[논문 리뷰] Hybrid Neural Network PDE Solvers for Reacting Flows

Nilam Tathawadekar, Nguyen Anh Khoa Doan외 2명|arXiv (Cornell University)|2021. 11. 22.

Combustion and flame dynamics참고 문헌 29인용 수 4

한 줄 요약

이 논문은 반응성 유동 시뮬레이션에서 화학 반응 효과를 보정하기 위해 비반응성 PDE 솔버와 신경망을 조합한 하이브리드 신경망-PDE 솔버를 제안한다. 매 시간 단계에서 신경망 보정을 적용함으로써, 순수 데이터 기반 또는 전체 반응성 PDE 접근 방식에 비해 더 큰 시간 간격, 향상된 안정성, 일반화 능력과 함께 정확하고 장기적인 평면형 및 뱅센 플레임 시뮬레이션을 가능하게 한다.

ABSTRACT

Low-cost simulations of reactive flows are generally hard to achieve. Accurately modeling the propagation of a flame in more than one spatial dimension during statistically significant time windows usually comprises a large range of temporal and spatial scales, which entail high computational costs. Recent machine learning developments have shown great potential in accelerating such simulations. However, purely data-driven approaches, which only make use of an artificial neural network and data, often fail to accurately simulate the evolution of the reactive flow over a sufficiently long time and in a physically consistent manner. Therefore, we propose a hybrid approach that uses a neural network model in combination with a non-reactive PDE solver that provides partial physical information. In this study, we demonstrate that results obtained from non-reactive PDEs can be efficiently corrected at every time step by a hybrid neural network PDE solver model so that the effect of the chemical reactions on the flow field is correctly accounted for. For validation purposes, the obtained simulations of the hybrid model are successfully compared against results coming from a complete set of reactive PDEs, which are inherently more expensive. We demonstrate the validity of the proposed approach on a planar and a Bunsen-type flame at various operating conditions. The hybrid neural-network PDE approach correctly models the flame evolution of the cases under study for significantly long time windows, yields improved generalization, and allows for larger simulation time steps.

연구 동기 및 목표

• 복잡한 화학 반응을 포함한 장시간, 다차원 반응성 유동 시뮬레이션의 높은 계산 비용을 해결하기 위해.
• 순수 데이터 기반 신경망이 반응성 유동 모델링에서 물리적 일관성과 장기 정확도를 유지하는 데 한계를 보이는 문제를 극복하기 위해.
• 기본 역학을 위해 물리적 PDE 솔버를 활용하고, 반응 유도 보정을 모델링하기 위해 신경망을 사용하는 하이브리드 프레임워크를 개발하기 위해.
• 다양한 운영 조건에서 평면형 및 뱅센형 플레임에 대해 방법을 검증하여 강건성과 일반화 능력을 확보하기 위해.
• 물리적 정밀도를 손상시키지 않고 더 큰 시간 간격을 사용하고 시뮬레이션 효율을 향상시키기 위해.

제안 방법

• 비반응성 PDE 솔버가 매 시간 단계에서 기초 흐름 역학을 계산하여 물리적으로 일관된 중간 상태를 제공한다.
• 유동 내 화학 반응을 고려하기 위해 필요한 보정 필드를 예측하도록 신경망을 훈련시킨다.
• 보정은 매 시간 단계에서 비반응성 해에 적용되어 효과적으로 반응 효과를 시뮬레이션에 통합한다.
• 하이브리드 모델은 전체 반응성 PDE에서 생성된 데이터를 사용하여 훈련되며, 목표 역학에서 물리적 정확성을 보장한다.
• 아키텍처는 다양한 운영 조건과 플레임 유형으로의 일반화를 위해 설계되어 있다.
• 물리적 사전 지식 덕분에 안정성이 향상되어 표준 반응성 PDE 솔버보다 더 큰 시간 간격을 허용한다.

실험 결과

연구 질문

• RQ1 비반응성 PDE 솔버에 의해 안내되는 경우, 신경망이 반응 유도 역학을 효과적으로 학습하고 보정할 수 있는가?
• RQ2 순수 데이터 기반 모델에 비해 하이브리드 접근 방식은 플레임 시뮬레이션에서 물리적 일관성과 장기 정확도를 유지하는가?
• RQ3 최소한의 재훈련으로 하이브리드 모델이 다양한 플레임 유형과 운영 조건으로 일반화 가능한가?
• RQ4 전체 반응성 PDE 시뮬레이션에 비해 하이브리드 모델이 계산 비용을 얼마나 줄일 수 있는가?
• RQ5 안정성이나 정확도를 훼손하지 않고 하이브리드 시뮬레이션에서 더 큰 시간 간격을 사용할 수 있는가?

주요 결과

• 하이브리드 모델은 순수 데이터 기반 신경망에 비해 훨씬 더 긴 시간 창에서 플레임 진화를 성공적으로 시뮬레이션하며 물리적 일관성을 유지한다.
• 방법은 전체 반응성 PDE 솔버와 비교해 정확한 결과를 도출하여 물리적 정밀도를 검증한다.
• 모델은 다양한 운영 조건과 플레임 기하학적 형태(평면형 및 뱅센형 플레임 포함)에 걸쳐 향상된 일반화 능력을 보여준다.
• 하이브리드 접근 방식을 통해 더 큰 시뮬레이션 시간 간격이 가능해져 계산 효율성이 향상된다.
• 신경망 보정은 매 단계에서 전체 반응성 PDE 해를 구하지 않아도 복잡한 반응 효과를 효과적으로 포착한다.
• 물리적 PDE 역학과 학습된 보정의 통합은 안정적이고 정확한 장기 시뮬레이션을 가능하게 한다.