[논문 리뷰] Sparse reduced-order modeling : Sensor-based dynamics to full-state estimation

Jean-Christophe Loiseau, Bernd R. Noack외 1명|HAL (Le Centre pour la Communication Scientifique Directe)|2017. 06. 12.

Model Reduction and Neural Networks인용 수 14

한 줄 요약

이 논문은 시간 해상도가 높은 센서 데이터를 비선형 역학의 희소 식별(SINDy)을 사용하여 예측 가능하고 해석 가능한 동역학 시스템으로 변환하는 희소 축소 차원 모델링 프레임워크를 제안한다. 센서 기반 특징을 동적 공간으로 업그레이드하고, 희소 비선형 모델을 식별하며, 선택적 PIV 스냅샷을 사용해 속도장에 대한 고정밀 국소 선형 매핑을 수립함으로써 전체 상태 추정에 높은 정확도를 달성한다. 이는 전통적인 POD-갈릴레오 모델보다도 일시적인 실린더 후류 시뮬레이션에서 뛰어난 성능을 보인다.

ABSTRACT

We propose a general dynamic reduced-order modeling framework for typical experimental data: time-resolved sensor data and optional non-time-resolved PIV snapshots. This framework contains four steps. First, the sensor signals are lifted to a dynamic feature space. Second, we identify a sparse human-interpretable nonlinear dynamical system for the feature state based on the sparse identification of nonlinear dynamics (SINDy). Third, if PIV snapshots are available, a local linear mapping from the feature state to velocity fields is shown to be orders of magnitudes more accurate than optimal modal expansions of the same order. Fourth, a generalized feature-based modal decomposition identifies coherent structures that are most dynamically correlated with the linear and nonlinear interaction terms in the sparse model, adding interpretability. Steps 1 and 2 define a black-box model. Optional steps 3 and 4 lift the black-box dynamics to a 'gray-box' model of the coherent structures, if non-time-resolved full-state data is available. This gray-box modeling strategy is successfully applied to the transient and post-transient laminar cylinder wake, and compares favorably with a POD model. We foresee numerous applications of this highly flexible modeling strategy, including estimation, prediction and control. Moreover, the feature space may be based on intrinsic coordinates, which are unaffected by a key challenge of modal expansion: the slow change of low-dimensional coherent structures with changing geometry and varying parameters.

연구 동기 및 목표

• 전체 상태 측정이 없는 제한된 실험적 센서 데이터로부터 정확하고 해석 가능한 축소 차원 모델을 구축하는 데 도전한다.
• 일시적 현상, 파rameter 변화 및 천천히 변형되는 구조적 변형을 다루는 데 있어 전통적인 POD-갈릴레오 모델의 한계를 극복한다.
• 완전한 상태 PIV 데이터가 가용할 경우, 블랙박스 센서 모델에서 일관된 구조를 가지는 회색 상자 모델로의 전환을 가능하게 하는 유연하고 데이터 기반의 프레임워크를 개발한다.
• 유체역학에서 추정, 예측 및 제어를 위한 안정적이고 희소적이며 물리적으로 해석 가능한 동역학 모델을 제공한다.

제안 방법

• 사용자 정의 또는 내재된 좌표를 사용해 시간 해상도가 높은 센서 신호를 동적 특징 공간으로 업그레이드하여 모델의 표현력을 향상시킨다.
• 비선형 역학의 희소 식별(SINDy) 알고리즘을 적용하여 특징 상태를 지배하는 희소 비선형 동역학 시스템을 식별함으로써 해석 가능성과 저차원성을 확보한다.
• 시간 해상도가 없는 PIV 스냅샷을 사용해 특징 상태에서 전체 속도장으로의 국소 선형 매핑을 구성함으로써, 표준 POD 전개 방식보다 수개의 차수만큼 더 높은 정확도를 달성한다.
• 일반화된 특징 기반 모드 분해를 수행하여 SINDy 모델의 선형 및 비선형 항과 가장 동적으로 관련된 일관된 구조를 식별함으로써 물리적 해석 가능성을 향상시킨다.
• 에너지 보존 등의 물리적 제약 조건을 SINDy 식별 과정에 통합하여 모델의 안정성과 성능을 향상시킨다.
• Re=100에서의 일시적 및 후일시적 난류 실린더 후류에 이 프레임워크를 적용하여 POD-갈릴레오 모델과의 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 시간 해상도가 높은 센서 데이터만으로도 희소하고 해석 가능한 비선형 동역학 시스템을 직접 식별할 수 있는가?
• RQ2 시간 해상도가 없는 PIV 스냅샷을 어떻게 활용하여 저차원 센서 기반 모델로부터 전체 상태 재구성의 정확도를 향상시킬 수 있는가?
• RQ3 제안된 프레임워크가 일시적 및 후일시적 역학을 포괄하는 데 있어 기존의 POD-갈릴레오 모델보다 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ4 특징 기반 모드 분해를 통해 물리적으로 의미 있는 일관된 구조를 드러내는 데 이 프레임워크를 확장할 수 있는가?
• RQ5 SINDy 식별 과정에 물리적 제약 조건을 통합할 경우 모델의 정확도와 안정성에 어떤 영향을 미치는가?

주요 결과

• SINDy 기반 센서 모델은 난류 실린더 후류의 일시적 역학을 정확히 포착하며, 예측 결과가 직접 수치 시뮬레이션과 매우 유사하게 일치한다.
• PIV 스냅샷의 포함으로 특징 상태에서 속도장으로의 국소 선형 매핑이 수개의 차수만큼 표준 순서의 POD 전개보다 훨씬 더 정확하게 구현된다.
• 물리적 고려사항에 기반한 제약 조건이 적용된 삼차 SINDy 모델은 제약이 없는 모델과 저차수 모델보다 우수한 성능을 보이며, AICc 기준으로 최고의 적합도를 달성한다.
• 일반화된 특징 기반 모드 분해는 희소 모델의 선형 및 비선형 항과 가장 관련이 깊은 일관된 구조를 성공적으로 식별하여 해석 가능성을 향상시켰다.
• 프레임워크는 노이즈가 있는 데이터에 대해 강건하며, 기하학적 형태나 파rameter가 다양하더라도 적용 가능하다. 이는 특징 공간이 천천히 변화하는 구조적 변화에 영향을 받지 않기 때문이다.
• 이산 시간 SINDy 공식화는 안정적이고 첫 번째 차수의 희소 벡터 자기회귀 모델을 성공적으로 식별하여 실린더 후류의 위상공간 궤적을 정확히 예측하였다.