[논문 리뷰] Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey

Haixin Wang, Yadi Cao외 14명|arXiv (Cornell University)|2024. 08. 22.

Model Reduction and Neural Networks인용 수 29

한 줄 요약

2020–2024년의 포괄적이고 최신의 조사로, CFD용 ML을 Data-driven Surrogates, Physics-Informed Surrogates, and ML-assisted Numerical Solutions로 분류하고 역 설계/제어 및 응용 분야를 다룬다.

ABSTRACT

This paper explores the recent advancements in enhancing Computational Fluid Dynamics (CFD) tasks through Machine Learning (ML) techniques. We begin by introducing fundamental concepts, traditional methods, and benchmark datasets, then examine the various roles ML plays in improving CFD. The literature systematically reviews papers in recent five years and introduces a novel classification for forward modeling: Data-driven Surrogates, Physics-Informed Surrogates, and ML-assisted Numerical Solutions. Furthermore, we also review the latest ML methods in inverse design and control, offering a novel classification and providing an in-depth discussion. Then we highlight real-world applications of ML for CFD in critical scientific and engineering disciplines, including aerodynamics, combustion, atmosphere & ocean science, biology fluid, plasma, symbolic regression, and reduced order modeling. Besides, we identify key challenges and advocate for future research directions to address these challenges, such as multi-scale representation, physical knowledge encoding, scientific foundation model and automatic scientific discovery. This review serves as a guide for the rapidly expanding ML for CFD community, aiming to inspire insights for future advancements. We draw the conclusion that ML is poised to significantly transform CFD research by enhancing simulation accuracy, reducing computational time, and enabling more complex analyses of fluid dynamics. The paper resources can be viewed at https://github.com/WillDreamer/Awesome-AI4CFD.

연구 동기 및 목표

• ML 연구자에게 기본적인 CFD 개념과 벤치마크를 소개한다.
• CFD에서 ML 방법에 대한 새로운 분류 체계를 제안한다: Data-driven Surrogates, Physics-Informed Surrogates, and ML-assisted Numerical Solutions.
• 최근 5년간의 문헌을 체계적으로 검토하여 전방 모델링, 역 설계, 제어에 초점을 맞춘다.
• 다양한 분야에 걸친 실세계 응용을 논의하고 CFD용 ML에서의 도전 과제와 향후 방향을 식별한다.]
• method Please ignore this line.
• method_num_dummy_not_used_start
• Method스
• method index placeholder
• method translations?
• 지만 마지막에 수정을 원하시면 알려주세요.

제안 방법

• Forward-modeling ML 접근법을 Data-driven Surrogates, Physics-Informed Surrogates, and ML-assisted Numerical Solutions로 분류한다.
• 새로운 분류 체계로 역 설계 및 제어 문제를 검토한다.
• 공기역학, 연소, 대기/해양 과학, 생물학적 유체, 플라즈마, 기호적 회귀, 축소 차수 모델링 전반의 응용을 조사한다.
• 벤치마크 데이터셋과 평가 시나리오를 요약한다(예: PDEs, 유동 문제).
• 주요 도전과제를 식별하고 다중 규모 표현과 과학적 기초 모델과 같은 향후 연구 방향을 제안한다.

실험 결과

연구 질문

• RQ1 전방 CFD 모델링에 사용되는 주요 ML 방법은 무엇이며 데이터 이산화 및 표현에 따라 어떻게 다른가?
• RQ2 ML 프레임워크 내에서 전방 및 역 CFD 문제를 체계적으로 어떻게 분류할 수 있는가?
• RQ3 CFD에서 ML의 지배적 데이터셋, 벤치마크, 응용은 무엇이며 남아 있는 도전 과제는 무엇인가?
• RQ4 물리적 지식 인코딩과 기초 모델(foundation models)을 포함해 CFD용 ML을 진전시킬 수 있는 미래 방향은 무엇인가?

주요 결과

• ML은 정확성을 높이고 계산 시간을 줄여 CFD를 크게 변혁할 수 있는 잠재력을 가진다.
• 새로운 분류 체계는 CFD용 ML을 Data-driven Surrogates, Physics-Informed Surrogates, and ML-assisted Numerical Solutions로 분류한다.
• 본 조사는 CFD 평가를 위한 벤치마크/데이터셋으로 PDEBench, DeepXDE, PINNacle, and BLASTNet를 다룬다.
• 실세계 응용은 공기역학, 연소, 대기/해양 과학, 생물학적 유체, 플라즈마, 기호적 회귀, 축소 차수 모델링에 걸쳐 있다.
• 주요 도전과제로는 다중 규모 표현, 물리적 지식 인코딩, 그리고 발견을 위한 과학적 기초 모델 개발이 식별된다.