[논문 리뷰] Convolutional Neural Network Models and Interpretability for the Anisotropic Reynolds Stress Tensor in Turbulent One-dimensional Flows

Haitz Sáez de Ocáriz Borde, David Sondak외 1명|arXiv (Cornell University)|2021. 06. 30.

Model Reduction and Neural Networks참고 문헌 53인용 수 11

한 줄 요약

이 논문은 1차원 난류 흐름에서 비등방성 레이놀즈 응력 텐서를 예측하기 위한 새로운 컨볼루션 신경망(CNN) 아키텍처를 제안하며, 이는 이전의 완전히 연결된 네트워크(FCNN)를 능가한다. 해석 가능성 기법인 오클루전과 기울기 기반 민감도 분석을 통합함으로써, 모델은 벽면 근처 영역이 가장 영향력이 크다는 것을 식별하며, 이는 물리적 직관과 일치한다. 또한 채널 흐름, 쿠엣 흐름, 투과성 벽면을 가진 흐름 등 다양한 유형의 1차원 난류 흐름에 대해 일반화 성능을 보여준다.

ABSTRACT

The Reynolds-averaged Navier-Stokes (RANS) equations are widely used in turbulence applications. They require accurately modeling the anisotropic Reynolds stress tensor, for which traditional Reynolds stress closure models only yield reliable results in some flow configurations. In the last few years, there has been a surge of work aiming at using data-driven approaches to tackle this problem. The majority of previous work has focused on the development of fully-connected networks for modeling the anisotropic Reynolds stress tensor. In this paper, we expand upon recent work for turbulent channel flow and develop new convolutional neural network (CNN) models that are able to accurately predict the normalized anisotropic Reynolds stress tensor. We apply the new CNN model to a number of one-dimensional turbulent flows. Additionally, we present interpretability techniques that help drive the model design and provide guidance on the model behavior in relation to the underlying physics.

연구 동기 및 목표

• 1차원 난류 흐름에서 비등방성 레이놀즈 응력 텐서를 정확하게 예측하기 위한 딥 러닝 모델을 개발한다.
• 완전히 연결된 신경망(FCNN) 아키텍처를 개선하기 위해 컨볼루션 신경망(CNN) 설계를 도입한다.
• 모델 아키텍처 설계를 안내하고 예측의 물리적 일관성을 검증하기 위해 해석 가능성 기법을 적용한다.
• 채널 흐름, 쿠엣 흐름, 투과성 벽면을 가진 흐름을 포함한 다양한 1차원 난류 흐름 구성에서 CNN 모델의 일반화 성능을 입증한다.
• 해석 가능성 기법을 통해 모델의 결정이 알려진 유체역학 물리 법칙, 특히 벽면 근처 행동과 일치하는지 검증한다.

제안 방법

• 유체 특성의 공간적 구조를 가진 입력 배열을 처리할 수 있도록 배치 정규화와 ReLU 활성화 함수를 포함한 CNN 아키텍처를 제안한다.
• 물리적 불변성과 유량 매개변수(예: 마찰 레이놀즈 수 Reτ)를 입력 표현에 직접 통합하여 물리적 일관성을 강제한다.
• 국소적 및 전역적 오클루전 민감도 분석을 통해 모델 출력에 영향을 미치는 중요한 입력 영역을 식별한다.
• 기울기 기반 샐런시 맵을 적용하여 입력 특징이 모델 예측에 미치는 상대적 중요도를 정량화한다.
• 다양한 Reτ와 경계 조건을 가진 1차원 난류 흐름 사례에 대해 DNS에서 생성된 데이터셋을 사용해 모델을 훈련하고 테스트한다.
• 컴퓨터 비전에서 유래한 해석 가능성 기법을 난류 모델링에 적용하여, 모델 디버깅과 아키텍처 최적화에 모두 활용한다.

실험 결과

연구 질문

• RQ1 CNN 기반 모델은 1차원 난류 흐름에서 비등방성 레이놀즈 응력 텐서를 예측할 때 기존의 완전히 연결된 네트워크(FCNN)를 능가할 수 있는가?
• RQ2 모델의 예측에 가장 영향을 미치는 입력 유체장의 영역은 어디이며, 이는 알려진 물리적 메커니즘과 일치하는가?
• RQ3 오클루전 및 기울기 기반 민감도와 같은 해석 가능성 기법을 통해 모델의 의사결정 과정에서 물리적으로 의미 있는 패턴을 어느 정도 드러내는가?
• RQ4 CNN 모델은 채널 흐름, 쿠엣 흐름, 투과성 벽면을 가진 흐름을 포함한 다양한 1차원 난류 흐름 구성에서 일반화 가능한가?
• RQ5 해석 가능성 통찰을 통해 난류 모델링에서 딥 러닝 모델의 설계 및 최적화를 이끌 수 있는가?

주요 결과

• 모든 테스트된 1차원 흐름 구성에서 Fang 등(2018)의 FCFF 모델에 비해 CNN-BC-Reτ 모델이 유의미하게 향상된 예측 정확도를 달성한다.
• 오클루전 민감도 맵은 일관되게 벽면 근처 영역이 모델 예측에 가장 중요한 영향을 미친다는 것을 드러내며, 이는 난류 역학에서의 주도적 역할을 확인한다.
• 기울기 기반 민감도 맵은 오클루전 맵와 유사한 경향을 보이지만, 배치 정규화 레이어에서 유래하는 노이즈로 인해 덜 일관되다.
• 모델은 쿠엣 흐름과 벽면 투과성을 가진 채널 흐름으로의 일반화 성능이 뛰어나, 원래 훈련 구성 이외의 상황에서도 강건함을 입증한다.
• 해석 가능성 기법은 물리적으로 관련된 입력 영역을 성공적으로 식별하고 모델 최적화를 안내하였으며, 이는 유체역학 원칙과의 일치를 확인한다.
• 전이 학습을 통해 채널 흐름에서 훈련된 모델을 쿠엣 또는 투과성 흐름으로 적응시키는 데에 훈련 시간이 한 수준 감소하였으며, 이는 향후 효율성 향상 잠재력이 크다는 것을 시사한다.