[논문 리뷰] Neural Vortex Method: from Finite Lagrangian Particles to Infinite Dimensional Eulerian Dynamics

Shiying Xiong, Xingzhe He외 3명|arXiv (Cornell University)|2020. 06. 07.

Model Reduction and Neural Networks참고 문헌 45인용 수 5

한 줄 요약

이 논문은 신경망을 사용하여 라그랑주형 소용루 구조와 그 역학을 모델링하는 러닝 기반 프레임워크인 신경 소용루 방법(Neural Vortex Method, NVM)을 제안한다. 이는 유한한 입자로부터 오일러형 유체 흐름을 고정밀도로 재구성할 수 있도록 한다. 소용루 탐지 네트워크와 소용루 역학 네트워크를 결합하고, 비극성 속도-소용루 방정식 해법을 통합함으로써 NVM은 전통적인 라그랑주형 소용루 방법(LVM)보다 상대 속도 오차가 10배 이상 낮아지며, 짧은 학습 윈도우 데이터만으로도 학습이 가능하다.

ABSTRACT

In the field of fluid numerical analysis, there has been a long-standing problem: lacking of a rigorous mathematical tool to map from a continuous flow field to discrete vortex particles, hurdling the Lagrangian particles from inheriting the high resolution of a large-scale Eulerian solver. To tackle this challenge, we propose a novel learning-based framework, the Neural Vortex Method (NVM), which builds a neural-network description of the Lagrangian vortex structures and their interaction dynamics to reconstruct the high-resolution Eulerian flow field in a physically-precise manner. The key components of our infrastructure consist of two networks: a vortex representation network to identify the Lagrangian vortices from a grid-based velocity field and a vortex interaction network to learn the underlying governing dynamics of these finite structures. By embedding these two networks with a vorticity-to-velocity Poisson solver and training its parameters using the high-fidelity data obtained from high-resolution direct numerical simulation, we can predict the accurate fluid dynamics on a precision level that was infeasible for all the previous conventional vortex methods (CVMs). To the best of our knowledge, our method is the first approach that can utilize motions of finite particles to learn infinite dimensional dynamic systems. We demonstrate the efficacy of our method in generating highly accurate prediction results, with low computational cost, of the leapfrogging vortex rings system, the turbulence system, and the systems governed by Euler equations with different external forces.

연구 동기 및 목표

• 연속적인 오일러형 유속장에서 유한한 라그랑주형 입자로의 변환 과정에서 해상도 손실 없이 매핑하는 데 오랜 기간 지속된 과제를 해결하기 위해.
• 특히 바이오티-사바르 법칙의 특이점과 외부 힘 처리에서 정확도가 떨어지는 전통적인 라그랑주형 소용루 방법(LVM)의 한계를 극복하기 위해.
• 비가속성, 소용루 밀도 역학 등 물리적 사전 지식을 통합한 데이터 기반 프레임워크를 개발하여 물리적으로 타당하고 안정적인 유체 예측을 보장하기 위해.
• 비틀림-스트라우할 방정식에 의해 지배되는 복잡한 유체 시스템, 특히 비정상적인 외부 힘을 포함한 시스템의 정확한 예측을 가능하게 하기 위해.
• 실제 데이터 수집에 실용적인 접근을 가능하게 하기 위해 짧은 시뮬레이션 윈도우로 학습함으로써 데이터 요구량을 줄이기 위해.

제안 방법

• 두 개의 스트림으로 구성된 신경망 아키텍처: 격자 기반 속도장에서 라그랑주형 소용루를 식별하는 소용루 탐지 네트워크.
• 기본적인 유체 역학에 기반해 소용루의 위치와 강도의 시간적 변화를 학습하는 소용루 역학 네트워크.
• 학습된 소용루 구성으로부터 전체 오일러형 속도장을 재구성하기 위해 소용루 밀도-속도 포아송 해법을 통합.
• 고해상도 격자 기반 시뮬레이션 데이터를 사용한 엔드 투 엔드 학습으로, 물리적 일致성에 대한 손실 함수를 적용.
• 이산 바이오티-사바르 법칙을 통한 속도 계산을 사용하며, 신경망이 가까운 입자 간 거리에서의 특이점과 정확도 저하를 보완.
• 긴 예측 기간에 비해 100배 이상 짧은 시간 윈도우(100× 이상 짧음)로 학습함으로써 데이터 효율적인 학습이 가능.

실험 결과

연구 질문

• RQ1 신경망 기반 프레임워크가 유한한 라그랑주형 소용루 입자로부터 고해상도 오일러형 유체 흐름을 정확하게 재구성할 수 있는가?
• RQ2 학습된 소용루 역학 모델이 외부 힘 작용 조건에서 전통적인 라그랑주형 소용루 방법보다 정확도가 뛰어나게 작용할 수 있는가?
• RQ3 데이터 기반 접근이 낮은 계산 비용과 다양한 유체 시스템에 대한 일반화 능력을 유지하면서도 높은 물리적 정밀도를 달성할 수 있는가?
• RQ4 신경망이 제한된 시뮬레이션 데이터로부터 기저의 나비에-스트로할 방정식 역학을 어느 정도 학습할 수 있는가?
• RQ5 프레임워크는 난류나 소용루 레이어의 점프-플러깅과 같은 복잡한 유체 거동을 높은 정확도와 안정성으로 처리할 수 있는가?

주요 결과

• NVM은 주기적 상자 내에서 나비에-스트로할 방정식을 풀 때 기존의 라그랑주형 소용루 방법(LVM)보다 상대 속도 오차를 10배 이상 감소시킨다.
• LVM이 이동 속도를 포착하지 못해 실패하는 비정상적인 외부 힘(예: 회전력, 균일한 힘) 조건에서도 NVM이 정확한 유체 역학 예측을 성공적으로 수행한다.
• 단지 총 예측 기간의 1% 미만인 짧은 학습 윈도우로도 높은 정확도를 달성하여 강력한 데이터 효율성을 입증한다.
• 낮은 입자 수 조건에서도 레이저링 점프-플러깅과 난류 흐름을 포함한 복잡한 시스템에서 안정적이고 정확한 예측을 유지한다.
• NVM 입자의 수가 증가할수록 속도 재구성 오차가 감소하며, 격자 기반 직접 수치 시뮬레이션(DNS)의 정확도에 가까워진다.
• 기존 소용루 방법에서 흔히 발생하는 물리적 불연속성과 수치적 불안정성 문제를 효과적으로 다루는 데에 프레임워크의 강건성을 입증한다.