[논문 리뷰] Reconstructing velocity and pressure from sparse noisy particle tracks using Physics-Informed Neural Networks

Patricio Clark Di Leoni, Karuna Agarwal외 3명|arXiv (Cornell University)|2022. 10. 10.

Model Reduction and Neural Networks인용 수 6

한 줄 요약

이 논문은 훈련 중에 비압축성 라우지에르-스토크스 방정식을 강제하여, 희박하고 노이즈가 많은 입자 궤적에서 유속 및 압력장의 재구성하기 위해 물리 기반 신경망(PINN) 방법을 제안한다. 이 방법은 높은 노이즈와 희박성 조건에서도 상태기반 기술인 제약비용최소화(CCM) 방법보다 정확도와 강인성 면에서 뛰어나며, 더 부드럽고 신뢰할 수 있는 기울기장을 생성한다.

ABSTRACT

Volume-resolving imaging techniques are rapidly advancing progress in experimental fluid mechanics. However, reconstructing the full and structured Eulerian velocity and pressure fields from sparse and noisy particle tracks obtained experimentally remains a significant challenge. We introduce a new method for this reconstruction, based on Physics-Informed Neural Networks (PINNs). The method uses a Neural Network regularized by the Navier-Stokes equations to interpolate the velocity data and simultaneously determine the pressure field. We compare this approach to the state-of-the-art Constrained Cost Minimization method [1]. Using data from direct numerical simulations and various types of synthetically generated particle tracks, we show that PINNs are able to accurately reconstruct both velocity and pressure even in regions with low particle density and small accelerations. PINNs are also robust against increasing the distance between particles and the noise in the measurements, when studied under synthetic and experimental conditions.

연구 동기 및 목표

• 실험 유체역학에서 희박하고 노이즈가 많은 라그랑주 입자 궤적 데이터로부터 전체 에우러리안 유속 및 압력장 재구성 문제를 해결하기 위해.
• 물리 법칙(나비에-스토크스 방정식)을 활용하여 보간 및 압력 추론을 정규화하는 데이터 기반 방법을 개발하여 고밀도 데이터나 물질 가속도 측정이 필요 없도록 하기 위해.
• 제안된 PINN 기반 재구성 방법이 합성 및 실험적 유동 조건에서 최신 기술인 제약비용최소화(CCM) 방법과 비교하여 성능을 평가하기 위해.
• 합성 및 실제 실험 데이터 세트에서 입자 희박성과 측정 노이즈 증가에 대한 강인성 평가를 위해.

제안 방법

• 입력은 공간 및 시간 좌표(x, y, z, t)이고 출력은 속도 성분(u, v, w) 및 압력(p)인 완전히 연결된 순환 신경망이 희박한 입자 궤적 좌표에서 유속 및 압력장 예측을 위해 훈련된다.
• 신경망 출력에 대해 자동 미분를 통해 비압축성 나비에-스토크스 방정식 잔차에서 유도된 물리 기반 손실 항목을 사용하여 정규화된다.
• 손실 함수는 예측값과 측정값 간의 데이터 일치도(MSE)와 물리 일致성(나비에-스토크스 잔차)을 결합하며, 물리적 추정치와 정규화층을 사용해 초모델 하이퍼파rameter를 조정한다.
• 이 방법은 사전에 물질 가속도 지식이나 구조화된 격자 정보가 필요 없으며, 비구조적 입자 데이터에서 직접 보간이 가능하다.
• 대규모 시공간 영역에서의 훈련 안정성과 확장성을 향상시키기 위해 시간 차원에 따라 도메인 분할 기법을 적용한다.
• 훈련 안정화 및 데이터 항목과 물리 항목의 기여도 균형을 확보하기 위해 정규화층과 손실 가중치의 물리적 스케일링을 사용한다.

실험 결과

연구 질문

• RQ1 물리 기반 신경망(PINN)은 고밀도 데이터나 물질 가속도 측정이 없이도 희박하고 노이즈가 많은 입자 궤적에서 정확한 유속 및 압력장을 재구성할 수 있는가?
• RQ2 노이즈와 희박성 수준이 다양할 때 PINN 기반 재구성 방법이 최신 기술인 제약비용최소화(CCM) 방법보다 정확도와 강인성 면에서 어떻게 비교되는가?
• RQ3 PINN 방법은 특히 고주파수에서 진짜 유동장의 스펙트럼 특성을 어느 정도 유지하는가?
• RQ4 입자 데이터가 적은 영역에서 PINN 방법은 CCM에 비해 더 부드럽고 물리적으로 일관된 유속 및 압력 기울기를 생성하는가?
• RQ5 PINN 방법은 합성 난류 채널 유동과 실제 실험적 시어 레이어 등 다양한 유동 구조에 일반화 가능한가?

주요 결과

• 모든 테스트 케이스(합성 및 실험 데이터 포함)에서 PINN 방법은 CCM 방법과 비교해 재구성 오차가 같거나 낮다.
• PINN는 입자 희박성과 측정 노이즈 증가에 대해 뛰어난 강인성을 보이며, 입자 간격이 크게 증가하는 상황에서도 정확한 재구성을 유지한다.
• 스펙트럼 분석을 통해 PINN는 CCM보다 더 부드러운 유속 및 압력장을 생성하며, 소규모 노이즈가 감소하고 기울기 추정치가 더 신뢰할 수 있다.
• 주파수 스펙트럼에서 PINN는 DNS 데이터의 시간 보간에서 유래한 고주파 수치 오류(예: 잔여 에너지)를 효과적으로 억제하지만, CCM은 이러한 주파수에서 더 높은 에너지 밀도를 유지한다.
• 합성 및 실험적 케이스에서 모든 시간에 걸쳐 PINN로 재구성된 유속 및 압력장은 DNS 데이터와 강한 상관관계(ρu > 0.95, ρp > 0.9)를 보인다.
• 모든 케이스에서 빛의 소용리와 저압 영역과 같은 공명 구조를 성공적으로 포착하며, 공간적 및 시간적 패턴이 기준 데이터와 잘 일치한다.