[논문 리뷰] Free Form Deformation, mesh morphing and reduced order methods: enablers for efficient aerodynamic shape optimization

Filippo Salmoiraghi, Angela Scardigli외 2명|arXiv (Cornell University)|2018. 03. 13.

Model Reduction and Neural Networks참고 문헌 31인용 수 8

한 줄 요약

이 논문은 고성능 RANS 시뮬레이션을 가속화하기 위해 기하 형상의 매개변수화에 자유형 변형(FFD)을 사용하고, 두 가지 Proper Orthogonal Decomposition(POD)-기반 모델 순서 감소 기법—POD와 보간을 통한 방법(PODI) 및 도메인 분할 POD(DD-POD)—를 통합한 통합된 순서 감소 모델링 파이프라인을 제안한다. 이 프레임워크는 산업 규모의 항공역학 문제에서 압력 및 벽면 마찰 응력 복원에 대해 2% 이내의 오차를 유지하면서도 항공역학적 저항 계수에 대해 0.5% 이내의 오차를 유지하며, 온라인 계산에서 최대 10⁷배의 속도 향상을 달성한다.

ABSTRACT

The work provides an integrated pipeline for the model order reduction of turbulent flows around parametrised geometries in aerodynamics. In particular, Free-Form Deformation is applied for geometry parametrisation, whereas two different reduced-order models based on Proper Orthogonal Decomposition (POD) are employed in order to speed-up the full-order simulations: the first method exploits POD with interpolation, while the second one is based on domain decomposition. For the sampling of the parameter space, we adopt a Greedy strategy coupled with Constrained Centroidal Voronoi Tessellations, in order to guarantee a good compromise between space exploration and exploitation. The proposed framework is tested on an industrially relevant application, i.e. the front-bumper morphing of the DrivAer car model, using the finite-volume method for the full-order resolution of the Reynolds-Averaged Navier-Stokes equations.

연구 동기 및 목표

• 10³회의 시뮬레이션에 대해 1회 실행당 10²–10⁴ CPU 시간이 소요되어 총 €500,000 이상의 비용이 발생할 수 있는 RANS 기반 항공역학적 형상 최적화의 높은 계산 비용을 해결한다.
• 완전 순서 시뮬레이션의 한계를 극복하기 위해, 매개변수화된 기하 형상을 거의 실시간으로 평가할 수 있는 모델 순서 감소(MOR) 프레임워크를 개발한다.
• 기하 형상 매개변수화를 위해 자유형 변형(FFD)을 사용하고, 두 가지 다른 순서 감소 모델링 전략을 통합하여 효율적인 샘플링과 온라인 평가를 가능하게 한다.
• 고립된 기하 형상, 고레일놀즈 수치 흐름, 도는 휠을 포함하는 복잡한 기하 형상을 지닌 산업 기준인 DrivAer 자동차 모델에서 프레임워크를 검증한다.
• 솔버에 종속적인 코드에 대한 의존도를 최소화하여 상용 소프트웨어와의 호환성을 확보함으로써 엔지니어링 설계 파이프라인에 넓은 통합 가능성을 확보한다.

제안 방법

• DrivAer 자동차 모델의 기하 형상을 제어 격자로 둘러싸인 앞범퍼를 변형시켜 자유형 변형(FFD)을 적용하여 부드럽고 연속적인 형상 변화를 가능하게 한다.
• 제약 조건이 있는 중심점 기반 벨로이 테셀레이션(CCVT)에 기반한 그리디 샘플링 전략을 사용하여 매개변수 공간을 효율적으로 탐색하고 이용함으로써 고성능 시뮬레이션의 수를 최소화한다.
• 비정규격 메esh에서 레이놀즈 평균 나비에-스토크스(RANS) 방정식의 고성능 시뮬레이션을 통해 10⁷–10⁸개 요소를 포함하는 데이터베이스를 구축한다.
• 두 가지 순서 감소 모델을 구현한다: (1) POD와 보간을 통한 방법(PODI)은 완전 순서 솔버를 블랙박스로 간주하고, (2) 도메인 분할 POD(DD-POD)는 도메인을 분할하고 국소 POD 모드를 사용하여 정확도를 향상시킨다.
• 온라인 평가 시, 감소 기저를 사용하여 압력, 속도, 벽면 마찰 응력, 항공역학적 저항 계수를 복원하며, 기준 구성에 대한 오차 노름을 계산한다.
• 오차 추정에 기반하여 반복적으로 새로운 고성능 해를 데이터베이스에 추가하는 그리디 확장 전략을 사용하여 순서 감소 모델의 수렴을 보장한다.

실험 결과

연구 질문

• RQ1 자유형 변형(FFD)은 복잡한 자동차 기하 형상을 항공역학적 최적화에 효과적이고 부드럽게 매개변수화할 수 있는가?
• RQ2 고성능 RANS 시뮬레이션의 난류 흐름을 감소시키는 데 있어, 보간을 통한 POD(PODI)와 도메인 분할 POD(DD-POD)는 정확도와 계산 효율성 측면에서 어떻게 비교되는가?
• RQ3 산업 규모 문제에 대해 정확한 순서 감소 모델 구축을 보장하면서도 고성능 시뮬레이션의 수를 최소화하는 데 최적의 샘플링 전략은 무엇인가?
• RQ4 순서 감소 모델이 훈련 데이터베이스 외부의 주요 항공역학적 출력—예를 들어 압력, 벽면 마찰 응력, 항공역학적 저항 계수—를 얼마나 정확하게 복원할 수 있는가?
• RQ5 제안된 프레임워크는 완전 순서 솔버에 대한 액세스를 최소화하면서도 상용 CFD 소프트웨어와의 통합을 가능하게 하는가?

주요 결과

• 제안된 파이프라인은 PODI 방법에서 온라인 단계에서 최대 10⁷배의 속도 향상을 달성했으며, DD-POD 방법은 약 10배의 속도 향상을 보여 상당한 계산 성능 향상을 입증했다.
• 훈련 데이터 외부의 최악의 구성에 대해, 압력 복원의 상대 오차는 PODI 기준 1.7%, DD-POD 기준 1.9%이며, 벽면 마찰 응력 오차는 두 방법 모두 4.2%이다.
• 항공역학적 저항 계수의 예측 오차는 두 방법 모두 0.5% 이내로 매우 낮아, 표면 통합 과정이 국소 필드 복원 오차를 상쇄함을 시사한다.
• 속도 및 벽면 마찰 응력 필드의 오차는 압력보다 더 높은 이유는 벡터 필드의 특성으로, 크기와 방향을 정확히 복원해야 하기 때문이다.
• CCVT 기반의 그리디 샘플링 전략은 매개변수 공간의 효과적인 탐색을 보장하여 고성능 시뮬레이션의 수를 줄이면서도 모델 정확도를 유지한다.
• 프레임워크는 상용 CFD 솔버와 완전히 호환된다: PODI는 완전 순서 솔버를 블랙박스로 취급하고, DD-POD는 런타임 중 경계 조건에만 액세스하면 되므로 산업 응용에 넓은 적용 가능성을 지닌다.