[논문 리뷰] Physics Informed Neural Networks for Two Dimensional Incompressible Thermal Convection Problems

Atakan Aygun, Ali Karakus|arXiv (Cornell University)|2022. 06. 17.

Model Reduction and Neural Networks인용 수 4

한 줄 요약

이 논문은 버세인스크 근사 아래에서 라우니에-스트로크 및 에너지 방정식에 의해 지배되는 2차원 비압축성 열대류 문제를 해결하기 위한 물리 기반 신경망(PINN) 프레임워크를 제안한다. 자동 미분을 활용해 손실 함수 내에서 PDE와 경계 조건을 직접 강제함으로써, 분석적, 정적인, 비정적인 기준 문제를 포함한 다양한 문제에서 속도장과 온도장을 높은 정확도로 예측한다. 이는 산업적으로 관련성이 있는 부분 차단 채널 유동 문제에도 적용 가능하다.

ABSTRACT

Physics informed neural networks (PINNs) have drawn attention in recent years in engineering problems due to their effectiveness and ability to tackle the problems without generating complex meshes. PINNs use automatic differentiation to evaluate differential operators in conservation laws and hence do not need to have a discretization scheme. Using this ability, PINNs satisfy governing laws of physics in the loss function without any training data. In this work, we solve various incompressible thermal convection problems including real applications and problems with comparable numerical or analytical results. We first consider a channel problem with an analytical solution to show the accuracy of our network. Then, we solve a thermal convection problem in a closed enclosure in which the flow is only due to the temperature gradients on the boundaries. Lastly, we consider steady and unsteady partially blocked channel problems that resemble industrial applications to power electronics.

연구 동기 및 목표

• 메쉬 없고 데이터 없이 물리 기반 신경망(PINNs)을 사용하여 비압축성 열대류 문제를 해결하기 위한 방법을 개발한다.
• 정확도와 수렴성을 평가하기 위해 정확한 해석적 또는 고차수 수치 해가 있는 문제에 대해 PINN 프레임워크를 검증한다.
• 부분적으로 차단된 채널과 같은 산업적으로 관련성이 있는 형상에서의 정적인 및 비정적인 흐름 제어 조건에서의 방법의 능력을 입증한다.
• 손실 함수의 가중치와 관측 샘플링이 해의 정확도와 안정성에 미치는 영향을 조사한다.

제안 방법

• PINN 프레임워크는 푸리에 특징 매핑을 사용한 완전히 연결된 신경망을 활용해 스펙트럼 편향을 완화하면서 비압축성 라우니에-스트로크 및 에너지 방정식을 해결한다.
• 손실 함수는 지배 방정식의 잔차(운동량 및 에너지 방정식), 경계 조건(디리클레 및 뉴먼), 그리고 시간에 따라 변하는 문제의 초기 조건을 조합한다.
• 자기 미분을 통해 네트워크 출력의 공간적 및 시간적 도함수를 계산하여 보존 법칙을 손실 함수 내에서 직접 강제한다.
• 시간에 따라 변하는 문제의 경우 연속 시간 접근법을 사용하여 시간를 추가 입력 좌표로 간주함으로써 전체 공간-시간 영역에서 종단 간 훈련이 가능하다.
• 경계 및 영역 내에서 관측 점을 샘플링하여 해의 정확도를 향상시키고 물리적 제약 조건을 강제한다.
• 네트워크 훈련을 위해 Adam 최적화기 사용하며 학습률은 $5 \times 10^{-4}$이며 최대 25,000회 반복한다.

실험 결과

연구 질문

• RQ1 PINNs는 메쉬 생성 없이도 레이블이 있는 훈련 데이터 없이 2차원 비압축성 열대류 문제를 정확하게 해결할 수 있는가?
• RQ2 복잡한 기하 형상에서 관측 점의 포함 여부가 PINN 해의 정확도와 수렴성에 어떤 영향을 미치는가?
• RQ3 푸리에 특징 매핑이 열대류에서 고주파수 또는 다중 척도의 유속 및 온도장을 학습하는 데 얼마나 기여하는가?
• RQ4 PINNs는 부분적으로 차단된 채널에서의 개발 단계에 있는 유동과 같은 비정적인 일시적 거동을 얼마나 잘 포착할 수 있는가?
• RQ5 PDE 잔차, 경계 조건, 관측값의 상대적 가중치가 PINN 해에 얼마나 민감한가?

주요 결과

• PINN는 알려진 닫힌 형태 해가 있는 채널 흐름 문제에서 분석적 해를 정확히 재현하며, 훈련 데이터가 없을 경우에도 높은 정확도를 보여준다.
• $Ra = 10^3$인 정사각형 캐비티 문제에서 PINN 해는 예상되는 유동 패턴과 온도 분포를 잘 반영하며, 전체 손실이 훈련 과정 내내 안정적으로 감소한다.
• 정적인 부분 차단 채널 케이스에서 PINN는 슬립 조건, 단열 조건, 완전히 발달한 출구 조건을 성공적으로 강제하여 물리적으로 일관된 속도 및 온도 프로파일을 생성한다.
• $Re = 400$, $Pr = 0.7$, $Gr/Re^2 = 0.5$인 비정적인 다중 블록 케이스에서 $t = 8$초 시점의 PINN 해는 열 플룸과 순환 영역의 발달을 정확히 포착한다.
• 경계 및 영역 내에서의 관측 점 포함은 특히 강한 기울기가 있는 영역에서 해의 정확도를 크게 향상시킨다.
• 프레임워크는 손실 가중치에 민감하며, 최적의 성능을 얻기 위해서는 PDE 잔차, 경계 조건, 관측 항목 간의 균형 조정이 필수적이다.