[논문 리뷰] Shallow Learning for Fluid Flow Reconstruction with Limited Sensors and Limited Data.

N. Benjamin Erichson, Lionel Mathelin외 4명|arXiv (Cornell University)|2019. 02. 20.

Flow Measurement and Analysis인용 수 17

한 줄 요약

이 논문은 제한된 센서 데이터와 최소한의 사전 지식만으로 고차원 유동장의 복원을 위한 얕은 신경망 방법을 제안한다. 원시 측정값에서 전체 유동장으로의 종단 간 맵핑을 학습함으로써, 기존의 모드 기반 기법들보다 뛰어난 복원 정확도를 달성한다. 이는 센서 수가 훨씬 적은 조건에서도 성립한다.

ABSTRACT

In many applications, it is important to reconstruct a fluid flow field, or some other high-dimensional state, from limited measurements and limited data. In this work, we propose a shallow neural network-based learning methodology for such fluid flow reconstruction. Our approach learns an end-to-end mapping between the sensor measurements and the high-dimensional fluid flow field, without any heavy preprocessing on the raw data. No prior knowledge is assumed to be available, and the estimation method is purely data-driven. We demonstrate the performance on three examples in fluid mechanics and oceanography, showing that this modern data-driven approach outperforms traditional modal approximation techniques which are commonly used for flow reconstruction. Not only does the proposed method show superior performance characteristics, it can also produce a comparable level of performance with traditional methods in the area, using significantly fewer sensors. Thus, the mathematical architecture is ideal for emerging global monitoring technologies where measurement data are often limited.

연구 동기 및 목표

• 희소 센서 측정값과 제한된 데이터만 존재할 때 고차원 유동장 복원 문제를 해결하기 위해.
• 중요한 사전 처리나 물리적 지식이 필요 없는 순수하게 데이터 기반의 접근법을 개발하기 위해.
• 센서 수를 줄이면서도 높은 복원 정확도를 유지함으로써, 신규 글로벌 모니터링 시스템에서의 활용을 가능하게 하기 위해.
• 기존의 전통적 모드 근사 기법들에 비해 흐름 복원 성능에서 뛰어나지기 위해.

제안 방법

• 이 방법은 센서 측정값에서 전체 유동장으로의 직접적 종단 간 맵핑을 학습하기 위해 얕은 신경망을 활용한다.
• 원시 센서 데이터에 대한 사전 처리를 적용하지 않으며, 네트워크는 입력 측정값 그대로를 처리한다.
• 기본 물리 모델이나 사전 구조를 가정하지 않고 순수하게 데이터 기반 방식으로 아키텍처를 학습한다.
• 실제 모니터링 응용 분야에 적합한 계산 효율성과 확장성을 고려해 설계된다.
• 제한된 데이터를 활용해 다양한 흐름 제도와 구성에서 일반화할 수 있도록 네트워크를 훈련한다.

실험 결과

연구 질문

• RQ1 모델링에 대한 사전 물리 지식 없이, 제한된 센서 데이터에서 고차원 유동장을 효과적으로 복원할 수 있는 얕은 신경망이 가능한가?
• RQ2 이 데이터 기반 방법의 성능은 기존의 전통적 모드 근사 기법에 비해 어떻게 비교되는가?
• RQ3 어느 정도까지 센서 수를 줄일 수 있으며, 이때도 수용 가능한 복원 정확도를 유지할 수 있는가?
• RQ4 최소한의 데이터로도 다양한 유체역학 및 해양학적 상황에서 일반화가 가능한가?

주요 결과

• 제안된 방법은 모든 테스트된 유체역학 및 해양학 사례에서 기존의 모드 근사 기법들보다 뛰어난 복원 정확도를 달성한다.
• 기존 방법에 비해 훨씬 적은 센서로도 높은 성능을 유지한다.
• 제한된 데이터 및 센서 조건 하에서 복원 정밀도 측면에서 전통적 방법들을 능가하는 데이터 기반 프레임워크임을 입증한다.
• 도메인 특화 캘리브레이션 없이도 다양한 유동 시나리오에서 강력한 일반화 능력을 보여준다.