[논문 리뷰] Generalizable data-driven turbulence closure modeling on unstructured grids with differentiable physics

Kim, Hojin, Varun Shankar외 2명|arXiv (Cornell University)|2023. 07. 25.

Model Reduction and Neural Networks인용 수 6

한 줄 요약

이 논문은 비정형 격자 위에서 미분 가능한 대규모 난류 시뮬레이션(LES) 프레임워크를 제안하며, 다중 척도 그래프 신경망(GNN)을 통합하여 미세구조 스케일(SGS) 난류 폐쇄를 학습한다. 자동 미분을 통한 엔드 투 엔드 훈련을 가능하게 함으로써, 10배 더 비싼 정밀 격자 시뮬레이션과 유사한 LES 정확도를 달성하면서도, 훈련 중에 볼 수 없었던 레이놀즈 수와 기하 구조로의 일반화를 보이며 10배의 효율적 속도 향상을 보였다.

ABSTRACT

Differentiable physical simulators are proving to be valuable tools for developing data-driven models for computational fluid dynamics (CFD). In particular, these simulators enable end-to-end training of machine learning (ML) models embedded within CFD solvers. This paradigm enables novel algorithms which combine the generalization power and low cost of physics-based simulations with the flexibility and automation of deep learning methods. In this study, we introduce a framework for embedding deep learning models within a finite element solver for incompressible Navier-Stokes equations, specifically applying this approach to learn a subgrid-scale (SGS) closure with a graph neural network (GNN). We first demonstrate the feasibility of the approach on flow over a two-dimensional backward-facing step, using it as a proof of concept to show that solver-consistent training produces stable and physically meaningful closures. Then, we extend this to a turbulent flow over a three-dimensional backward-facing step. In this setting, the GNN-based closure not only attains low prediction errors, but also recovers key turbulence statistics and preserves multiscale turbulent structures. We further demonstrate that the closure can be identified in data-limited learning scenarios as well. Overall, the proposed end-to-end learning paradigm offers a viable pathway toward physically consistent and generalizable data-driven SGS modeling on complex and unstructured domains.

연구 동기 및 목표

• 기계 학습 기반 난류 모델의 엔드 투 엔드 훈련에 적합한 비정형 메esh를 지원하는 미분 가능한 CFD 솔버 개발
• 순수 데이터 기반 CFD 모델의 일반화 부족 문제를 해결하기 위해, 물리 기반 프레임워크 내에 학습 가능한 SGS 폐쇄를 통합함
• GNN 기반 SGS 모델이 복잡한 흐름(예: 후방면 스텝)에서 레이놀즈 수와 기하 변화에 대해 일반화할 수 있는지 입증함
• 더러운 격자 시뮬레이션을 가능하게 하는 폐쇄 모델을 학습함으로써 계산 비용을 감소시키면서도 높은 정확도를 확보함

제안 방법

• Navier-Stokes 방정식을 FEniCS 유한요소 환경에서 풀며, 압력 보정 방법(Incremental Pressure Correction Scheme, IPCS)은 PyTorch로 구현하여 미분 가능성 확보
• 지역 속도 기울기와 압력장 정보를 입력으로 사용하여 다중 척도 그래프 신경망(GNN)이 난류 점성도와 비선형 SGS 응력 기여도를 예측하도록 훈련
• 자동 미분을 통해 여러 시간단계에 걸쳐 예측된 속도장과 참값 속도장 간의 L² 오차를 최소화함으로써 GNN를 엔드 투 엔드로 훈련
• PDE 해법을 통한 기울기 계산을 가능하게 하기 위해 고유의 이산 애드조인트 솔버를 구현하여 전체 시뮬레이션 파이프라인을 통한 역전파 지원
• 선형 및 비선형 SGS 응력 성분을 포함하는 기능적 형태를 사용하여 LES 제형 내에 폐쇄 모델 통합
• 일반화 성능을 평가하기 위해 다양한 레이놀즈 수와 스텝 높이를 가진 2차원 후방면 스텝 흐름을 대상으로 평가 수행

실험 결과

연구 질문

• RQ1 비정형 격자 위에서의 미분 가능한 LES 프레임워크는 데이터 기반 SGS 폐쇄 모델의 효과적인 엔드 투 엔드 훈련을 가능하게 하는가?
• RQ2 GNN 기반 SGS 모델은 난류 흐름에서 훈련 중에 볼 수 없었던 레이놀즈 수와 새로운 기하 구조로 일반화되는가?
• RQ3 학습된 폐쇄 모델은 고해상도 LES와 유사한 정확도를 유지하면서 계산 비용을 얼마나 줄일 수 있는가?
• RQ4 유한요소 PDE 솔버에 GNN를 통합함으로써 물리적 일관성을 유지하면서도 효율적이고 미분 가능한 훈련을 가능하게 하는가?

주요 결과

• GNN 기반 폐쇄 모델은 10배 더 비싼 정밀 격자 시뮬레이션과 유사한 LES 정확도를 확보하여 계산 비용 측면에서 10배의 효율적 속도 향상을 보였다.
• 훈련 중에 볼 수 없었던 높은 레이놀즈 수와 새로운 스텝 높이에 대해서도 일반화 성능을 보이며 훈련 분포를 초월한 강건성을 입증했다.
• 학습된 SGS 모델은 전통적인 LES 폐쇄 모델 대비 속도 프로파일 정확도와 POD 모드 표현에서 뛰어난 성능을 보였다.
• 이 프레임워크는 비정형 메쉬에서 자동 미분을 통한 엔드 투 엔드 훈련을 성공적으로 실현하였으며, 이는 이전에는 구조적 격자에서만 가능했던 능력이다.
• 기준 모델 대비 예측된 속도장과 참값 속도장 간의 L² 오차가 크게 감소하였으며, 다양한 지표에서 일관된 향상이 관찰되었다.
• 기초가 되는 PDE 솔버 덕분에 비압축성 및 동역량 보존 등의 물리적 일관성이 유지되었다.