[논문 리뷰] Deep learning-based reduced-order methods for fast transient dynamics

Martina Cracco, Giovanni Stabile외 6명|arXiv (Cornell University)|2022. 12. 15.

Model Reduction and Neural Networks인용 수 4

한 줄 요약

이 논문은 도시 환경에서 일시적인 폭풍파의 실시간 빠른 시뮬레이션을 위한 비침습적, 딥러닝 기반 감소 차원 모델(POD-DL)을 제안한다. 시간 도메인 분할, 적절한 수직 분해(POD), 비선형 차원 감소를 위한 오토에인코더, 그리고 매개변수와 시간을 잠재 공간으로 매핑하기 위한 딥퍼워드 신경망을 조합함으로써, 표준 POD가 비선형·빠른 일시적 문제에서 실패하는 상황에서도 압력장과 피크 초과압력, 인풋과 같은 핵심 폭풍 지표를 높은 정확도로 재구성하는 데 성공한다.

ABSTRACT

In recent years, large-scale numerical simulations played an essential role in estimating the effects of explosion events in urban environments, for the purpose of ensuring the security and safety of cities. Such simulations are computationally expensive and, often, the time taken for one single computation is large and does not permit parametric studies. The aim of this work is therefore to facilitate real-time and multi-query calculations by employing a non-intrusive Reduced Order Method (ROM). We propose a deep learning-based (DL) ROM scheme able to deal with fast transient dynamics. In the case of blast waves, the parametrised PDEs are time-dependent and non-linear. For such problems, the Proper Orthogonal Decomposition (POD), which relies on a linear superposition of modes, cannot approximate the solutions efficiently. The piecewise POD-DL scheme developed here is a local ROM based on time-domain partitioning and a first dimensionality reduction obtained through the POD. Autoencoders are used as a second and non-linear dimensionality reduction. The latent space obtained is then reconstructed from the time and parameter space through deep forward neural networks. The proposed scheme is applied to an example consisting of a blast wave propagating in air and impacting on the outside of a building. The efficiency of the deep learning-based ROM in approximating the time-dependent pressure field is shown.

연구 동기 및 목표

• 도시 환경에서 폭풍파의 실시간 및 다중 쿼리 매개변수 연구에 대한 전순위 시뮬레이션의 계산 비용 문제를 해결한다.
• 느린 특이값 감쇠로 인해 비선형·빠른 일시적 동역학을 포괄하지 못하는 전통적 적절한 수직 분해(POD)의 한계를 극복한다.
• 새로운 매개변수 및 시간 값에 대해 압력장과 폭풍 지표를 빠르고 정확하게 예측할 수 있는 비침습적, 데이터 기반 감소 차원 모델(ROM)을 개발한다.
• 비상 대응 계획 지원을 위해 건물과 인간의 안전에 대한 폭풍파 영향의 실시간 또는 거의 실시간 평가를 가능하게 한다.
• 복잡한 일시적 유체역학을 효율적이고 고정밀도로 근사하기 위해 POD와 오토에인코더, 딥신경망을 조합한 효과를 입증한다.

제안 방법

• 빠른 일시적 동역학을 더 잘 근사하기 위해 시간 도메인을 하위 영역으로 분할하여 局소 감소 차원 모델을 적용한다.
• 해결책의 다양성을 포괄하기 위해 많은 수의 모드(N)를 사용하여 국소 감소 기저를 구성한다.
• 고차원의 POD 공간을 낮은 차원의 잠재 공간(n)으로 비선형 차원 감소하기 위해 오토에인코더를 적용한다.
• 시간과 매개변수 공간에서 잠재 공간 표현으로의 매핑을 학습하기 위해 딥퍼워드 신경망(DFNN)을 훈련한다.
• 오토에인코더의 역함수와 POD 기저 함수를 사용하여 잠재 공간에서 전체 압력장을 재구성한다.
• 전체 ROM 파이프라인의 훈련 데이터로 고정밀도 스패티널 데이터를 EUROPLEXUS 솔버에서 취득한다.

실험 결과

연구 질문

• RQ1 표준 POD가 실패하는 상황에서, 딥러닝 기반 비침습적 데이터 기반 ROM이 빠르고 비선형적인 일시적 폭풍파 동역학을 효과적으로 근사할 수 있는가?
• RQ2 시간 도메인 분할, POD, 오토에인코더, 딥신경망의 조합이 POD 단독 대비 재구성 정확도를 얼마나 향상시키는가?
• RQ3 제안된 조각별 POD-DL 방법이 피크 초과압력 및 인풋과 같은 핵심 폭풍 지표를 얼마나 정밀하게 예측할 수 있는가?
• RQ4 재구성된 압력장의 오차는 POD 모드 수(N)와 잠재 차원(n)에 따라 어떻게 변화하는가?
• RQ5 전순위 모델이 계산적으로 금기인 상황에서도, 이 방법이 대규모 도시 폭풍 시뮬레이션에 대해 실시간 또는 거의 실시간 성능을 달성할 수 있는가?

주요 결과

• 조각별 POD-DL 방법은 특히 고기울기 및 빠른 일시적 영역에서 표준 POD보다 압력장의 시간 의존적 재구성에서 뚜렷한 성능 향상을 보였다.
• L² 및 L∞ 노름에서 오차는 초기 시간(t ≈ 0)에 가장 높으며, 이는 작은 영역에서 고압 기포가 형성되어 POD 근사화조차도 많은 모드를 사용해도 도전적인 상황을 야기한다.
• 잠재 차원(n)을 고정할 경우 오차는 POD 모드 수(N) 증가에 따라 감소하며, 반대로 N를 고정할 경우 오차는 잠재 차원(n) 증가에 따라 감소하나, 포화점에 도달함에 따라 더 이상 감소하지 않는다.
• 약 n = 20에서 오차가 평탄해지는 것은 딥퍼워드 신경망의 회귀 능력에 기인한 것으로, 현재 아키텍처에서 모델 정확도의 실용적 한계를 시사한다.
• 단일 ROM 예측의 계산 비용은 대규모 문제일지라도 여전히 낮게 유지되며(~0.2초/단위 시간), 실시간 응용에 적합하다.
• 이 방법은 구조물의 안전성과 위험 평가에 필수적인 피크 초과압력 및 인풋과 같은 핵심 폭풍 지표를 정확하게 근사할 수 있다.