[논문 리뷰] Self-critical machine-learning wall-modeled LES for external aerodynamics

Adrián Lozano-Durán, H. Jane Bae|arXiv (Cornell University)|2020. 12. 18.

Fluid Dynamics and Turbulent FlowsEngineering참고 문헌 40인용 수 22

한 줄 요약

이 논문은 외부 항공역학에서 벽 모델링 대체자유 대칭 레이놀즈 평균화된 난류 시뮬레이션(WMLES)을 위한 자기비판적 기계학습 벽 모델(SCMv1)을 제안한다. 이 모델은 유동 상태를 분류하고 벽 응력 예측에 신뢰도 점수를 제공하는 이중 신경망 아키텍처를 사용한다. 이 모델은 날개-체 몸체 접합부와 같은 복잡한 유동 영역에서 평균 속도 프로파일을 예측할 때 기존의 평형 벽 모델보다 더 높은 정확도와 강건성을 보이며, 예측의 불확실성을 경고할 수 있는 능력 덕분이다.

ABSTRACT

The prediction of aircraft aerodynamic quantities of interest remains among the most pressing challenges for computational fluid dynamics. The aircraft aerodynamics are inherently turbulent with mean-flow three-dimensionality, often accompanied by laminar-to-turbulent transition, flow separation, secondary flow motions at corners, and shock wave formation, to name a few. However, the most widespread wall models are built upon the assumption of statistically-in-equilibrium wall-bounded turbulence and do not faithfully account for the wide variety of flow conditions described above. This raises the question of how to devise models capable of accounting for such a vast and rich collection of flow physics in a feasible manner. In this work, we propose tackling the wall-modeling challenge by devising the flow as a collection of building blocks, whose information enables the prediction of the stress as the wall. The model relies on the assumption that simple canonical flows contain the essential flow physics to devise accurate models. Three types of building block units were used to train the model: turbulent channel flows, turbulent ducts and turbulent boundary layers with separation. This limited training set will be extended in future versions of the model. The approach is implemented using two interconnected artificial neural networks: a classifier, which identifies the contribution of each building block in the flow; and a predictor, which estimates the wall stress via non-linear combinations of building-block units. The output of the model is accompanied by the confidence in the prediction. The latter value aids the detection of areas where the model underperforms, such as flow regions that are not representative of the building blocks used to train the model. The model is validated in a unseen case representative of external aerodynamic applications: the NASA Juncture Flow Experiment.

연구 동기 및 목표

• 다양한 유동 물리 현상을 포함한 복잡한 외부 항공역학적 흐름에 대해 기존의 벽 모델링 대체자유 대칭 레이놀즈 평균화된 난류 시뮬레이션(WMLES)의 강건성과 정확도 부족 문제를 해결하기 위해.
• 평형 벽에 기반한 난류 흐름의 가정을 초월하여, 분리, 3차원성, 전이 흐름과 같은 다양한 유동 상태를 포괄하는 데이터 기반의 벽 모델을 개발하기 위해.
• 예측의 불확실성 정도를 고려한 벽 응력 예측에 신뢰도 추정을 통합하여, 분포 외부 또는 잘 표현되지 않은 흐름 조건을 탐지할 수 있도록 하기 위해.
• 실제 산업 기준 사례인 Re = 2.4×10⁶에서 수행된 나사 NASA 접합 흐름 실험을 기반으로 모델을 검증하기 위해.
• 추후 다양한 기본 흐름 빌딩 블록을 추가함으로써 확장 가능한 물리 기반 기계학습 프레임워크를 마련하기 위해.

제안 방법

• 모델은 두 개의 상호 연결된 인공신경망을 사용한다: 하나는 흐름을 흐름 빌딩 블록(예: 난류 채널, 도랑, 분리된 경계층 등) 중 하나 이상으로 할당하고, 그에 대한 신뢰도 점수를 출력하는 분류기이다.
• 예측기 네트워크는 식별된 각 빌딩 블록의 특성에 대한 비선형 조합을 사용하여, 각 블록의 가중 기여도에 따라 벽 응력을 추정한다.
• 학습 데이터는 다양한 레이놀즈 수에서의 평판 경계층, 난류 도랑, 분리 흐름의 DNS 결과로 구성된다.
• 모델는 각 예측에 대해 신뢰도 값을 제공함으로써 자기비판적이다. 입력이 알려진 유동 상태에서 벗어날 경우(예: 충격파 또는 경계층 외의 흐름), 이 값은 감소한다.
• 모델는 순순한 속도 및 유동 기울기 데이터를 입력으로 사용하며, 일반화를 향상시키기 위해 비차원화를 적용한다.
• 모델는 NASA 접합 흐름 실험에서 검증되며, 평균 속도 프로파일 예측을 기존의 평형 벽 모델(EQWM)과 비교한다.

실험 결과

연구 질문

• RQ1 기본 흐름에서 학습된 기계학습 벽 모델이 강한 3차원성과 분리가 있는 복잡한 산업 규모의 외부 항공역학적 흐름으로 일반화될 수 있는가?
• RQ2 예측의 신뢰도 점수가 모델이 불확실하거나 학습 분포 외부에 있는 영역을 효과적으로 식별하는 데에 기여하는가?
• RQ3 자기비판적이고 흐름 분류 기반의 접근 방식이 복잡한 흐름 구성에서 기존의 평형 벽 모델보다 정확도와 강건성을 향상시키는가?
• RQ4 채널, 도랑, 분리 흐름 등의 다수의 빌딩 블록을 포함함으로써 모델의 예측 능력이 다양한 흐름 상태에서 어떻게 향상되는가?
• RQ5 학습용 빌딩 블록의 집합을 확장하고 입력 특징 선택을 정교화함으로써 모델 성능을 얼마나 더 향상시킬 수 있는가?

주요 결과

• SCMv1은 NASA 접합 흐름 구성에서 세 가지 테스트 위치(상류 기체, 날개-체 몸체 접합부, 후연접합부)에서 모두 평형 벽 모델(EQWM)보다 평균 속도 프로파일 예측에서 뛰어난 성능을 보였다.
• 모델는 강한 평균 흐름 3차원성과 유동 분리가 발생하는 영역에서 특히 뛰어난 정확도를 보였으며, 이는 EQWM이 핵심 흐름 특징을 포착하지 못하는 영역임을 시사한다.
• 충격파나 경계층 외의 흐름과 같은 모델링되지 않은 물리 현상이 존재하는 영역에서는 모델이 제공하는 신뢰도 점수가 신뢰성 있게 감소함으로써 효과적인 불확실성 정량화가 이루어짐을 나타낸다.
• 모델는 순순한 유동 데이터만을 사용하여 복잡한 흐름 상태를 성공적으로 식별하고 분류함으로써 실시간 또는 산업 규모의 LES 응용에 대한 잠재력을 보여준다.
• 모델의 자기비판적 성격 덕분에 예측 실패를 탐지할 수 있으며, 이는 엔지니어링 설계 워크플로우에서 신뢰성 있는 구현에 매우 중요하다.
• 다른 한편으로는 유망한 결과에도 불구하고, 현재 학습 데이터의 범위 한계로 인해 성능이 제한되어 있으며, 다양한 격자 해상도와 구성에서의 추가 검증이 필요하다.