[논문 리뷰] The transformative potential of machine learning for experiments in fluid mechanics

Ricardo Vinuesa, Steven L. Brunton외 1명|arXiv (Cornell University)|2023. 03. 28.

Model Reduction and Neural Networks인용 수 6

한 줄 요약

이 논문은 기계 학습(ML)이 실험 유체역학을 혁신적으로 변화시킬 수 있는 방법을 탐구한다. 구체적으로 측정 정밀도 향상, 지능형 실험 설계 및 디지털 트윈 구현, 실시간 추정 및 제어 지원을 통해 가능하다. 연구에서는 딥 러닝을 통한 노이즈 감소, 효율적 샘플링을 위한 액티브 러닝, 그리고 모델 예측 제어와 같은 ML 기법이 난류 및 복잡한 유속에서 데이터 품질 향상, 실험 비용 절감, 과학적 발견 속도 향상에 기여할 수 있음을 입증한다.

ABSTRACT

The field of machine learning has rapidly advanced the state of the art in many fields of science and engineering, including experimental fluid dynamics, which is one of the original big-data disciplines. This perspective will highlight several aspects of experimental fluid mechanics that stand to benefit from progress advances in machine learning, including: 1) augmenting the fidelity and quality of measurement techniques, 2) improving experimental design and surrogate digital-twin models and 3) enabling real-time estimation and control. In each case, we discuss recent success stories and ongoing challenges, along with caveats and limitations, and outline the potential for new avenues of ML-augmented and ML-enabled experimental fluid mechanics.

연구 동기 및 목표

• 기계 학습이 실험 유체역학에 미치는 변혁적 잠재력을 규명하고 분석하는 것.
• 센서 노이즈, 편향, 해상도 제한 등으로 인한 측정 정밀도 향상 문제를 데이터 기반 ML 기법을 통해 해결하는 것.
• 액티브 러닝과 서rogate 모델링(포함하여 불확실성 정량화를 포함한 디지털 트윈)을 통한 실험 설계 및 모델링 향상.
• ML 기반 예측 및 적응 전략을 활용해 실시간 추정 및 제어를 가능하게 하는 것.
• 기계 학습을 실험 유체역학에 통합하는 것의 길이 과학적 발견과 산업 혁신을 가속화하는 데 기여할 수 있음을 개론하는 것.

제안 방법

• 이미지 기반 유속 측정의 정밀도를 향상시키기 위해 특히 컨volutional 신경망(CNN)을 활용하여 노이즈 감소 및 슈퍼레졸루션 복원을 수행하는 것.
• 실험 데이터에서 학습된 전이 함수를 사용해 경험적 센서 보정을 대체하는 데이터 기반 보정 방법 적용.
• 실험 캠페인에서 고차원 매개변수 공간을 효율적으로 샘플링하기 위해 액티브 러닝 기법을 활용하여 데이터 수집 비용을 최소화하면서도 모델 정확도를 유지하는 것.
• 실험 데이터에 校정된 하이브리드 물리-ML 모델 기반 디지털 트윈을 구축하기 위해 물리 기반 기반의 기계 학습 모델 개발 및 불확실성 정량화 통합.
• 실시간 유속 제어를 위해 ML 기반 모델 예측 제어(MPC) 및 강화 학습을 구현하며, 특히 고차원 센서 및 액추에이터 어레이를 갖춘 시스템에 적용하는 것.
• 클라우드 기반 플랫폼 통합을 통해 실험 유체역학 시설에 원격으로 협업 가능하게 접근 가능하게 하여 데이터 공유 및 재현성 향상.

Figure 1: Summary of ML impact on experimental fluid mechanics. Classification of all the experimental applications in terms of their main category, namely (green) measurement techniques, (blue) experimental design and modeling, as well as (red) estimation and control. Inside each region we show in

실험 결과

연구 질문

• RQ1 기계 학습은 센서 노이즈와 제한된 공간 해상도가 존재하는 상황에서 이미지 기반의 흐름 측정 정밀도와 해상도를 어떻게 향상시킬 수 있는가?
• RQ2 액티브 러닝과 서rogate 모델링은 복잡한 매개변수 공간 탐색이 필요한 실험 캠페인의 비용과 시간을 어떻게 줄일 수 있는가?
• RQ3 하이브리드 물리-ML 모델 기반 디지털 트윈은 복잡한 흐름 시스템에서 실험 설계 및 불확실성 정량화를 어떻게 향상시킬 수 있는가?
• RQ4 실시간 기계 학습은 강한 비선형성과 시간 지연이 존재하는 시스템에서 흐름 추정 및 제어에 어떤 역할을 할 수 있는가?
• RQ5 기계 학습을 보완한 실험 유체역학은 항공우주, 에너지, 생체의공 등 고영향도 분야에서 과학적 발견을 어떻게 가속화할 수 있는가?

주요 결과

• CNN과 같은 기계 학습 기법은 슈퍼레졸루션 및 노이즈 감소를 가능하게 하여 전통적인 후처리 방법을 뛰어넘는 데이터 품질 향상을 이끌 수 있다.
• 실험 데이터에서 학습된 데이터 기반 보정 방법은 경험적 센서 보정을 대체하여 속도 및 압력 측정의 편향을 줄이고 정확도를 향상시킬 수 있다.
• 액티브 러닝 전략은 일부 사례에서 실험 수를 최대 50%까지 감소시킨 것으로 입증되어 복잡한 매개변수 공간의 효율적 탐색이 가능하다.
• 기계 학습을 활용한 서rogate 모델은 실험 데이터에 校정된 디지털 트윈을 생성할 수 있으며, 불확실성 정량화를 포함하여 견고한 설계 및 예측을 가능하게 한다.
• ML 기반 모델 예측 제어는 고차원 센서 및 액추에이터 구성이 있는 시스템에서 실시간 유속 제어에 성공적으로 적용된 바가 있다.
• 단순 최적화 기법인 심플렉스 최적화는 실험 규모 터빈의 에너지 효율을 50% 이상 향상시켰으며, 이는 비-ML 기법이라도 실험적 통찰과 조합하면 상당한 성과를 낼 수 있음을 시사한다.

Figure 2: Process of PIV analysis based on ML. a , Representation of the autoencoder (AE) architecture based on convolutional neural networks (CNNs) to predict the flow field based on the input image containing the particle distribution. Yellow denotes convolution and max pooling, which reduce the s