[논문 리뷰] Acceleration of Source Iteration using the Dynamic Mode Decomposition

Ryan G. McClarren, Terry Haut|arXiv (Cornell University)|2018. 12. 13.

Model Reduction and Neural Networks참고 문헌 7인용 수 7

한 줄 요약

이 논문은 동적 모드 분해(DMD)를 사용하여 천이 모드를 식별하고 제거함으로써 이산 순서 운반 계산에서 소스 반복의 가속화를 위한 데이터 기반 방법을 제안한다. 몇 번의 반복에서의 스칼라 플럭스를 저장하고 SVD를 적용하여 주요 수렴 모드를 추정함으로써, 수송 스윕 수를 약 10배 감소시키며, 산란 비율에 영향을 받지 않고 비균일한 및 2차원 문제에서도 효과적으로 작동한다.

ABSTRACT

We present a novel acceleration technique for improving the convergence of source iteration for discrete ordinates transport calculations. Our approach uses the idea of the dynamic mode decomposition (DMD) to estimate the slowly decaying modes from source iteration and remove them from the solution. The memory cost of our acceleration technique is that the scalar flux for a number of iterations must be stored; the computational cost is a singular value decomposition of a matrix comprised of those stored scalar fluxes.On 1-D slab geometry problems we observe an order of magnitude reduction in the number of transport sweeps required compared to source iteration and that the number of sweeps required is independent of the scattering ratio in the problem. These observations hold for an extremely heterogeneous problem and a 2-D problem. In 2-D we do observe that the effectiveness of the approach slowly degrades as the mesh is refined, but is still about one order of magnitude faster than source iteration.

연구 동기 및 목표

• 고산란 또는 비균일 문제에서 이산 순서 운반 계산에서 소스 반복의 느린 수렴 문제를 해결한다.
• 고차원, 비정규, 또는 불연속 유한요소 메esh에서 전통적인 확산 합성 가속(DSA)의 한계를 극복한다.
• 운반 연산자의 명시적 지식이 필요 없는 데이터 기반, 연산자 없는 가속 기법을 개발한다.
• 특히 어려운 메쉬 이산화 조건에서 추가적인 확산 해법이나 조건부 행렬 없이 더 빠른 수렴을 가능하게 한다.

제안 방법

• 여러 소스 반복 스윕에서의 스칼라 플럭스 벡터를 저장하여 데이터 행렬 $Y_-$ 및 $Y_+$ 를 구성한다.
• Y_-$ 에 대해 적절한 직교 분해(POD)를 수행하기 위해 얇은 특이값 분해(SVD)를 적용하여 해공간의 저차원 기저를 추출한다.
• SVD로부터 축소된 공간에서 운반 연산자의 행동을 근사하는 축소된 순서 연산자 $\tilde{A} = U^T A U$ 를 구성한다.
• 축소된 순서 연산자 $\tilde{A}$ 의 고유모드를 계산하여 반복 과정에서 가장 느리게 감쇠하는 모드를 식별한다.
• 주요 DMD 모드를 사용해 해를 외삽하여 수렴 상태를 예측함으로써 수렴을 효과적으로 가속화한다.
• 주기적으로 DMD 업데이트를 적용하여 추정된 수렴된 플럭스를 사용해 소스 반복 과정을 재시작하거나 보정한다.

실험 결과

연구 질문

• RQ1 운반 연산자의 명시적 지식이 없이도 DMD를 S_N 운반 계산의 소스 반복을 가속화하는 데 사용할 수 있는가?
• RQ2 DMD 기반 가속이 특히 고산란 매질에서 산란 비율에 독립적인 수렴을 달성하는가?
• RQ3 표준 DSA가 실패할 수 있는 비균일성과 다차원 문제에서 이 방법의 성능은 어떠한가?
• RQ4 메쉬 정밀도 향상과 문제의 복잡도가 DMD 가속의 효과성에 어떤 영향을 미치는가?
• RQ5 DMD는 에너지 그룹 또는 온도 반복과 같은 다른 반복 구성 요소에도 적용 가능한가?

주요 결과

• 산란 비율이 0.999999에 이르는 1차원 평판 문제에서 DMD는 표준 소스 반복 대비 수송 스윕 수를 약 10배 감소시켰다.
• DMD가 요구하는 스윕 수는 산란 비율에 영향을 받지 않아, 근원적 산란(c = 0.999999)에서도 약 50~70회로 유지되었지만, 소스 반복은 3900회 이상이 필요했다.
• 평균 자유 경로에 1000배의 대비가 있는 극도로 비균일한 1차원 문제에서 DMD는 여전히 스윕 수를 약 10배 감소시켰다.
• 2차원 문제에서 $200 \times 120$ 메쉬를 가진 비틀린 파이프 문제에서는 DMD가 104회의 스윕을 요구했고(K=10, R=3), 소스 반복의 경우 약 974회의 스윕이 예상되어 10배의 가속을 달성했다.
• 메쉬 정밀도 향상에 따라 성능이 서서히 저하되지만, 셀 수의 제곱근 비례로 스케일링되며 여전히 효과적이다.
• DMD 업데이트는 일시적인 고주파 오차를 유발하지만, 이는 다음 스윕에서 빠르게 감쇠되어 실질적으로 안정성을 보여준다.