[논문 리뷰] Point-particle drag, lift, and torque closure models using machine learning: hierarchical approach and interpretability

B. Siddani, S. Balachandar|arXiv (Cornell University)|2022. 07. 18.

Model Reduction and Neural Networks인용 수 4

한 줄 요약

이 논문은 산산이 흩어진 다상유동에서 점입자에 작용하는 항력, 양력 및 토크를 예측하기 위해 회전 및 반사 동치성 신경망을 사용하는 계층적 기계학습 프레임워크를 제안한다. 이중 및 삼중 입자 상호작용을 모델링함으로써, 데이터 부족에도 불구하고 토크 예측 정확도가 최대 96%에 이를 뿐 아니라, 삼중 상호작용을 포함함으로써 유선 방향 토크 예측 정확도가 16% 향상된다.

ABSTRACT

Developing deterministic neighborhood-informed point-particle closure models using machine learning has garnered interest in recent times from dispersed multiphase flow community. The robustness of neural models for this complex multi-body problem is hindered by the availability of particle-resolved data. The present work addresses this unavoidable limitation of data paucity by implementing two strategies: (i) by using a rotation and reflection equivariant neural network and (ii) by pursuing a physics-based hierarchical machine learning approach. The resulting machine learned models are observed to achieve a maximum accuracy of 85% and 96% in the prediction of neighbor-induced force and torque fluctuations, respectively, for a wide range of Reynolds number and volume fraction conditions considered. Furthermore, we pursue force and torque network architectures that provide universal prediction spanning a wide range of Reynolds number ($0.25 \leq Re \leq 250$) and particle volume fraction ($0 \leq ϕ\leq 0.4$). The hierarchical nature of the approach enables improved prediction of quantities such as streamwise torque, by going beyond binary interactions to include trinary interactions.

연구 동기 및 목표

• 산산이 흩어진 다상유동에서 입자 해상도 수치 해석을 위한 기계학습 모델 훈련에 있어 데이터 부족 문제를 해결한다.
• 입자 구성의 평균화를 시도하는 전통적인 중간스케일 모델이 입자 간 변동성을 포착하지 못하는 한계를 극복한다.
• 다중체 상호작용(이중 및 삼중)을 포착하는 물리 기반의 계층적 기계학습 프레임워크를 개발하여 힘과 토크 예측 성능을 향상시킨다.
• 신경망 아키텍처에 회전 및 반사 동치성을 강제하여 모델의 강건성과 해석 가능성 확보한다.
• 최소한의 훈련 데이터로도 넓은 범위의 레이놀즈 수(0.25 ≤ Re ≤ 250) 및 입자 체적 분율(0 ≤ φ ≤ 0.4)에서 통합된 예측이 가능하도록 한다.

제안 방법

• 데이터 부족 상황에서 물리적 일관성과 일반화 능력을 향상시키기 위해 회전 및 반사 동치성 신경망을 활용한다.
• 이중 상호작용을 넘어서는 상호작용을 모델링하기 위해 계층적 기계학습 접근법을 구현하며, 정확도 향상을 위해 삼중 상호작용도 포함한다.
• 이웃 입자 수를 점차 늘리면서(예: M₂ = 26, M₃ = 5 또는 10) 이웃 절단 분석을 수행하여 모델 성능에 미치는 영향을 평가한다.
• 균일한 압력 기울기와 삼중 주기적 경계 조건을 갖는 정적인 평형 상태 시스템의 입자 해상도 시뮬레이션 데이터를 훈련에 사용한다.
• 상대적 입자 위치, 레이놀즈 수, 체적 분율에 따라 힘과 토크 예측을 함수화함으로써 다양한 유동 및 밀도 조건에서의 일반화 가능성을 확보한다.
• 테스트 세트에서의 모델 성능 평가를 위해 R² 점수를 사용하며, 훈련 성능과 테스트 성능를 비교하여 일반화 능력과 데이터 부족 영향을 분석한다.

실험 결과

연구 질문

• RQ1 삼중 상호작용을 포함하는 계층적 기계학습 모델이 이중 상호작용 모델보다 입자력과 토크 예측 성능에서 뛰어나게 되는가?
• RQ2 제한된 훈련 데이터 상황에서 회전 및 반사 동치성을 포함함으로써 모델 정확도와 일반화 능력이 어떻게 향상되는가?
• RQ3 이웃 절단 효과가 레이놀즈 수와 체적 분율가 다양한 조건에서 항력, 양력 및 토크 성분의 예측 정확도에 어느 정도 영향을 미치는가?
• RQ4 다양한 조건에서 훈련된 단일 통합 모델이 전체 범위의 Re(0.25–250) 및 φ(0–0.4)에서 고정밀도로 힘과 토크를 예측할 수 있는가?
• RQ5 유선 방향 토크 성분이 왜 고차원 상호작용에 특히 민감한가? 이는 모델 설계에 어떤 영향을 미치는가?

주요 결과

• 데이터 부족 상황에서도 이웃 수를 5개에서 10개로 늘릴 경우 삼중 상호작용 토크 모델이 유선 방향 토크 예측 정확도를 16% 향상시킨다.
• 모델은 토크 예측에서 최대 테스트 R² 0.96을 기록하여 이웃 입자에 의한 토크 변동성을 매우 정확하게 포착함을 시사한다.
• 항력과 양력에 대해서는 모든 조건에서 테스트 R² 값이 0.75–0.80을 기록하며, 특정 Re 및 φ 조건에서 양력 예측의 최대 테스트 R²는 0.803에 이른다.
• 훈련 성능과 테스트 성능 간 격차(예: 양력의 경우 R²가 0.862에서 0.803으로 감소)는 특히 고레이놀즈 수 및 고체적 분율 조건에서 심각한 데이터 부족을 시사한다.
• 유선 방향 토크 성분은 고차원 상호작용에 가장 민감하게 반응하므로 정확한 예측을 위해서는 삼중 상호작용 모델이 반드시 필요하다.
• 계층적 접근법은 이중 상호작용을 넘어서는 비가산적이고 다중체 유체역학적 효과를 포착함으로써 복잡하고 비대칭적인 토크 성분의 예측 성능을 향상시킨다.