[논문 리뷰] Deep Dynamical Modeling and Control of Unsteady Fluid Flows

Jeremy Morton, Freddie Witherden외 2명|arXiv (Cornell University)|2018. 05. 18.

Model Reduction and Neural Networks참고 문헌 40인용 수 73

한 줄 요약

논문은 CFD 데이터로 강제 및 비강제 유체역학을 학습하기 위한 Deep Koopman 프레임워크를 개발하여 안정적인 장기 예측 및 MPC 기반 제어를 가능하게 하여 원통의 와류 방출을 해소하는 해석 가능한 제어 법칙을 제공한다.

ABSTRACT

The design of flow control systems remains a challenge due to the nonlinear nature of the equations that govern fluid flow. However, recent advances in computational fluid dynamics (CFD) have enabled the simulation of complex fluid flows with high accuracy, opening the possibility of using learning-based approaches to facilitate controller design. We present a method for learning the forced and unforced dynamics of airflow over a cylinder directly from CFD data. The proposed approach, grounded in Koopman theory, is shown to produce stable dynamical models that can predict the time evolution of the cylinder system over extended time horizons. Finally, by performing model predictive control with the learned dynamical models, we are able to find a straightforward, interpretable control law for suppressing vortex shedding in the wake of the cylinder.

연구 동기 및 목표

• 비선형 유체역학에 대한 흐름 제어를 동기 부여하고 비용이 큰 CFD 기반 제어기 설계 의존도를 줄이는 것.
• 신경 인코더를 통해 Koopman 불변 부분공간을 학습하여 강제 및 비강제 원통 흐름 동역학을 모델링하기 위한 것.
• 장기적으로 안정적인 예측을 시연하고, 학습된 모델을 와류-방출 억제를 위한 모델 예측 제어(MPC)에 통합한다.
• 유도된 제어 법칙이 해석 가능하고 간단하고 구현 가능한 피드백 전략과 일치한다는 것을 보인다.

제안 방법

• 비선형 유체 역학을 신경 인코더 g(x)를 통해 다차원 공간으로 표현하고, 이 인코더가 Koopman 불변 부분공간을 포괄하는 상태 매핑을 출력하도록 한다.
• 암호화된 스냅샷에 대해 최소자승 피팅으로 Koopman 부분공간에서 선형 동역학 A를 계산한다.
• 훈련 중에 시간에 따른 상태의 정확한 재구성 및 순방향 예측을 강제하고 재귀적 예측으로 엔드-투-엔드로 학습한다.
• 제어 영향력(B 매트릭스로 알려진)을 포함하여 강제 역학으로 모델을 확장하고 데이터에서 A를 추정하는 한편 전역 B를 학습한다.
• 학습된 (A,B)를 모델 예측 제어(MPC) 프레임워크에 적용하여 시간 horizon 동안 이차 비용을 최소화하며 최적화에는 CVXPY를 사용한다.

실험 결과

연구 질문

• RQ1 Deep Koopman 표현이 원통 흐름 데이터에서 비강제 CFD 역학을 정확하게 예측하는 불변 부분공간 매핑을 학습할 수 있는가?
• RQ2 Deep Koopman 모델은 짧은 기간 및 긴 기간 예측에서 baselines인 Deep Variational Bayes Filter 및 Takeishi 등 의 접근법과 어떻게 비교되는가?
• RQ3 학습된 Koopman 기반 모델을 인터프리터블한 제어 동작으로 확장하여 강제(제어 영향) 역학에 적용할 수 있는가?
• RQ4 학습된 모델을 활용한 MPC가 와류 방출을 억제하고 해석 가능한 제어 법칙을 도출하는가?

주요 결과

• Deep Koopman 모델은 다단계 예측에서 안정성을 달성하며, 평균 오차가 128 시간 스텝(약 8회 와류 방출 주기) 동안 0.2% 미만으로 유지된다.
• Deep Variational Bayes Filter와 비교했을 때, Deep Koopman 모델은 장기 예측에서도 안정 상태를 유지하는 반면 VBF는 약 32 스텝 이후에 악화된다.
• 강제 역학에 적용되면, 모델은 g(x_{t+1}) = A g(x_t) + B u_t 형태의 좌표에서 선형성을 통해 제어 입력을 통합할 수 있어 MPC가 원통 와류 방출을 억제하게 한다.
• 학습된 모델을 이용한 MPC 기반 제어는 흐름 잔류량이 점진적으로 정렴 상태로 감소하게 하며, y-속도 측정에 기반한 비례 제어와 유사한 해석 가능한 제어 패턴을 나타낸다.
• 결과로 도출된 제어 법칙은 구현하기 쉽고 최적 MPC 작용과 wake에서의 단일 핫스팟 피드백 위치(d*) 간 강한 정합성을 보이며 실제 적용 가능성을 뒷받침한다.