[논문 리뷰] From Deep to Physics-Informed Learning of Turbulence: Diagnostics

Ryan King, Oliver Hennigh외 2명|arXiv (Cornell University)|2018. 10. 16.

Fluid Dynamics and Turbulent Flows참고 문헌 15인용 수 34

한 줄 요약

이 논문은 에너지 스펙트럼, 속도 기울기 통계, 비정상적 스케일링, Q-R 평면 기하학 등 다양한 진단 도구를 사용하여 동질적이고 등방성 난류의 시뮬레이션을 위한 딥러닝(DL) 및 물리 기반 기계학습(PIML) 모델을 평가한다. 정적 GAN은 대규모 특징과 간헐성을 잘 포착하지만, 소규모 간헐성과 대규모 기하학 구조에서는 실패한다. 반면, 동적 모델(LAT-NET 및 CC-LSTM)은 이러한 결함을 보완하여 시간적 순서 학습이 더 정확한 난류 재현을 가능하게 한다.

ABSTRACT

We describe tests validating progress made toward acceleration and automation of hydrodynamic codes in the regime of developed turbulence by three Deep Learning (DL) Neural Network (NN) schemes trained on Direct Numerical Simulations of turbulence. Even the bare DL solutions, which do not take into account any physics of turbulence explicitly, are impressively good overall when it comes to qualitative description of important features of turbulence. However, the early tests have also uncovered some caveats of the DL approaches. We observe that the static DL scheme, implementing Convolutional GAN and trained on spatial snapshots of turbulence, fails to reproduce intermittency of turbulent fluctuations at small scales and details of the turbulence geometry at large scales. We show that the dynamic NN schemes, namely LAT-NET and Compressed Convolutional LSTM, trained on a temporal sequence of turbulence snapshots are capable to correct for the caveats of the static NN. We suggest a path forward towards improving reproducibility of the large-scale geometry of turbulence with NN.

연구 동기 및 목표

• 직접 수치 시뮬레이션(DNS) 데이터로 훈련된 딥러닝 모델이 물리적 제약 조건을 명시적으로 포함하지 않고도 난류의 주요 통계적 및 기하학적 특성을 재현하는지 검증하는 것.
• 정적 딥러닝(예: GAN)이 소규모 간헐성과 대규모 난류 기하학을 포착하지 못하는 한계를 진단하는 것.
• 시간적 순서 데이터로 훈련된 동적 신경망(LAT-NET 및 CC-LSTM)이 정적 모델보다 정밀도가 향상되는지 평가하는 것.
• 난류 특화 지표를 사용해 유체역학 코드 내 PIML 모델을 평가하는 진단 프레임워크를 수립하는 것.
• 물리 기반 학습을 통해 대규모 난류 구조의 재현성을 향상시키는 길을 규명하는 것.

제안 방법

• 존스홉킨스 난류 데이터베이스에서 확보한 2D 공간 스냅샷을 기반으로 컨volutional GAN(C-GAN)을 훈련하여 합성 난류 유동장 생성.
• SpectralDNS가 생성한 DNS 스냅샷의 시계열을 기반으로 LAT-NET 및 새로운 CC-LSTM 모델을 구현하여 시간적 동역학 학습.
• 에너지 스펙트럼(코모고로프 스케일링), 속도 기울기 PDF(간헐성), 구조 함수의 비정상적 스케일링, 그리고 공동 Q-R PDF(유동 기하학)의 네 가지 진단 지표 적용.
• 속도 증분과 속도 기울기 텐서의 통계적 모멘트를 사용해 자기유사성과 비정상적 스케일링을 테스트하며, 이론적 기준으로는 $ S_n(r) \sim (v_L)^n (r/L)^{n/3 - \Delta_n} $ 를 사용.
• 유동 기하학의 핵심 특징인 코어리오티와 응력 간의 정렬을 평가하기 위해 Q-R 평면의 공동 확률 분포를 평가.
• 모든 진단 도구를 통해 합성 데이터를 기준 데이터(DNS)와 비교하여 모델 정밀도를 정량화.

실험 결과

연구 질문

• RQ1 정적 딥러닝 모델(예: GAN)이 공간 스냅샷으로 훈련된 경우 난류 유동의 에너지 스펙트럼과 간헐성을 재현할 수 있는가?
• RQ2 정적 GAN이 난류의 소규모 간헐성과 대규모 기하학적 특징을 포착하지 못하는 정도는 어느 정도인가?
• RQ3 시간적 순서 데이터로 훈련된 동적 신경망(LAT-NET, CC-LSTM)이 정적 모델보다 난류 통계와 기하학을 더 잘 재현하는가?
• RQ4 손실 함수에 물리 법칙을 명시적으로 포함하지 않고도 난류 특화 진단 도구를 활용해 물리 기반 학습 프레임워크를 검증할 수 있는가?
• RQ5 현재 딥러닝 모델의 난류 시뮬레이션에서의 주요 결함는 무엇이며, 이를 체계적으로 보완할 수 있는 방법은 무엇인가?

주요 결과

• 정적 GAN 모델은 관성 영역의 에너지 스펙트럼을 성공적으로 재현하고, $4/5$-법칙을 포착하여 대규모 에너지 전달이 올바르게 반영됨을 시사한다.
• GAN 모델은 정규화된 속도 기울기의 비정규분포이자 음의 왜곡을 띠는 PDF를 정확히 재현하여 소규모 간헐성을 포착하고 있음을 나타낸다.
• GAN 모델은 고차 구조 함수의 비정상적 스케일링 지수를 유지하여 관성 영역 전반에서 간헐적 통계를 재현할 수 있음을 확인한다.
• GAN은 미세화된 속도 기울기 텐서의 Q와 R 불변량에 대한 특징적인 방울 모양의 공동 PDF를 재현하지 못하여 대규모 유동 기하학을 잘못 재현하고 있음을 시사한다.
• 시간적 순서로 훈련된 LAT-NET 및 CC-LSTM은 정적 GAN의 기하학적 결함을 성공적으로 보완하며, 특히 Q-R 평면 정렬 통계에서 뚜렷한 개선을 보였다.
• 동적 모델은 소규모 간헐성과 대규모 난류 기하학을 모두 더 잘 포착하여, 난류에 대한 PIML에서 시간 모델링의 중요성을 입증한다.