[논문 리뷰] Demystifying the Data Need of ML-surrogates for CFD Simulations

Tongtao Zhang, Biswadip Dey외 3명|arXiv (Cornell University)|2022. 05. 05.

Heat Transfer and Optimization인용 수 5

한 줄 요약

이 논문은 최소한의 CFD 시뮬레이션 데이터를 사용하여 차량 내부 온도 분포를 예측하기 위한 물리 기반 신경망 대체 모델을 제안한다. 결과적으로 50개의 훈련 케이스로도 정확한 추세 예측이 가능하며, 추론 시간을 약 30분에서 약 9ms로 단축시키며 낮은 데이터량에서도 높은 정확도를 유지한다. 이는 자동차 열관리 분야에서 설계 탐색과 초기 단계 의사결정을 효율적으로 가능하게 한다.

ABSTRACT

Computational fluid dynamics (CFD) simulations, a critical tool in various engineering applications, often require significant time and compute power to predict flow properties. The high computational cost associated with CFD simulations significantly restricts the scope of design space exploration and limits their use in planning and operational control. To address this issue, machine learning (ML) based surrogate models have been proposed as a computationally efficient tool to accelerate CFD simulations. However, a lack of clarity about CFD data requirements often challenges the widespread adoption of ML-based surrogates among design engineers and CFD practitioners. In this work, we propose an ML-based surrogate model to predict the temperature distribution inside the cabin of a passenger vehicle under various operating conditions and use it to demonstrate the trade-off between prediction performance and training dataset size. Our results show that the prediction accuracy is high and stable even when the training size is gradually reduced from 2000 to 200. The ML-based surrogates also reduce the compute time from ~30 minutes to around ~9 milliseconds. Moreover, even when only 50 CFD simulations are used for training, the temperature trend (e.g., locations of hot/cold regions) predicted by the ML-surrogate matches quite well with the results from CFD simulations.

연구 동기 및 목표

• 효과적인 ML 대체 모델을 훈련하기 위한 CFD 시뮬레이션의 데이터 요구량에 대한 이해 부족을 해소하기 위해.
• 자동차 내부 환경에서 온도장 대체 모델링에 있어 훈련 데이터셋 크기와 예측 정확도 사이의 상호 상충 관계를 평가하기 위해.
• 최소한의 CFD 데이터로도 높은 품질의 예측이 가능하다는 것을 입증함으로써 설계 공간 탐색을 가속화하기 위해.
• 초기 설계 단계와 상세 설계 단계에서 ML 대체 모델을 사용할지 여부를 결정하는 데 실용적인 지침을 제공하기 위해.
• 50에서 2000개의 훈련 케이스에 이르는 다양한 데이터 크기에서 대체 모델의 강건성을 검증하기 위해.

제안 방법

• 입력 파rameter(일조 부하, 태양 각도, 환기· conditioning 설정, 외기 온도 등)를 기반으로 승용차 내부의 정 steady-state 온도 분포를 예측하기 위해 완전 연결형 순환 신경망을 훈련한다.
• Simcenter STAR-CCM+를 사용하여 k-ε 난류 모델을 적용해 생성한 총 2160개의 CFD 시뮬레이션 데이터셋을 사용해 모델을 훈련한다.
• 예측 성능에 대한 영향을 분석하기 위해 훈련 데이터를 2000개에서 50개로 체계적으로 감소시킨다.
• 예측 정밀도를 정량화하기 위해 검증 및 테스트 세트에서 구조적 유사도(SSI)를 사용해 모델 성능을 평가한다.
• 실제 환경에서의 계산 효율성을 강조하기 위해 CPU 전용 서버에 대체 모델을 구현하여 전체 CFD 시뮬레이션과 공정한 비교를 수행한다.
• CFD에서 생성된 데이터가 대류 및 복사 열전달 효과를 포함하고 있기 때문에, 물리 기반 학습을 통한 모델링을 구현한다.

실험 결과

연구 질문

• RQ1 훈련 데이터셋 크기가 감소함에 따라 CFD 온도장에 대한 ML 대체 모델의 예측 정확도는 어떻게 저하되는가?
• RQ2 최소 50개의 CFD 시뮬레이션으로 훈련된 대체 모델이 차량 내부의 뜨거운 영역과 차가운 영역의 공간적 추세를 여전히 올바르게 포착할 수 있는가?
• RQ3 대체 모델이 초기 설계 단계에서 전체 CFD 시뮬레이션을 대체할 수 있을 정도의 충분한 정확도를 확보하는 데 필요한 데이터셋 크기는 얼마인가?
• RQ4 전체 CFD 시뮬레이션을 실행하는 것에 비해 ML 대체 모델을 사용함으로써 얻을 수 있는 계산 시간 단축 비율은 얼마인가?
• RQ5 구조적 유사도(SSI) 및 손실 지표 측면에서 다양한 데이터 크기에서 모델의 성능은 어떻게 변하는가?

주요 결과

• 단지 50개의 훈련 CFD 케이스로도 대체 모델은 테스트 SSIM 0.724를 기록하며, 내부의 뜨거운 영역과 차가운 영역의 공간적 추세를 정확히 예측한다.
• 200개의 훈련 케이스에서 테스트 SSIM은 0.809로 상승하여 정밀도가 크게 향상되었으며, 同시에 계산 시간을 97.66% 감소시킨다.
• 1000개의 훈련 케이스로 테스트 SSIM은 0.949에 도달하여 전체 CFD 시뮬레이션의 성능에 근접한다.
• 예측 추론 시간은 1회 시뮬레이션당 약 30분에서 약 9ms로 단축되어 거의 즉각적인 평가가 가능해진다.
• 단지 50개의 훈련 샘플로도 모델은 탑승자 오른쪽 다리 부위의 뜨거운 영역과 같은 주요 열적 특징을 식별할 수 있으며, 강력한 추세 학습 능력을 보여준다.
• 모든 데이터셋 크기에서 반복 실행 시 SSIM 값의 표준편차가 ±0.015 이내로 매우 낮아 성능이 높은 안정성과 낮은 변동성을 유지한다.