[논문 리뷰] NUNet: Deep Learning for Non-Uniform Super-Resolution of Turbulent Flows

Octavi Obiols-Sales, Abhinav Vishnu외 2명|arXiv (Cornell University)|2022. 03. 26.

Advanced Image Processing Techniques인용 수 6

한 줄 요약

NUNet는 난류 유동의 비균일 초해상도를 위한 딥러닝 프레임워크로, 벽면 근처 및 후류 영역과 같이 복잡한 유동 특징을 가진 영역만 적응적으로 정밀화하면서도 부드러운 영역에서는 해상도를 낮춘다. 최신 균일 초해상도 방법보다 7–28.5배 빠른 추론 속도와 4.4–7.65배 낮은 메모리 사용량을 달성하면서도, 전통적인 AMR 솔버와 동일한 수렴 정확도를 유지한다.

ABSTRACT

Deep Learning (DL) algorithms are becoming increasingly popular for the reconstruction of high-resolution turbulent flows (aka super-resolution). However, current DL approaches perform spatially uniform super-resolution - a key performance limiter for scalability of DL-based surrogates for Computational Fluid Dynamics (CFD). To address the above challenge, we introduce NUNet, a deep learning-based adaptive mesh refinement (AMR) framework for non-uniform super-resolution of turbulent flows. NUNet divides the input low-resolution flow field into patches, scores each patch, and predicts their target resolution. As a result, it outputs a spatially non-uniform flow field, adaptively refining regions of the fluid domain to achieve the target accuracy. We train NUNet with Reynolds-Averaged Navier-Stokes (RANS) solutions from three different canonical flows, namely turbulent channel flow, flat plate, and flow around ellipses. NUNet shows remarkable discerning properties, refining areas with complex flow features, such as near-wall domains and the wake region in flow around solid bodies, while leaving areas with smooth variations (such as the freestream) in the low-precision range. Hence, NUNet demonstrates an excellent qualitative and quantitative alignment with the traditional OpenFOAM AMR solver. Moreover, it reaches the same convergence guarantees as the AMR solver while accelerating it by 3.2-5.5x, including unseen-during-training geometries and boundary conditions, demonstrating its generalization capacities. Due to NUNet's ability to super-resolve only regions of interest, it predicts the same target 1024x1024 spatial resolution 7-28.5x faster than state-of-the-art DL methods and reduces the memory usage by 4.4-7.65x, showcasing improved scalability.

연구 동기 및 목표

• CFD에서 현재의 딥러닝 초해상도 방법이 전체 영역에 걸쳐 균일하게 정밀화하기 때문에 발생하는 확장성 한계를 해결하기 위해.
• 지역적 유동 복잡도에 기반해 관심 영역만 정밀화하는 공간적으로 비균일한 고해상도 유동장 예측이 가능한 딥러닝 프레임워크를 개발하기 위해.
• 전통적인 적응형 메쉬 정밀화(AMR) 솔버와 비교해 수렴 보장을 확보하면서도 계산 비용과 메모리 사용량을 크게 줄이기 위해.
• 학습 데이터 외의 새로운 기하구조와 경계 조건에 대해서도 일반화 가능하게 하여, 훈련 데이터를 초월한 강건성을 입증하기 위해.
• 추론 시 1024×1024 해상도에서 더 큰 배치 크기를 지원할 수 있도록 하여 균일 초해상도 모델의 하드웨어 제약을 극복하기 위해.

제안 방법

• NUNet는 입력된 저해상도 유동장을 고정된 크기의 공간 패치로 나누어 국소적 의사결정을 가능하게 한다.
• 각 패치는 유동 복잡도에 따라 평가되며, 초해상도가 필요한지 여부를 결정한다.
• 딥 네트워크는 복잡한 유동 특징(예: 벽면 근처 영역 및 후류 영역)이 있는 영역만 정밀화하는 비균일 고해상도 출력을 예측한다.
• 프레임워크는 엔드 투 엔드로 구성되어 있으며, 비균일 출력은 전통적 물리 솔버(예: OpenFOAM)에 입력되어 수렴성과 물리적 일관성을 보장한다.
• 모델은 세 가지 표준 유동의 레이놀즈 평균 나비에-스토크스(RANS) 해를 기반으로 훈련되었으며, 이는 난류 채널 흐름, 평판, 타원 주위의 흐름이다.
• 기존의 AMR와 달리 반복 정밀화가 필요로 하지 않는 한 번의 추론으로도 작동하여 효율성과 확장성을 향상시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 유동의 복잡한 영역만 선택적으로 정밀화하는 비균일 초해상도를 예측할 수 있는가? 이는 계산 효율성을 향상시키는가?
• RQ2 NUNet의 성능은 최신 균일 초해상도 모델 대비 추론 속도, 메모리 사용량, 수렴 정확도 측면에서 어떻게 비교되는가?
• RQ3 NUNet은 훈련 데이터에 포함되지 않은 새로운 기하구조와 경계 조건에 대해 얼마나 잘 일반화되는가?
• RQ4 NUNet의 비균일 정밀화 전략은 전통적 AMR 솔버와 유사한 물리적 정확도를 달성하면서도 솔루션 프로세스를 가속화하는가?
• RQ5 NUNet은 관심 영역에서 고해상도 정확도를 유지하면서도 메모리 소비를 줄이고 고해상도에서 더 큰 배치 크기를 지원할 수 있는가?

주요 결과

• NUNet는 모든 테스트 케이스에서 최신 균일 초해상도 방법인 SURFNet 대비 메모리 사용량을 4.4–7.65배 줄였다.
• NUNet는 SURFNet 대비 엔드 투 엔드 추론 속도를 7–28.5배 빠르게 하였으며, 특히 NACA1412 날개 등 복잡한 기하구조에서 가장 높은 속도 향상을 보였다.
• NUNet는 전통적인 OpenFOAM AMR 솔버와 동일한 수렴 보장을 달성하여 물리적 일관성과 신뢰성을 입증했다.
• 모델은 복잡한 유동 특징(예: 벽면 근처 층과 후류 영역)을 성공적으로 식별하고 정밀화하면서도, 부드러운 유속 영역에서는 저해상도를 유지했다.
• NUNet는 재학습 없이도 NACA0012 및 NACA1412 날개와 같은 새로운 기하구조와 경계 조건에 일반화되었다.
• 1024×1024 해상도에서 NUNet는 균일 방법보다 추론 시 더 큰 배치 크기를 지원할 수 있었으며, 최신 기술 모델에서 나타나는 GPU 메모리 제약을 극복했다.