 수 있는지 조사하기 위해.
• 모니터링 데이터나 장비가 제한된 엔지니어링 환경에서 VIV 모델의 실용적 구현을 가능하게 하기 위해.

제안 방법

• 두 단계 훈련 프레임워크를 사용한다: 먼저 VIV 실험 데이터에서 소스 도메인 데이터셋으로 PINN를 사전 훈련한 후, 타겟 도메인 데이터셋으로 미세조정한다.
• 소스 도메인과 타겟 도메인은 실험적 VIV 데이터를 균일하게 분할하여 생성되며, 공통된 물리적 특성을 유지한다.
• 물리 기반 신경망은 나비에-스톡스 방정식과 구조 동역학 방정식을 손실 제약 조건으로 통합하여 모델에 물리 법칙을 통합한다.
• 전이학습은 소스 모델이 학습한 표현에서 타겟 작업에 대한 수렴 가속화와 일반화 향상을 위해 지식을 이전한다.
• 복잡한 비선형 역학을 효과적으로 학습하기 위해 잔차 연결을 갖춘 깊은 신경망 아키텍처를 사용한다.
• 손실 함수는 데이터 일치성 항과 물리 기반 제약 조건을 결합하여 훈련 중 물리적 일관성을 확보한다.

실험 결과

연구 질문

• RQ1 전이학습은 VIV 예측에서 물리 기반 신경망 훈련에 필요한 데이터 요구량을 크게 줄일 수 있는가?
• RQ2 데이터 가용성이 감소함에 따라 전이학습 강화 PINN의 성능이 기존 PINN보다 어떻게 다를까?
• RQ3 소스 도메인과 타겟 도메인 간의 공통된 물리적 특성이 VIV 시뮬레이션에서 모델 일반화 능력을 얼마나 향상시킬 수 있는가?
• RQ4 제한된 샘플을 가진 실제 실험적 VIV 데이터에 적용했을 때, 전이학습 접근법은 높은 정확도와 안정성을 유지하는가?

주요 결과

• 전이학습 강화 PINN는 타겟 도메인에서 훈련 데이터를 크게 줄였음에도 불구하고 기존 PINN와 비교해 유사한 예측 정확도를 달성했다.
• 미세조정 과정에서 모델는 수렴 속도와 안정성이 향상되어 소스 도메인에서 타겟 도메인으로의 효과적인 지식 이행이 이루어졌음을 시사했다.
• 나비에-스톡스 방정식 및 구조 방정식 제약 조건에서 낮은 잔차 오차를 통해 높은 물리적 일관성이 유지됨을 입증했다.
• 이 방법은 광범위한 모니터링 인프라에 의존하지 않고도 신뢰할 수 있는 VIV 모델링을 가능하게 하였다.