[논문 리뷰] DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep Convolutional Neural Networks

Mateus Dias Ribeiro, Abdul Rehman외 2명|arXiv (Cornell University)|2020. 04. 19.

Model Reduction and Neural Networks인용 수 64

한 줄 요약

DeepCFD는 U-Net CNN을 사용하여 경계 기하로부터 2D 비균일 정상 상태 laminar 흐름 해(속도와 압력)를 근사하고, 일반 CFD에 비해 CPU 속도를 최대 1,000배까지 크게 가속하면서 오차는 낮습니다. 이를 통해 이전 연구를 확장하여 다중 디코더로 완전한 속도 및 압력 필드를 제공합니다.

ABSTRACT

Computational Fluid Dynamics (CFD) simulation by the numerical solution of the Navier-Stokes equations is an essential tool in a wide range of applications from engineering design to climate modeling. However, the computational cost and memory demand required by CFD codes may become very high for flows of practical interest, such as in aerodynamic shape optimization. This expense is associated with the complexity of the fluid flow governing equations, which include non-linear partial derivative terms that are of difficult solution, leading to long computational times and limiting the number of hypotheses that can be tested during the process of iterative design. Therefore, we propose DeepCFD: a convolutional neural network (CNN) based model that efficiently approximates solutions for the problem of non-uniform steady laminar flows. The proposed model is able to learn complete solutions of the Navier-Stokes equations, for both velocity and pressure fields, directly from ground-truth data generated using a state-of-the-art CFD code. Using DeepCFD, we found a speedup of up to 3 orders of magnitude compared to the standard CFD approach at a cost of low error rates.

연구 동기 및 목표

• 공학 설계 및 최적화에서 정주류 흐름에 대한 CFD 계산 비용을 줄이는 것을 목표로 한다.
• CFD의 실제 데이터로부터 속도와 압력 필드를 학습하는 CNN 대체 모델(DeepCFD)을 제안한다.
• 이전 연구를 확장하여 분리된 디코더를 가진 U-Net 구조를 사용해 완전한 속도 및 압력 필드를 출력한다.
• 재현성과 커뮤니티 기여를 가능하게 하는 데이터셋과 코드를 제공한다.

제안 방법

• 흐름 기하를 부호 있는 거리 함수(SDF)와 다중 클래스 흐름 영역 채널을 CNN 입력으로 표현한다.
• 다운샘플링 인코더를 사용해 잠재 기하 표현(LGR)을 학습한 뒤, 업샘플링 디코더로 LGR을 속도(Ux, Uy)와 압력(p)로 매핑한다.
• 오토인코더(AE) 기반의 베이스라인과 U-Net 기반 아키텍처 및 다중 디코더(AE-3, UNet-3 등)를 비교한다.
• 임의로 형상화된 장애물 주위의 2D 채널 흐름에 대해 OpenFOAM(simpleFoam)으로 생성된 지상 CFD 데이터를 사용해 학습한다.
• 배치 크기 64의 AdamW 옵티마이저를 사용하며, 손실은 속도에 대해 평균 제곱 오차(MSE), 압력에 대해 평균 절대 오차(MAE)를 결합하고 편향을 피하기 위해 손실을 정규화한다.
• 학습률, 커널 크기, 인코더/디코더 깊이 및 정규화 선택에 대한 하이퍼파라미터 탐색을 수행한다.

실험 결과

연구 질문

• RQ1 기하 경계 조건으로부터 2D 비균일 정상 상태 층류 흐름 필드(Ux, Uy, p)를 CNN 대체 모델이 정확하게 근사할 수 있는가?
• RQ2 분리된 디코더를 갖춘 U-Net이 공통 디코더를 가진 베이스라인 오토인코더보다 속도 및 압력 재구성에 더 나은 성능을 보이는가?
• RQ3 다양한 장애물 기하에서 DeepCFD가 일반적인 CFD(OpenFOAM) 및 베이스라인 모델에 비해 정확도와 속도 향상 간의 트레이드오프는 어떠한가?
• RQ4 정성적 흐름 특징(정지점, 분리, 압력대)에서 지상 CFD에 비해 속도/압력 필드 재구성에서 DeepCFD의 성능은 어떠한가?

주요 결과

• DeepCFD(UNet-3 아키텍처)는 Baseline 및 다른 아키텍처와 비교해 Ux, Uy, p 전체에 대해 가장 낮은 테스트 MSE를 달성한다.
• 5샘플 테스트에서 UNet-1 대 DeepCFD는 DeepCFD가 총 MSE를 2.0303 ± 0.1360으로 감소시키는 반면 UNet-1은 2.9203 ± 0.1520이다.
• 베이스라인 AE-1과 비교하여 DeepCFD는 테스트 세트에서 총 MSE를 4.4981 ± 0.1753에서 2.0303 ± 0.1360으로 개선하고, 이에 따라 Ux, Uy, p 오차도 감소한다.
• 지상 CFD에 비해 DeepCFD는 낮은 오차를 유지하면서 배치 예측에서 CPU-CPU 기준 최대 약 3오더의 속도향상, GPU-CPU 기준 최대 5오더의 속도향상을 제공한다.
• 정성적 흐름 재구성은 다양한 장애물 모양에서 고압 전면 영역과 흐름 분리와 같은 핵심 특징들을 DeepCFD가 포착하는 것을 보여준다.
• 예측 오차 분포는 대부분의 예측이 낮은 상대 오차를 가지며(종종 10% 미만)임을 시사한다.
• DeepCFD는 속도 크기뿐 아니라 완전한 속도 및 압력 필드를 제공하여 공학 응용에 활용성을 향상시킨다.