[논문 리뷰] Deep Learning for Reduced Order Modelling and Efficient Temporal Evolution of Fluid Simulations

Pranshu Pant, Ruchit Doshi외 2명|arXiv (Cornell University)|2021. 07. 09.

Model Reduction and Neural Networks참고 문헌 80인용 수 116

한 줄 요약

이 논문은 3D 오토인코더와 U-Net 아키텍처를 사용하여 유체 흐름 시뮬레이션의 비선형 감소 차원 표현을 학습하는 딥러닝 프레임워크인 DL-ROM을 제안한다. 고해상도 유체 스냅샷을 학습된 저차원 잠재 공간으로 투영함으로써, 기존 CFD 솔버 대비 최대 100배 빠른 추론 속도로 향후 타임스텝을 예측하며, 오차 누적이 시간이 지남에 따라 최소화되면서도 높은 재구성 정확도를 달성한다.

ABSTRACT

Reduced Order Modelling (ROM) has been widely used to create lower order, computationally inexpensive representations of higher-order dynamical systems. Using these representations, ROMs can efficiently model flow fields while using significantly lesser parameters. Conventional ROMs accomplish this by linearly projecting higher-order manifolds to lower-dimensional space using dimensionality reduction techniques such as Proper Orthogonal Decomposition (POD). In this work, we develop a novel deep learning framework DL-ROM (Deep Learning - Reduced Order Modelling) to create a neural network capable of non-linear projections to reduced order states. We then use the learned reduced state to efficiently predict future time steps of the simulation using 3D Autoencoder and 3D U-Net based architectures. Our model DL-ROM is able to create highly accurate reconstructions from the learned ROM and is thus able to efficiently predict future time steps by temporally traversing in the learned reduced state. All of this is achieved without ground truth supervision or needing to iteratively solve the expensive Navier-Stokes(NS) equations thereby resulting in massive computational savings. To test the effectiveness and performance of our approach, we evaluate our implementation on five different Computational Fluid Dynamics (CFD) datasets using reconstruction performance and computational runtime metrics. DL-ROM can reduce the computational runtimes of iterative solvers by nearly two orders of magnitude while maintaining an acceptable error threshold.

연구 동기 및 목표

• 복잡한 비선형 유체역학을 포착하는 데에 한계가 있는 선형 감소 차원 모델(ROMs)의 문제점을 극복하기 위해.
• 지식 기반 지도 학습이 필요 없이 비선형이고 저차원의 유체 흐름 상태 임베딩을 학습하는 딥러닝 기반 프레임워크를 개발하기 위해.
• 학습된 잠재 공간에서 시간적으로 전파함으로써 향후 유체 상태를 효율적이고 실시간으로 예측할 수 있도록 하기 위해.
• 반복적인 나비에-스토크스 솔버에 비해 계산 비용을 크게 줄이면서도 수용 가능한 정확도를 유지하기 위해.
• 난류 및 소용루어가 지배하는 흐름을 포함한 다양한 CFD 데이터셋에서 방법을 검증하기 위해.

제안 방법

• 고해상도 유체 스냅샷을 비선형 다각형을 학습하는 저차원 잠재 공간으로 압축하기 위해 3D 컨volution 오토인코더를 사용한다.
• 잠재 표현에서 전체 차원의 유체 상태를 최소한의 오차로 재구성하기 위해 3D U-Net 아키텍처를 디코더로 활용한다.
• 모델은 이전 10개 타임스텝을 각각 10개 타임스텝 간격으로 입력으로 받아, 잠재 공간에서 다음 유체 상태를 예측한다.
• 잠재 상태 전이를 시간 예측 헤드를 통해 모델링하여 나비에-스토크스 방정식을 풀지 않고도 감소된 상태를 시간에 따라 전파한다.
• 잠재 차원(최적화된 32)과 시간적 컨텍스트 길이와 같은 하이퍼파rameter는 재구성 정확도와 효율성 향상을 위해 조정된다.
• LSTM을 피하기 위해 공간적·시간적 일관성을 유지하기 위해 3D 컨volution 회귀 메커니즘을 사용한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 ROM이 복잡한 비선형 유체역학을 포착하는 데에 기존 선형 ROM보다 뛰어나게 성능을 발휘할 수 있는가?
• RQ2 학습된 잠재 공간이 반복적인 나비에-스토크스 해법 없이도 정확하고 장기적인 유체 흐름 진화 예측을 얼마나 잘 수행할 수 있는가?
• RQ3 다양한 유동 제도에서 기존 CFD 솔버와 비교했을 때 DL-ROM 프레임워크의 계산 효율성과 재구성 정확도는 어떠한가?
• RQ4 폐쇄형 시뮬레이션에서 다수의 예측 단계 동안 오차 누적이 어떻게 발생하는가?
• RQ5 유동 복잡성(예: 소용루어 방출, 고기울기)이 재구성 정밀도에 어떤 영향을 미치는가?

주요 결과

• DL-ROM은 세 가지 커스터마이징된 데이터셋(2D 실린더, 2D 공기역학형, 2D 판)에서 반복적인 OpenFOAM 솔버 대비 CFD 시뮬레이션의 계산 런타임을 거의 두 자리 수 감소시켰다.
• 모델은 높은 재구성 정확도를 달성하였으며, 평균 제곱오차(MSE)가 20개 예측 반복 동안 점진적으로 감소하며 낮게 유지되어 안정적인 오차 전파를 나타낸다.
• 작은 오차가 장애물 근처에서 발생하지만, 비록-카르만 소용루어 도시와 같은 복잡한 유동 구조를 정확히 예측한다.
• 미세 구조의 난류 구조가 포함된 데이터셋(예: 2D 채널 흐름)에서는 압축 과정에서 소규모 유동 특징이 손실되어 재구성 성능이 열악하다.
• 지식 기반 지도 학습 없이도 20개 타임스텝 동안 루프 시뮬레이션을 성공적으로 수행하였으며, 낮은 MSE와 안정적인 예측을 유지하였다.
• 재구성에 가장 적합한 잠재 차원은 32로, 정확도와 계산 효율성의 균형을 잘 맞춘 것으로 밝혀졌다.