[논문 리뷰] TFRD: A Benchmark Dataset for Research on Temperature Field Reconstruction of Heat-Source Systems.

Xiaoqian Chen, Zhiqiang Gong외 3명|arXiv (Cornell University)|2021. 08. 17.

Model Reduction and Neural Networks참고 문헌 27인용 수 5

한 줄 요약

이 논문은 제한된 모니터링 데이터를 사용하여 열원 시스템의 온도장 복원(TFR-HSS)을 위한 TFRD라는 벤치마크 데이터셋을 소개한다. 문제를 수학적으로 공식화하고, 다양한 열원 및 경계 조건에서 표준화된 학습 및 테스트 샘플을 생성하며, 기존 및 딥러닝 기반 방법을 평가하여 향후 연구를 위한 기준 성능를 확립한다.

ABSTRACT

Heat management plays an important role in engineering. Temperature field reconstruction of heat source systems (TFR-HSS) with limited monitoring tensors, performs an essential role in heat management. However, prior methods with common interpolations usually cannot provide accurate reconstruction. In addition, there exists no public dataset for widely research of reconstruction methods to further boost the field reconstruction in engineering. To overcome this problem, this work construct a specific dataset, namely TFRD, for TFR-HSS task with commonly used methods, including the interpolation methods and the surrogate model based methods, as baselines to advance the research over temperature field reconstruction. First, the TFR-HSS task is mathematically modelled from real-world engineering problem and three types of numerically modellings have been constructed to transform the problem into discrete mapping forms. Besides, this work selects four typical reconstruction problem with different heat source information and boundary conditions and generate the standard samples as training and testing samples for further research. Finally, a comprehensive review of the prior methods for TFR-HSS task as well as recent widely used deep learning methods is given and we provide a performance analysis of typical methods on TFRD, which can be served as the baseline results on this benchmark.

연구 동기 및 목표

• 제한된 모니터링 데이터를 가진 열원 시스템(TFR-HSS)의 온도장 복원을 위한 공개 데이터셋 부족 문제를 해결하기 위해.
• 보간 및 서rogate 모델을 포함한 다양한 복원 방법을 지원하는 표준화된 벤치마크 데이터셋(TFRD)을 개발하기 위해.
• 실제 공학 시스템에서 유도된 TFR-HSS 문제를 일관된 평가를 위해 이산 매핑 문제로 수학적으로 모델링하기 위해.
• 다양한 열원 및 경계 조건을 가진 네 가지의 복원 시나리오에 걸쳐 표준화된 학습 및 테스트 샘플을 생성하기 위해.
• TFRD에서 기초 방법의 성능를 종합적으로 분석하여 향후 방법 개발의 기준으로 활용하기 위해.

제안 방법

• 실제 공학 시스템에서 유도된 TFR-HSS 문제를 세 가지 유형의 수치 모델링을 사용하여 수학적으로 모델링하고, 이산 매핑 형태로 변환한다.
• 방법론적 다양성을 확보하기 위해 열원 구성과 경계 조건이 다른 네 가지 대표적인 복원 문제를 선정한다.
• 수치 시뮬레이션을 기반으로 표준화된 학습 및 테스트 샘플을 생성하여 실제 열장 시나리오를 대표한다.
• 일반적인 보간 방법과 서rogate 모델 기반 접근법을 TFRD 데이터셋에 적용하여 기초 기법으로 구현한다.
• 일致한 지표를 사용하여 기초 기법 간의 성능를 비교할 수 있도록 종합적인 평가 프레임워크를 수립한다.
• 딥러닝 모델을 포함한 향후 연구를 지원하기 위해 공유된 기준이 되는 표준화된 벤치마크를 제공하도록 데이터셋을 설계한다.

실험 결과

연구 질문

• RQ1 제한된 모니터링 데이터를 가진 표준화된 온도장 복원 작업에서 전통적인 보간법과 서rogate 모델 기반 방법의 성능는 어떠한가?
• RQ2 TFR-HSS에서 다양한 열원 구성과 경계 조건 간의 성능 차이는 무엇인가?
• RQ3 TFRD 벤치마크는 복원 방법의 일관되고 재현 가능한 평가를 어떻게 가능하게 하는가?
• RQ4 TFRD 데이터셋에서 일반적이고 새로운 딥러닝 기반 방법의 기초 성능는 어떠한가?
• RQ5 TFRD 벤치마크는 온도장 복원 분야의 방법 개발 및 비교를 얼마나 가속화할 수 있는가?

주요 결과

• TFRD 벤치마크는 다양한 열역학적 시나리오를 포함한 표준화된 데이터셋을 제공하여 복원 방법의 일관된 평가를 가능하게 한다.
• 기존의 보간법과 서rogate 모델 기반 방법은 열원 및 경계 조건의 구성에 따라 성능가 다양하게 나타난다.
• 이 데이터셋은 고전적 방법과 딥러닝 기반 방법 모두의 평가를 지원하여 방법 비교의 기반을 제공한다.
• TFRD에서의 기초 성능 결과가 제공되어 향후 방법 개발 및 벤치마크 설정의 기준점이 된다.
• TFRD의 가용성은 재현 가능하고 비교 가능한 실험을 가능하게 하여 온도장 복원 분야의 연구를 가속화할 것으로 기대된다.