[논문 리뷰] Reconstruction of Simulation-Based Physical Field by Reconstruction Neural Network Method

Yu Li, Hu Wang외 2명|arXiv (Cornell University)|2018. 04. 19.

Computer Graphics and Visualization Techniques참고 문헌 49인용 수 4

한 줄 요약

이 논문은 컨tour 이미지에서 스트레스, 변형 및 열전달과 같은 시뮬레이션 기반 물리 필드를 복원하기 위해 컨volutional 신경망(CNN)과 워샤르스타인 GAN 기반 오토에인코더(WGAN-CAE)를 결합한 복원 신경망(ReConNN) 프레임워크를 제안한다. 컨볼루션 인 컨볼루션(CIC) 아키텍처와 적대적 훈련을 활용함으로써 ReConNN는 표준 CNN 및 GAN보다 더 높은 정밀도를 갖는 물리 필드의 고해상도 복원을 가능하게 하였으며, 토폴로지 최적화에서의 핀핀 열교환기 사례 연구를 통해 검증되었다.

ABSTRACT

A variety of modeling techniques have been developed in the past decade to reduce the computational expense and improve the accuracy of modeling. In this study, a new framework of modeling is suggested. Compared with other popular methods, a distinctive characteristic is "from image based model to analysis based model (e.g. stress, strain, and deformation)". In such a framework, a reconstruction neural network (ReConNN) model designed for simulation-based physical field's reconstruction is proposed. The ReConNN contains two submodels that are convolutional neural network (CNN) and generative adversarial net-work (GAN). The CNN is employed to construct the mapping between contour images of physical field and objective function. Subsequently, the GAN is utilized to generate more images which are similar to the existing contour images. Finally, Lagrange polynomial is applied to complete the reconstruction. However, the existing CNN models are commonly applied to the classification tasks, which seem to be difficult to handle with regression tasks of images. Meanwhile, the existing GAN architectures are insufficient to generate high-accuracy "pseudo contour images". Therefore, a ReConNN model based on a Convolution in Convolution (CIC) and a Convolutional AutoEncoder based on Wasserstein Generative Adversarial Network (WGAN-CAE) is suggested. To evaluate the performance of the proposed model representatively, a classical topology optimization procedure is considered. Then the ReConNN is utilized to the reconstruction of heat transfer process of a pin fin heat sink. It demonstrates that the proposed ReConNN model is proved to be a potential capability to reconstruct physical field for multidisciplinary, such as structural optimization.

연구 동기 및 목표

• 다학제 공학 설계에서 제한된 시뮬레이션 데이터로부터 고해상도 물리 필드를 복원하는 데 도전하는 데 목적이 있다.
• 표준 CNN의 회귀 작업에서의 한계와 GAN이 물리 필드를 위한 정확한 가짜 윤곽 이미지를 생성하는 데서 비롯하는 한계를 극복하는 데 목적이 있다.
• 스트레스, 변형 및 온도 분포와 같은 연속적인 물리 필드를 데이터 효율적이고 정확하게 복원할 수 있는 하이브리드 딥 러닝 프레임워크를 개발하는 데 목적이 있다.
• 특히 핀핀 열교환기의 토폴로지 최적화에서 실제 공학적 맥락에서 프레임워크를 검증하는 데 목적이 있다.

제안 방법

• ReConNN 프레임워크는 컨투어 이미지에서 물리 필드 값으로의 특징 추출 및 매핑을 향상시키기 위해 컨볼루션 인 컨볼루션(CIC) 네트워크를 통합한다.
• 워샤르스타인 GAN(WGAN) 기반의 컨볼루션 오토에인코더(WGAN-CAE)는 실제 시뮬레이션 데이터와 유사한 고품질의 가짜 윤곽 이미지를 생성하는 데 사용된다.
• CNN 서브모델은 입력 윤곽 이미지와 해당 물리 필드 목표 함수 사이의 매핑을 학습하여, 회귀 기반 복원을 가능하게 한다.
• GAN 구성 요소는 다양한 실제와 유사한 물리 필드 패턴을 생성함으로써 일반화 능력을 향상시킨다.
• 라그랑주 다항 보간법은 전체 영역에 걸쳐 재구성된 물리 필드를 보완하고 정밀하게 보정하는 데 적용된다.
• 프레임워크는 시뮬레이션 생성 데이터를 기반으로 엔드 투 엔드로 훈련되며, 물리 필드의 정밀도와 관련된 지표를 사용해 평가된다.

실험 결과

연구 질문

• RQ1 딥 러닝 프레임워크는 희소하거나 제한된 시뮬레이션 기반 윤곽 이미지에서 연속적인 물리 필드를 효과적으로 복원할 수 있는가?
• RQ2 CIC와 WGAN-CAE의 통합은 물리 필드 모델링에서 표준 CNN 및 GAN보다 복원 정확도를 어떻게 향상시키는가?
• RQ3 ReConNN 모델은 구조 및 열 해석 분야에서 새로운 물리 필드 구성에 대해 어느 정도 일반화할 수 있는가?
• RQ4 복잡한 기하 구조, 예를 들어 핀핀 열교환기에서와 같이, 재구성된 필드에서 물리적 일관성과 공간 정확도를 유지하는가?

주요 결과

• ReConNN 모델은 기준 CNN 및 GAN 모델보다 뛰어난 복원 정확도를 달성하였으며, 특히 물리 필드의 미세한 공간적 세부 사항을 유지하는 데 뛰어난 성능을 보였다.
• CIC의 통합은 특징 표현을 향상시켜 이미지-필드 매핑 작업에서 더 나은 회귀 성능을 가능하게 하였다.
• WGAN-CAE 구성 요소는 실제 시뮬레이션 데이터와 유사한 고해상도의 가짜 윤곽 이미지를 성공적으로 생성하여 데이터 효율성을 향상시켰다.
• 라그랑주 다항 보간법은 전체 영역에 걸쳐 필드 복원을 효과적으로 보완하여 매끄럽고 연속적인 물리 필드 출력을 보장하였다.
• 핀핀 열교환기 사례 연구에서 ReConNN는 뛰어난 일반화 능력과 정확도를 입증하였으며, 토폴로지 최적화 및 다학제 설계 분야에서의 잠재적 응용 가능성을 확인하였다.