[논문 리뷰] Nonlinear Galerkin Model Reduction for Systems with Multiple Transport Velocities

Felix Black, Philipp Schulze외 1명|arXiv (Cornell University)|2019. 12. 23.

Model Reduction and Neural Networks인용 수 3

한 줄 요약

이 논문은 다중 운반 속도를 가진 시스템에 대해 비선형 갈레르킨 모델 축소 프레임워크를 소개한다. 시간에 따라 변하는 변환 연산자와 임의의 기저 함수를 사용하여 고정밀도 저차원 근사치를 달성한다. 기존의 방법과 달리, 비선형 다양체 위로 투영함으로써 차원 수를 줄였음에도 불구하고 뛰어난 오차 제어가 가능하며, 특수한 경우에 대칭 축소와의 연결 고리를 형성한다.

ABSTRACT

We propose a new model reduction framework for problems that exhibit transport phenomena. As in the moving finite element method (MFEM), our method employs time-dependent transformation operators and, especially, generalizes MFEM to arbitrary basis functions. The new framework is suitable to obtain a low-dimensional approximation with small errors even in situations where classical model order reduction techniques require much higher dimensions for a similar approximation quality. Analogously to the MFEM framework, the reduced model is designed to minimize the residual, which is also the basis for an a-posteriori error bound. Moreover, since the dependence of the transformation operators on the reduced state is nonlinear, the resulting reduced order model is obtained by projecting the original evolution equation onto a nonlinear manifold. Furthermore, for a special case, we show a connection between our approach and the method of freezing, which is also known as symmetry reduction. Besides the construction of the reduced order model, we also analyze the problem of finding optimal basis functions based on given data of the full order solution. Especially, we show that the corresponding minimization problem has a solution and reduces to the proper orthogonal decomposition of transformed data in a special case. Finally, we demonstrate the effectiveness of our method with several analytical and numerical examples.

연구 동기 및 목표

• 다중 운반 속도를 가진 시스템을 효과적으로 다룰 수 있는 모델 축소 프레임워크를 개발함으로써, 기존 방법이 저차원에서 높은 정확도를 확보하지 못하는 문제를 해결한다.
• 이동 유한요소법(MFEM)을 일반화하여 임의의 기저 함수와 비선형 변환 연산자를 허용함으로써 보다 넓은 적용 범위를 확보한다.
• 잔차를 최소화하고 사후 오차 한계를 지원하는 저차원 모델을 구축한다.
• 최적의 기저 함수 선택 전략을 고차원 해 데이터로부터 유도하여 최소한의 근사 오차를 보장한다.
• 특수한 경우에 제안된 방법과 동결 방법(method of freezing, 대칭 축소) 사이의 이론적 연결 고리를 수립한다.

제안 방법

• 이 방법은 해의 구조가 변화하는 데에 따라 동적으로 적응하는 시간에 따라 변하는 변환 연산자를 사용하며, 특히 운반 dominant 문제에 적합하다.
• 기존 진화 방정식을 변환 연산자가 감소된 상태에 비선형적으로 의존하는 비선형 다양체 위로 투영한다.
• 감소된 모델은 약한 형태의 잔차를 최소화함으로써 유도되며, 이는 사후 오차 추정에도 기여한다.
• 최적의 기저 함수는 변환된 데이터 위에서 최소화 문제를 풀어 계산되며, 특수한 경우에 정규 직교 분해(POD)로 축소된다.
• 이 프레임워크는 유한요소 형태에 국한되지 않고 임의의 기저 함수를 허용함으로써 MFEM을 일반화하여 유연성과 정확도를 향상시킨다.
• 특정 조건 하에서 대칭성이 존재하는 시스템에서 동결 방법과의 이론적 연결 고리를 수립하였으며, 이는 동치임을 보여준다.

실험 결과

연구 질문

• RQ1 시간에 따라 변하는 변환을 갖는 비선형 갈레르킨 프레임워크는 다중 운반 속도를 가진 시스템에서 기존 방법보다 뛰어난 정확도를 달성할 수 있는가?
• RQ2 고차원 해 데이터로부터 최적의 기저 함수를 체계적으로 유도하여 근사 오차를 최소화할 수 있는가?
• RQ3 제안된 방법은 원래의 유한요소 제약 조건을 초월하여 이동 유한요소법(MFEM)을 어떻게 일반화하는가?
• RQ4 대칭성을 가진 시스템에서 제안된 방법과 동결 방법(method of freezing, 대칭 축소) 사이의 관계는 무엇인가?
• RQ5 감소된 모델에서 잔차 최소화 원리가 신뢰할 수 있는 사후 오차 한계를 제공하는가?

주요 결과

• 기존의 모델 순서 축소 방법이 상당히 높은 차원이 필요로 하는 경우에도, 제안된 방법은 고정밀도 저차원 근사치를 달성한다.
• 약한 형태에서 잔차의 최소화는 명확한 사후 오차 한계를 유도하며, 이는 신뢰도를 향상시킨다.
• 최적의 기저 함수 선택 문제는 해를 가지며, 특수한 경우에 변환된 데이터에 대한 정규 직교 분해(POD)로 축소된다.
• 이 프레임워크는 유한요소 공간에 국한되지 않는 임의의 기저 함수를 허용함으로써 MFEM을 일반화하여 더 큰 유연성과 적용 가능성 확보.
• 특수한 경우에 동결 방법과의 이론적 연결 고리를 수립하였으며, 제안된 방법이 대칭 축소를 특수한 경우로 포함함을 보여준다.
• 수치 예제들은 이 방법이 저차원에서 운반 현상을 뛰어난 정확도로 포착할 수 있음을 확인한다.