[논문 리뷰] Reconstructing three-dimensional bluff body wake from sectional flow fields with convolutional neural networks

Mitsuaki Matsuo, Kai Fukami외 3명|arXiv (Cornell University)|2021. 03. 16.

Model Reduction and Neural Networks참고 문헌 51인용 수 6

한 줄 요약

이 연구는 최소한의 2차원 단면 유동장으로부터 3차원 블러프 바디의 유동을 재구성하기 위해 하이브리드 2D-3D 컨volution 신경망(CNN)을 제안한다. 이 방법은 다섯 개의 단면만으로도 고해상도 체적 재구성을 달성하며, 원본 크기의 0.0218%로 데이터 압축을 가능하게 하면서도 낮은 재구성 오차를 유지한다. 더불어 적응형 샘플링 기반 초해상도 기법을 통해 압축성능을 향상시켜 노이즈에 대한 강건성과 유체역학 및 보다 광범위한 물리 과학 분야에서의 실용적 응용 잠재력을 입증한다.

ABSTRACT

The recent development of high-performance computing enables us to generate spatio-temporal high-resolution data of nonlinear dynamical systems and to analyze them for a deeper understanding of their complex nature. This trend can be found in a wide range of science and engineering, which suggests that detailed investigations on efficient data handling in physical science must be required in the future. This study considers the use of convolutional neural networks (CNNs) to achieve efficient data storage and estimation of scientific big data derived from nonlinear dynamical systems. The CNN is used to reconstruct three-dimensional data from a few numbers of two-dimensional sections in a computationally friendly manner. The present model is a combination of two- and three-dimensional CNNs, which allows users to save only some of the two-dimensional sections to reconstruct the volumetric data. As examples, we consider a flow around a square cylinder at the diameter-based Reynolds number $Re_D = 300$. We demonstrate that volumetric fluid flow data can be reconstructed with the present method from as few as five sections. Furthermore, we propose a combination of the present CNN-based reconstruction with an adaptive sampling-based super-resolution analysis to augment the data compressibility. Our report can serve as a bridge toward practical data handling for not only fluid mechanics but also a broad range of physical sciences.

연구 동기 및 목표

• 고해상도 시뮬레이션에서 발생하는 거대한 3차원 유체 흐름 데이터를 저장하고 처리하는 데 도전하는 데 목적을 두며.
• 제한된 2차원 단면 측정치로부터 3차원 체적 유동장을 재구성하는 기계학습 기반 방법을 개발하는 데 목적을 두며.
• 비선형적이고 다중 스케일의 유체 시스템에서 재구성 정밀도를 훼손하지 않고 데이터의 압축성을 향상시키는 데 목적을 두며.
• 실험적 응용을 고려할 때 노이즈가 있는 입력 데이터에 대한 강건성을 평가하는 데 목적을 두며.
• 초해상도 기법을 3차원 재구성과 통합하여 데이터 저장 요구량을 추가로 줄이는 데 목적을 두며.

제안 방법

• 하이브리드 2D-3D CNN 아키텍처를 사용하여, 2D CNN이 개별 단면 유동장을 처리하고 3D CNN이 이 처리된 단면들로부터 전체 3차원 체적을 재구성한다.
• 직접 수치 시뮬레이션(DNS)을 통해 얻은 정사각형 실린더에서 ReD=300 조건의 고해상도 3차원 유동 데이터를 사용하여 지도 학습 방식으로 모델을 훈련시킨다.
• 특징 중요도 기반으로 단면 데이터를 다운샘플링하는 적응형 샘플링을 적용하여 저장 용량을 줄이면서도 핵심 유동 구조를 유지한다.
• CNN 기반 방법을 사용해 저해상도 단면 데이터에 초해상도를 적용하여 3차원 재구성 이전에 입력 품질을 향상시킨다.
• 기존 평균 풀링과 적응형 샘플링을 조합한 하이브리드 풀링 전략을 통해 압축성과 재구성 정확도를 최적화한다.
• 모델 평가에 L2 오차, 구조적 유사도 지수(SSIM), 압축률(γ)을 사용하여 원본 3차원 격자 크기와 비교한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 오직 다섯 개의 2차원 단면 측정치만으로도 최소한의 데이터 손실로 고해상도 3차원 유체 흐름장을 재구성할 수 있는가?
• RQ2 초해상도와 3차원 재구성의 조합이 정확도를 떨어뜨리지 않고 데이터 압축성을 어떻게 향상시키는가?
• RQ3 적응형 샘플링과 기존 풀링 방식의 재구성 품질 및 저장 효율성에 미치는 영향은 어떠한가?
• RQ4 모델은 실험적 응용에 적합한 노이즈가 있는 입력 데이터에 대해 얼마나 강건한가?
• RQ5 이 방법은 난류 흐름이나 비정규 메쉬 데이터로 확장될 수 있으며, 주요 제약 조건은 무엇인가?

주요 결과

• 제안된 2D-3D CNN 모델은 다섯 개의 2D 단면 유동장으로부터도 낮은 L2 오차와 높은 구조적 유사도를 보이며 고품질의 3차원 유동장 재구성을 달성했다.
• 단지 50개의 스냅샷으로 훈련된 모델도 대규모 유동 구조를 포착할 수 있어 강력한 일반화 능력을 보였다.
• 초해상도 처리된 단면 데이터를 사용하고 다운샘플링 인자 α=8를 적용한 결과, 원본 해상도 데이터를 사용한 경우와 유사한 재구성 정확도를 확보하여 약 1/2000의 데이터 압축을 달성했다.
• 기존 풀링과 적응형 샘플링을 조합한 하이브리드 풀링 전략은 원본 3차원 데이터 크기의 0.0218%로 저장 용량을 줄였으며, 거의 최적 수준의 재구성 오차를 유지했다.
• 모델는 노이즈가 있는 입력에 대해 강건성을 보이며, 실세계 실험 데이터 응용 가능성에 타당성을 입증했다.
• 적응형 샘플링 기반 초해상도 기법은 기존 평균 풀링 대비 재구성 품질을 뛰어나게 하며, 특히 v 및 w 성분에서 데이터 저장 용량을 줄이는 데 뛰어난 성능을 보였다.