[논문 리뷰] Neural-Network-Augmented Projection-Based Model Order Reduction for Mitigating the Kolmogorov Barrier to Reducibility of CFD Models

Joshua L Barnett, Charbel Farhat외 1명|arXiv (Cornell University)|2022. 12. 17.

Model Reduction and Neural Networks인용 수 7

한 줄 요약

이 논문은 난류가 지배하는 유체역학 문제에서 콜모고로프 n-폭 넓이 장벽을 극복하기 위해 축소된 순서 모델과 밀도 높은 인공 신경망을 결합한 신경망 증강 투영 기반 모델 순서 감소(PROM-ANN) 프레임워크를 제안한다. 이 방법은 고정밀도 모델 대비 차원을 10,000배 감소시키고 50배 빠른 성능을 달성하여 충격이 지배하는 유동의 실시간 시뮬레이션을 가능하게 한다. 정확도는 99%를 확보한다.

ABSTRACT

Inspired by our previous work on mitigating the Kolmogorov barrier using a quadratic approximation manifold, we propose in this paper a computationally tractable approach for combining a projection-based reduced-order model (PROM) and an artificial neural network (ANN) for mitigating the Kolmogorov barrier to reducibility of convection-dominated flow problems. The main objective the PROM-ANN concept that we propose is to reduce the dimensionality of the online approximation of the solution beyond what is possible using affine and quadratic approximation manifolds. In contrast to previous approaches for constructing arbitrarily nonlinear manifold approximations for nonlinear model reduction that exploited one form or another of ANN, the training of the PROM-ANN we propose in this paper does not involve data whose dimension scales with that of the high-dimensional model; and this PROM-ANN is hyperreducible using any well-established hyperreduction method. Hence, unlike many other ANN-based approaches, the PROM-ANN concept we propose in this paper is practical for large-scale and industry-relevant CFD problems. Its potential is demonstrated here for a parametric, shock-dominated, benchmark problem.

연구 동기 및 목표

• 난류 지배 유동 문제에서 전통적인 투영 기반 모델 순서 감소(PROM)의 성능을 제한하는 콜모고로프 n-폭 넓이 장벽을 해결한다.
• 아핀 또는 이차 다양체를 초월하는 비선형, 저차원 근사가 가능한 계산적으로 타당한 방법을 개발한다.
• 기존의 하이퍼리덕션 기법(예: ECSW)을 활용해 얻어진 대체 모델의 하이퍼리덕티브 성질을 확보하여 실시간 성능을 달성한다.
• 고레이나이즈 수치가 높고 복잡한 충격 역학을 보이는 기준 문제에 대해 제안된 방법의 효과성을 입증한다.
• 강한 비선형성과 불연속성이 존재하는 상황에서도 높은 정확도를 유지하면서도, 빠른 속도와 극도로 낮은 차원을 확보한다.

제안 방법

• 고정밀도 CFD 해의 스냅샷을 대상으로 스냅샷 Proper Orthogonal Decomposition(snapshop POD)를 수행하여 얻은 축소된 기저(ROB)를 기반으로 투영 기반 축소된 순서 모델(PROM)을 수립한다.
• PROM의 일반화된 좌표를 더 높은 차원의 비선형 다양체로 매핑하는 밀도 높은 인공 신경망(ANN)을 PROM에 통합하여, 아핀 또는 이차 부분공간을 초월하는 비선형 근사를 가능하게 한다.
• 고차원 해 스냅샷 대신 PROM의 저차원 일반화된 좌표($ n imes 1 $)만을 사용하여 ANN을 훈련함으로써, 신경망 크기가 HDM의 차원 $ N $에 따라 증가하지 않도록 보장한다.
• PROM-ANN의 비선형 잔차 최소화 문제를 수립하기 위해 최소 제곱 피트로프-갈레르킨(LSPG) 방법을 적용하여 정확도와 안정성을 향상시킨다.
• 대체 모델의 하이퍼리덕션을 위해 Empirical Cubature for Surrogate-based Weighting(ECSW) 방법을 적용하여, 원래 $ N_e = 62,500 $ 개의 요소에서 $ n_e = 1,279 $ 개의 요소로 감소된 하이퍼리duced 메쉬를 확보한다.
• PyTorch를 활용해 자동 미분을 수행하여 $ rac{ abla oldsymbol{ u}}{ abla oldsymbol{q}} $의 기울기를 계산함으로써, LSPG 프레임워크 내에서 효율적인 훈련과 잔차 평가를 가능하게 한다.

실험 결과

연구 질문

• RQ1 고차원 모델의 차원 $ N $ 에 따라 증가하지 않는 신경망 크기를 갖는 PROM-ANN 프레임워크를 설계할 수 있는가? 이는 대규모 CFD 문제에 대한 확장성을 보장한다.
• RQ2 표준 하이퍼리덕션 기법(예: ECSW)을 사용해 PROM-ANN를 하이퍼리덕션할 수 있는가? 이는 실시간 응용에 대한 계산적 타당성을 보장한다.
• RQ3 PROM-ANN 접근법은 기존 PROM이 실패하는 난류 지배, 충격 지배 CFD 문제에서 콜모고로프 n-폭 넓이 장벽을 효과적으로 완화할 수 있는가?
• RQ4 PROM-ANN는 기존의 고속 축소된 순서 모델(HPROM)과 비교해 유사하거나 더 높은 정확도를 확보하면서도, 수십만 배 빠른 속도와 극도로 낮은 차원으로 작동할 수 있는가?
• RQ5 표준 PROMs와 비교해, 날카로운 충격과 불연속성을 효과적으로 포착하면서 임의의 진동을 최소화하는가?

주요 결과

• HPROM-ANN는 매개변수화된 충격 지배 유동 문제에서 고정밀도 모델(HDM) 해를 99% 정확도로 예측하며, 상대 오차는 약 1.44% 수준이다.
• 단일 코어에서 HDM 대비 HPROM-ANN는 51.9배 더 빠르게 작동하며, HDM의 718초 대비 13.8초의 월 클록 타임을 기록한다.
• 해의 차원은 $ N = 125,000 $ 에서 $ n = 10 $ 으로 감소하여, 모델 크기의 4자리 수준 감소를 달성한다.
• 하이퍼리덕션된 메쉬의 요소 수는 원래의 $ N_e = 62,500 $ 개에서 $ n_e = 1,279 $ 개로 감소하여, ECSW를 통한 효과적인 하이퍼리덕션을 입증한다.
• 시각적 및 정량적 비교를 통해 그림 6에 나타난 바와 같이, 표준 PROMs에 비해 충격 주변에서 유의미하게 낮은 임의의 진동을 보인다.
• PROM-ANN 프레임워크는 표준 기법(예: ECSW)을 통해 하이퍼리덕션 가능하며, ANN 훈련 과정에서 고차원 데이터가 필요 없어, 대규모 산업용 CFD 문제에 대한 확장성이 확보된다.