[논문 리뷰] Optimal fidelity multi-level Monte Carlo for quantification of uncertainty in simulations of cloud cavitation collapse

Jonas Šukys, U. Rasthofer외 3명|arXiv (Cornell University)|2017. 05. 11.

Probabilistic and Robust Engineering Design참고 문헌 40인용 수 6

한 줄 요약

이 논문은 구름 캐비테이션 붕괴의 대규모 시뮬레이션에서의 불확실성 정량화를 위해 최적 민감도 다중 수준 몬테카를로(OF-MLMC) 방법을 도입한다. 새로운 제어 변수 계수를 사용하여 분산을 감소시키고 표준 몬테카를로 대비 100배 이상의 속도 향상을 달성한다. 이 방법은 피크 압력 위치와 크기에 대한 중요한 불확실성을 밝혀내며, 이를 구름 형상과 붕괴 역학과 연관지운다.

ABSTRACT

We quantify uncertainties in the location and magnitude of extreme pressure spots revealed from large scale multi-phase flow simulations of cloud cavitation collapse. We examine clouds containing 500 cavities and quantify uncertainties related to their initial spatial arrangement. The resulting 2000-dimensional space is sampled using a non-intrusive and computationally efficient Multi-Level Monte Carlo (MLMC) methodology. We introduce novel optimal control variate coefficients to enhance the variance reduction in MLMC. The proposed optimal fidelity MLMC leads to more than two orders of magnitude speedup when compared to standard Monte Carlo methods. We identify large uncertainties in the location and magnitude of the peak pressure pulse and present its statistical correlations and joint probability density functions with the geometrical characteristics of the cloud. Characteristic properties of spatial cloud structure are identified as potential causes of significant uncertainties in exerted collapse pressures.

연구 동기 및 목표

• 500개의 기포가 무작위로 배치된 초기 공간 배열로 인해 발생하는 고차원 불확실성 문제를 해결한다.
• 2000차원 매개변수 공간을 가진 대규모 다상유동 시뮬레이션에서 표준 몬테카를로 방법의 계산 비용이 지나치게 높아 계산이 불가능한 문제를 해결한다.
• 복잡한 시공간 역학을 보이는 압축성 다상유동에 대해 비침습적이고 효율적이며 확장 가능한 불확실성 정량화 프레임워크를 개발한다.
• 구름 형상과 초기 구성에 따라 변화하는 극한 압력 펄스에 대한 통계적 추론을 가능하게 한다.

제안 방법

• 초기 기포 배열의 2000차원 확률 공간을 샘플링하기 위해 비침습적 다중 수준 몬테카를로(MLMC) 프레임워크를 적용한다.
• MLMC 추정기의 분산을 최소화하기 위해 새로운 최적 제어 변수 계수를 도입하여 수렴성과 효율성을 향상시킨다.
• 다양한 해상도 수준에서 압축성 다상유동 방정식을 해결하기 위해 확산 인터페이스 방법을 사용한다.
• 과도한 분산 추정기의 하중도 추정치를 기반으로 반복적 오차 제어를 수행하는 적응형 샘플링을 구현하여 오차 경계의 신뢰도를 확보한다.
• 리더십 수준의 고성능 계산 자원(HPC), 예를 들어 MIRA, COOLEY를 활용하여 최대 50,000개의 기포까지 확장 가능한 시뮬레이션을 수행한다.
• 최소한의 계산 비용으로 정확한 추론을 가능하게 하기 위해 분산 감소 기법을 적용한 통계 추정기를 활용한다.

실험 결과

연구 질문

• RQ1 500개의 기포가 초기에 어떻게 배열되어 있는지에 따라 구름 캐비테이션 붕괴 중 피크 압력의 위치와 크기는 어떻게 영향을 받는가?
• RQ2 다양한 무작위 실현값을 가진 구름 구성에서 극한 압력 펄스의 통계적 분포는 어떻게 되는가?
• RQ3 기포 군집의 기하학적 특성(예: 밀도, 대칭성)은 붕괴 압력에 대한 불확실성과 어떻게 상관관계가 있는가?
• RQ4 최적 제어 변수는 다상유동 문제에서 고차원이고 미분 가능성이 없는 문제에 대해 MLMC 추정기의 분산을 크게 감소시킬 수 있는가?
• RQ5 제안된 OF-MLMC 방법은 복잡한 유체역학의 불확실성 정량화에서 표준 몬테카를로 방법 대비 계산 비용을 얼마나 줄일 수 있는가?

주요 결과

• 제안된 최적 민감도 MLMC 방법은 표준 몬테카를로 방법 대비 두 자리 수 이상의 속도 향상을 달성한다.
• 피크 압력 펄스의 위치와 크기에 대해 두 자리 수 이상의 변동성을 보이는 심각한 불확실성이 확인되었다.
• 공통 확률 밀도 함수는 피크 압력과 구름의 밀도 및 대칭성과 같은 기하학적 특성 간 강한 통계적 상관관계를 드러낸다.
• 특히 비균일하고 비대칭적인 배열을 가진 초기 구름 구성의 특징적인 공간적 구조가 붕괴 압력에 대한 높은 불확실성의 주요 원인으로 규명되었다.
• 분산 추정기의 하중도 추정치를 기반으로 반복적으로 샘플 수를 조정함으로써 높은 신뢰도로 오차 제어를 보장한다.
• 최적 제어 변수를 사용함으로써 표준 MLMC보다 분산 감소 효과가 뛰어나며, 고정밀도 시뮬레이션의 수를 줄여 정확한 추론을 가능하게 한다.