[논문 리뷰] Artificial Neural Networks in Fluid Dynamics: A Novel Approach to the Navier-Stokes Equations

Megan McCracken|arXiv (Cornell University)|2018. 08. 19.

Energy Load and Power Forecasting참고 문헌 4인용 수 3

한 줄 요약

이 논문은 버지니아 공과대학교의 데이터를 기반으로 3D 입력 데이터(속도, 레이놀즈 수, 프란틀 수, 온도)를 사용하여 베이지안 클러스터링과 SOM 이웃 가중치를 적용해 훈련한 신경망 기반의 새로운 접근법을 제안한다. 이 모델은 MATLAB을 통해 존스 홉킨스 대학교의 데이터를 활용해 훈련되었으며, 검증 데이터 대비 이온층 속도장 예측 정확도가 67%에 도달하여 복잡한 비선형 편미분방정식을 딥러닝으로 해결할 잠재력을 보여주었다.

ABSTRACT

Neural networks have been used to solve different types of large data related problems in many different fields.This project takes a novel approach to solving the Navier-Stokes Equations for turbulence by training a neural network using Bayesian Cluster and SOM neighbor weighting to map ionospheric velocity fields based on 3-dimensional inputs. Parameters used in this problem included the velocity, Reynolds number, Prandtl number, and temperature. In this project data was obtained from Johns-Hopkins University to train the neural network using MATLAB. The neural network was able to map the velocity fields within a sixty-seven percent accuracy of the validation data used. Further studies will focus on higher accuracy and solving further non-linear differential equations using convolutional neural networks.

연구 동기 및 목표

• 난류 유체역학에서 나비에-스토크스 방정식을 해결하기 위한 새로운 딥러닝 프레임워크 개발.
• 속도, 레이놀즈 수, 프란틀 수, 온도를 포함한 다중 매개변수 3D 입력을 활용해 이온층 속도장을 매핑하기.
• 베이지안 클러스터링과 자기조직화 맵(SOM) 이웃 가중치를 사용해 훈련된 신경망의 성능 평가.
• 유체역학 문제에 대해 컨volutional 신경망을 적용해 비선형 미분방정식의 고정밀도 해를 구하는 데 기초 마련.

제안 방법

• 신경망은 존스 홉킨스 대학교의 3D 입력 데이터를 기반으로 훈련되었으며, 속도, 레이놀즈 수, 프란틀 수, 온도를 매개변수로 포함한다.
• 훈련 과정과 데이터 표현 향상을 위해 베이지안 클러스터링과 자기조직화 맵(SOM) 이웃 가중치 기법을 적용하였다.
• 모델는 MATLAB을 사용해 이온층 속도장을 입력 매개변수 기반으로 매핑하기 위해 구현 및 훈련되었다.
• 모델 성능은 보류된 데이터셋에 대해 검증되었으며, 예측된 속도장이 검증 데이터와 일치하는 비율로 정확도를 측정하였다.
• 이 접근법은 신경망의 보편적 근사 능력을 활용해 복잡한 비선형 편미분방정식을 해결한다.
• 향후 연구는 정확도 향상 및 컨volutional 신경망을 활용해 다른 비선형 미분방정식에 대한 적용을 확장할 예정이다.

실험 결과

연구 질문

• RQ1 베이지안 클러스터링과 SOM 이웃 가중치를 사용해 훈련된 신경망이 3D 유체역학 입력에서 이온층 속도장을 효과적으로 매핑할 수 있는가?
• RQ2 딥러닝 모델이 난류 유동에 대한 나비에-스토크스 방정식에 대해 얼마나 정확한 해를 도출할 수 있는가?
• RQ3 클러스터링 및 이웃 가중치 기법의 통합이 유체역학 응용 분야에서 신경망 성능에 어떤 영향을 미치는가?
• RQ4 이 경우 기준값 검증 데이터와 비교했을 때 신경망 기반 해의 달성 가능한 정확도는 얼마인가?

주요 결과

• 신경망은 검증 데이터셋에 비해 이온층 속도장 예측 정확도가 67%에 도달하였다.
• 베이지안 클러스터링과 SOM 이웃 가중치의 적용으로 모델의 복잡한 유체역학 입력 패턴에 대한 일반화 능력이 향상되었다.
• 모델는 레이놀즈 수, 프란틀 수, 온도를 포함한 다중 매개변수 3D 입력으로부터 속도장을 성공적으로 예측하는 데에 기여하였다.
• 결과는 난류 흐름 상황에서 나비에-스토크스 방정식의 해를 근사하기 위해 딥러닝을 활용하는 것이 가능하다는 것을 보여주었다.
• 이 연구는 향후 컨volutional 신경망을 활용해 비선형 편미분방정식의 해를 더 높은 정밀도로 구하는 데 기초를 마련하였다.