[논문 리뷰] Forecasting subcritical cylinder wakes with Fourier Neural Operators

Peter I Renn, Cong Wang외 4명|arXiv (Cornell University)|2023. 01. 19.

Fluid Dynamics and Turbulent Flows인용 수 7

한 줄 요약

이 논문은 Reynolds 수 240–3060에서 PIV 데이터로 학습된 Fourier Neural Operators(FNOs)를 사용해 실험 원통 흐름의 시간적 진화를 예측하고, 10단계에서 <0.1 L2 오차를 달성한다.

ABSTRACT

We apply Fourier neural operators (FNOs), a state-of-the-art operator learning technique, to forecast the temporal evolution of experimentally measured velocity fields. FNOs are a recently developed machine learning method capable of approximating solution operators to systems of partial differential equations through data alone. The learned FNO solution operator can be evaluated in milliseconds, potentially enabling faster-than-real-time modeling for predictive flow control in physical systems. Here we use FNOs to predict how physical fluid flows evolve in time, training with particle image velocimetry measurements depicting cylinder wakes in the subcritical vortex shedding regime. We train separate FNOs at Reynolds numbers ranging from Re = 240 to Re = 3060 and study how increasingly turbulent flow phenomena impact prediction accuracy. We focus here on a short prediction horizon of ten non-dimensionalized time-steps, as would be relevant for problems of predictive flow control. We find that FNOs are capable of accurately predicting the evolution of experimental velocity fields throughout the range of Reynolds numbers tested (L2 norm error &lt; 0.1) despite being provided with limited and imperfect flow observations. Given these results, we conclude that this method holds significant potential for real-time predictive flow control of physical systems.

연구 동기 및 목표

• 유동 진화의 예측 가능한 실시간 예측을 위한 신속한 예측 목표 설정.
• 실험 유체 데이터에 대한 데이터 기반 해석가능한 솔루션 오퍼레이터로서의 Fourier Neural Operators(FNOs)의 효과성 조사.
• Reynolds 수 증가 및 난류 증가에 따라 예측 정확도가 어떻게 감소하는지 평가.
• 측정 잡음 및 관측 한계에 대한 FNO 기반 예측의 강건성 입증.

제안 방법

• 원통 흐름에서 속도장(u, v)의 시간 진화 연산자를 학습하기 위해 Fourier Neural Operators를 사용한다.
• 데이터를 평균 흐름을 빼고 변동 u' 및 v'를 얻고, u = u0 + u'와 v = v0 + v'를 통해 전체 필드를 재구성하여 전처리한다.
• FNO 아키텍처를 사용하여 두 단계 입력으로부터 10개의 미래 시간 스텝을 재귀적으로 예측한다.
• Reynolds 수 Re = 240, 630, 890, 1260, 1860, 2480, 3060에 대해 별도 FNO를 학습하고 테스트 세트에서 평가한다.
• 오류를 시간 t에서의 L2 노름으로 측정하며 epsilon(t) = ||q*_t - q_t||_2 / ||q_t||_2를 이산 속도-필드 샘플에서 계산한다.
• 전체 속도장에 대한 예측과 변동(u', v')에 대한 예측을 비교하는 변형(부록 참조)을 활용한다.

실험 결과

연구 질문

• RQ1 Fourier Neural Operators가 실험 데이터에서 부분临临 원통 흐름의 순간 속도장을 정확하게 예측할 수 있는가؟
• RQ2 예측 정확도(L2 오차)가 10 시간 스텝에 걸쳐 어떻게 변화하며 Reynolds 수에 따라 달라지는가?
• RQ3 FNO 예측이 PIV 데이터에 내재된 실험 잡음 및 두 번째 차원 측정 영향에 대해 강건한가?
• RQ4 평균으로 빼낸 변동과 전체 속도장을 사용하는 경우 예측 성능에 어떤 영향을 미치는가?
• RQ5 학습된 오퍼레이터가 부분临临 영역 내 Reynolds 수 범위에 일반화될 수 있는가?

주요 결과

• FNOs는 Re = 240에서 3060까지의 10개의 예측 스텝에 걸쳐 epsilon < 0.1의 낮은 오차를 달성한다.
• 예측 오차는 초기 스텝에서 Reynolds 수가 증가함에 따라 증가하나 최종 스텝은 Re = 890 근처에서 정체한다.
• 첫 번째 스텝 오차는 Reynolds 수와 거의 선형으로 증가하는 반면, 마지막 스텝 오차는 비선형적으로 증가한 뒤 안정된다.
• 예측은 측정 잡음과 2D PIV 한계에도 불구하고 지배적인 응집 구조의 순간 형태와 움직임을 포착한다.
• 오류는 전단 층과 와류 모서리 근처에 집중되며, 특히 고 Reynolds 수에서 3차원 효과가 나타난다.
• 예측은 난류 지역에서 작은 규모 특징을 매끄럽게 하는 경향이 있어 미세 규모 동역학 해결의 한계를 반영할 수 있다.