[논문 리뷰] A variational data assimilation approach for sparse velocity reference data in coarse RANS simulations through a corrective forcing term

Oliver Brenner, Justin Plogmann외 2명|arXiv (Cornell University)|2023. 10. 17.

Model Reduction and Neural Networks참고 문헌 42인용 수 1

한 줄 요약

이 논문은 희소한 속도 기준 데이터를 사용하여 레이놀즈 평균 나비에-스토크스(RANS) 시뮬레이션의 정확도를 향상시키기 위해 운동량 방정식에 발산이 없는 수정력 항을 도입하는 변분 데이터 융합 방법을 제안한다. 이 방법은 인접한 최적화를 통해 시뮬레이션과 기준 데이터 간의 격차를 효율적으로 최소화하며, 특히 데이터 포인트 수가 적고 메쉬가 거친 경우에 직접 난류 점성도 조정보다 뛰어난 수렴성과 더 나은 재접착 길이 예측 성능을 보인다.

ABSTRACT

The Reynolds-averaged Navier-Stokes (RANS) equations provide a computationally efficient method for solving fluid flow problems in engineering applications. However, the use of closure models to represent turbulence effects can reduce their accuracy. To address this issue, recent research has explored data-driven techniques such as data assimilation and machine learning. An efficient variational data assimilation (DA) approach is presented to enhance steady-state eddy viscosity based RANS simulations. To account for model deficiencies, a corrective force term is introduced in the momentum equation. In the case of only velocity reference data, this term can be represented by a potential field and is divergence-free. The DA implementation relies on the discrete adjoint method and approximations for efficient gradient evaluation. The implementation is based on a two-dimensional coupled RANS solver in OpenFOAM, which is extended to allow the computation of the adjoint velocity and pressure as well as the adjoint gradient. A gradient-based optimizer is used to minimize the difference between the simulation results and the reference data. To evaluate this approach, it is compared with alternative data assimilation methods for canonical stationary two-dimensional turbulent flow problems. For the data assimilation, sparsely distributed reference data from averaged high-fidelity simulation results are used. The results suggest that the proposed method achieves the optimization goal more efficiently compared to applying data assimilation for obtaining the eddy viscosity, or a field modifying the eddy viscosity, directly. The method works well for different reference data configurations and runs efficiently by leveraging coarse meshes.

연구 동기 및 목표

• 난류 폐쇄 모델의 결함으로 인해 발생하는 거친 레이놀즈 평균 나비에-스토크스(RANS) 시뮬레이션의 정확도 향상
• 실제 공학 적용 사례에서 흔히 발생하는 희소한 속도 기준 데이터가 존재할 경우의 시뮬레이션 정밀도 향상
• 직접 난류 점성도 조정이나 복잡한 필드 수정을 피하는 효율적인 최적화 프레임워크 개발
• 물리 기반의 변분 접근 방식을 통해 다양한 기준 데이터 분포와 메쉬 해상도에서 안정적인 성능 확보
• 주요 난류 흐름 문제(예: 주기적 언덕, 후방면 스텝)에 대한 벤치마크를 통해 방법의 효과성 입증

제안 방법

• 물리적 일관성을 확보하기 위해 발산이 없는 형태이며 잠재장으로 표현 가능한 수정력 항을 RANS 운동량 방정식에 도입
• 시뮬레이션된 속도장과 기준 속도장 간의 불일치를 최소화하는 변분 데이터 융합 비용 함수 설정
• 비용 함수의 수정력 항 매개변수에 대한 기울기를 효율적으로 계산하기 위해 이산 인접법(Discrete Adjoint Method) 구현
• 인접 속도 및 압력장을 계산할 수 있도록 OpenFOAM 기반 RANS 솔버를 확장하여 기울기 기반 최적화 지원
• 정규화를 포함한 기울기 기반 최적화기(예: Demon-Adam)를 사용하여 수렴 안정성 확보 — 특히 희소한 데이터와 낮은 메쉬 해상도 조건에서 유리
• 라그랑주 승수의 과잉 완화 및 주기적 경계 조건 처리를 통해 주기적 흐름 구성에서 수치적 안정성 확보

실험 결과

연구 질문

• RQ1 희소한 속도 기준 데이터만을 사용하여 변분 데이터 융합 접근 방식이 RANS 시뮬레이션을 효과적으로 보정할 수 있는가?
• RQ2 수정력 항의 성능은 난류 점성도 또는 그 공간 분포를 직접 데이터 융합하는 것과 비교해 어떻게 다른가?
• RQ3 희소한 기준 데이터를 가진 거친 메쉬에서 이 방법이 정확도와 수렴성을 얼마나 잘 유지하는가?
• RQ4 이 방법은 도메인 내 기준 데이터 포인트의 분포 및 밀도에 얼마나 민감한가?
• RQ5 주기적 언덕과 같은 표준 난류 흐름에서 재접착 길이와 같은 핵심 흐름 특성을 신뢰성 있게 향상시킬 수 있는가?

주요 결과

• 제안된 방법은 재접착 길이 상대 오차를 희소한 데이터 조건에서 7.86%로 줄였고, 중간 데이터 조건에서는 5.08%로 유지하여 기준 RANS 시뮬레이션의 28.1% 오차보다 뚜렷이 뛰어난 성능을 보였다.
• 비용 함수는 최적화 반복 과정에서 단조롭게 감소하며, 직접 난류 점성도 조정보다 더 빠른 수렴성과 더 나은 속도 프로파일 일치를 보였다.
• 희소한 기준 데이터 조건에서도 거친 메쉬(4400개 메쉬 요소)에서 정확도 향상이 이루어져 저해상도 및 제한된 데이터 조건에서도 강건성을 입증했다.
• 수정력 항의 발산이 없는 특성 덕분에 물리적 일관성이 유지되어 비물리적인 압력 또는 속도 아티팩트가 발생하지 않았다.
• 정규화 가중치 5×10⁻⁸가 안정성 확보에 결정적이었으며, 특히 희소한 데이터 조건에서 정규화가 없는 최적화는 결과 향상에 실패했다.
• 이전의 유사한 설정에서의 방법들(예: [33])보다도 뛰어난 성능을 보였으며, 더 거친 메쉬(4400 대비 23,400개 메쉬 요소)를 사용하고도 스무딩 단계 없이도 성능을 확보했다.