[논문 리뷰] Reduced order models for control of fluids using the Eigensystem Realization Algorithm

Zhanhua Ma, Sunil Ahuja외 1명|2009. 07. 10.

Model Reduction and Neural Networks인용 수 3

한 줄 요약

이 논문은 유체 제어를 위한 저차원 모델을 생성하는 데 있어 에이전트 시스템 실현 알고리즘(ERA)이 균형 잡힌 적절한 직교 분해(균형 POD)와 이론적으로 동일한 결과를 도출함을 보여주며, 수반 시뮬레이션을 필요로 하지 않고도 정확하고 계산 비용이 낮은 모델을 제공한다. 기존의 POD와 달리, ERA는 수반 정보가 없는 실험 또는 시뮬레이션 데이터만으로도 균형 잡힌 모델 정확도를 달성하여 실세계 유체 제어 응용 분야에서 실용적인 대안을 제공한다.

ABSTRACT

In feedback flow control, one of the challenges is to develop mathematical models that describe the fluid physics relevant to the task at hand, while neglecting irrelevant details of the flow in order to remain computationally tractable. A number of techniques are presently used to develop such reduced-order models, such as proper orthogonal decomposition (POD), and approximate snapshot-based balanced truncation, also known as balanced POD. Each method has its strengths and weaknesses: for instance, POD models can behave unpredictably and perform poorly, but they can be computed directly from experimental data; approximate balanced truncation often produces vastly superior models to POD, but requires data from adjoint simulations, and thus cannot be applied to experimental data. In this paper, we show that using the Eigensystem Realization Algorithm (ERA) \citep{JuPa-85}, one can theoretically obtain exactly the same reduced order models as by balanced POD. Moreover, the models can be obtained directly from experimental data, without the use of adjoint information. The algorithm can also substantially improve computational efficiency when forming reduced-order models from simulation data. If adjoint information is available, then balanced POD has some advantages over ERA: for instance, it produces modes that are useful for multiple purposes, and the method has been generalized to unstable systems. We also present a modified ERA procedure that produces modes without adjoint information, but for this procedure, the resulting models are not balanced, and do not perform as well in examples. We present a detailed comparison of the methods, and illustrate them on an example of the flow past an inclined flat plate at a low Reynolds number.

연구 동기 및 목표

• 수반 시뮬레이션 데이터가 필요 없이 정확하고 균형 잡힌 저차원 모델을 유체 흐름에 대해 구축하는 방법을 개발하는 것.
• 실험 환경에서 이용할 수 없는 수반 정보에 의존하는 균형 POD의 한계를 해결하는 것.
• 고차원 유체 시뮬레이션에서 저차원 모델을 생성하는 데 있어 계산 효율성을 향상시키는 것.
• 정확도, 계산 비용, 실험 데이터 적용 가능성 측면에서 ERA를 균형 POD 및 표준 POD와 비교하는 것.
• ERA가 비안정성 또는 비선형 시스템에 적용 가능한지 탐색하여 기존 방법의 활용 범위를 확장하는 것.

제안 방법

• 유체 시뮬레이션 또는 실험에서 확보한 스크래치 데이터에 대해 에이전트 시스템 실현 알고리즘(ERA)을 적용하여 저차원 모델을 구축하는 것.
• 임펄스 응답 스크래치 데이터로부터 일반화된 하켈 행렬을 구성하여 시스템 모드와 동역학을 추출하는 것.
• 하켈 행렬에 대한 특이값 분해(SVD)를 수행하여 균형 잡힌 모드를 추출함으로써 균형 잡힌 그람 행렬과 안정성을 확보하는 것.
• 동일한 데이터와 투영 기저를 사용하여 동일한 저차원 모델을 생성함으로써 ERA 결과를 균형 POD와 직접 비교하는 것.
• 수반 데이터 없이 이중수직 모드를 생성하기 위해 의사역행렬을 사용한 수정된 ERA 버전을 구현하나, 균형 잡힘은 보장되지 않는 것.
• 전체 시스템 출력을 주요 POD 모드에 투영하여 주파수 응답을 비교하고 모델 정확도를 검증하는 것.

실험 결과

연구 질문

• RQ1 ERA는 선형 유체 시스템에 대해 균형 POD와 이론적으로 동일한 저차원 모델을 생성할 수 있는가?
• RQ2 ERA는 수반 시뮬레이션 데이터가 필요 없이도 균형 POD와 동일한 정확도를 달성할 수 있는가?
• RQ3 ERA의 계산 비용은 시뮬레이션 데이터로부터 저차원 모델을 형성할 때 균형 POD와 비교해 어떻게 되는가?
• RQ4 ERA는 수반 정보가 없는 실험 데이터에 효과적으로 적용될 수 있는가?
• RQ5 수반 데이터 없이 의사역행렬을 사용해 이중수직 모드를 생성하는 수정된 ERA 접근법의 한계는 무엇인가?

주요 결과

• ERA는 균형 POD와 이론적으로 동일한 저차원 모델을 생성함을 확인하여, ERA가 수반 시스템이 필요 없이 근사적인 균형 자unc션을 수행함을 입증한다.
• ERA는 시뮬레이션 데이터로부터 저차원 모델을 형성할 때 균형 POD 대비 10배 낮은 계산 비용을 기록한다.
• ERA 모델은 전체 시스템의 주파수 응답을 거의 완벽하게 재현하며, 표준 POD 및 의사수반 모드를 사용한 수정된 ERA보다 뛰어난 성능을 보인다.
• 30모드 ERA 모델은 채널 흐름의 일시적 성장 현상을 30모드 균형 POD 모델과 거의 동일한 정확도로 캡처하지만, 17모드 POD 모델은 이를 포착하지 못한다.
• 의사수반 모드를 사용한 ERA는 주파수 응답에 허위 피크를 생성하여 성능이 열악함을 시사하나, 이중수직 모드는 생성된다.
• ERA와 균형 POD 모델 간의 미세한 차이는 메서드 자체의 문제에서 비롯되지 않고, 균형 POD에서 사용된 이산 수반 연산자의 수치적 부정확성에서 기인한다.