[논문 리뷰] An Old-Fashioned Framework for Machine Learning in Turbulence Modeling

Philippe R. Spalart|arXiv (Cornell University)|2023. 08. 01.

Meteorological Phenomena and Simulations인용 수 12

한 줄 요약

이 논문은 난류 모델링에서 ML에 대한 실용적인 프레임워크와 가이던스를 제시하며, 물리 기반 제약, 난류 문화, 순수하게 발표가능한 결과보다 제품 중심의 CFD를 강조하고, 구체적인 DNS-데이터 예제를 포함한다.

ABSTRACT

The objective is to provide clear and well-motivated guidance to Machine Learning (ML) teams, founded on our experience in empirical turbulence modeling. Guidance is also needed for modeling outside ML. ML is not yet successful in turbulence modeling, and many papers have produced unusable proposals either due to errors in math or physics, or to severe overfitting. We believe that "Turbulence Culture" (TC) takes years to learn and is difficult to convey especially considering the modern lack of time for careful study; important facts which are self-evident after a career in turbulence research and modeling and extensive reading are easy to miss. In addition, many of them are not absolute facts, a consequence of the gaps in our understanding of turbulence and the weak connection of models to first principles. Some of the mathematical facts are rigorous, but the physical aspects often are not. Turbulence models are surprisingly arbitrary. Disagreement between experts confuses the new entrants. In addition, several key properties of the models are ascertained through non-trivial analytical properties of the differential equations, which puts them out of reach of purely data-driven ML-type approaches. The best example is the crucial behavior of the model at the edge of the turbulent region (ETR). The knowledge we wish to put out here may be divided into "Mission" and "Requirements," each combining physics and mathematics. Clear lists of "Hard" and "Soft" constraints are presented. A concrete example of how DNS data could be used, possibly allied with ML, is first carried through and illustrates the large number of decisions needed. Our focus is on creating effective products which will empower CFD, rather than on publications.

연구 동기 및 목표

• 난류 모델링에서 ML 팀에 대해 명확하고 충분히 동기 부여된 가이던스를 제공한다.
• 난류에서 ML의 한계와 물리 정보를 반영한 제약의 가치를 강조한다.
• 모델 개발을 안내하기 위해 물리학과 수학을 결합한 프레임워크를 도입한다.
• 이 프레임워크 안에서 DNS 데이터가 의사결정에 정보를 제공하는 방법을 보여준다.
• 순수한 학술 논문이 아니라 실용적인 CFD 제품 생산에 집중한다.

제안 방법

• 가이던스를 Mission과 Requirements로 나누고 물리학과 수학을 결합한다.
• 모델에 대한 하드 제약과 소프트 제약의 명확한 목록을 제시한다.
• 데이터 사용 의사결정과 워크플로를 설명하기 위해 구체적인 DNS-데이터 예제를 제공한다.
• 난류 모델의 경계 거동(예: 난류 영역의 경계인 ETR에서)을 논의한다.
• 데이터 중심 접근에만 의존하기보다는 전통적인 모델링 사고를 ML과 통합하는 것을 주장한다.

실험 결과

연구 질문

• RQ1 난류 모델링에서 ML에 대해 사용 가능하고 원칙에 맞는 프레임워크란 무엇인가?
• RQ2 난류 모델에서 하드 제약과 소프트 제약은 어떻게 정의되고 강제되어야 하는가?
• RQ3 DNS 데이터가 ML 기반 난류 모델링 워크플로에 어떻게 효과적으로 통합될 수 있는가?
• RQ4 ML 접근 방식이 CFD에서 발표 가능한지 여부와 제품 준비 상태를 좌우하는 실용적 도전과 결정은 무엇인가?

주요 결과

• 논문은 난류 모델링을 위한 하드 제약과 소프트 제약의 명시적인 목록을 제공합니다.
• 난류 문화(TC)가 배우는 데 수년이 필요하고 쉽게 전달될 수 없으며 ML 채택에 영향을 미친다고 주장한다.
• 전통적 모델링과 ML을 결합할 때 필요한 많은 의사결정을 보여주기 위해 구체적인 DNS-데이터 예제가 사용된다.
• 발표를 추구하기보다는 효과적인 CFD 제품을 만드는 데 초점을 맞춘다.
• 일부 수학적 사실은 엄격하지만 물리적 측면은 그렇지 않으며, 임계 영역(ETR)에서의 모델 거동은 비직관적이라는 점을 강조한다.