[논문 리뷰] Uncertainty Quantification of the time averaging of a Statistics Computed from Numerical Simulation of Turbulent Flow

Pooriya Beyhaghi, Shahrouz Alimohammadi외 1명|arXiv (Cornell University)|2018. 02. 04.

Probabilistic and Robust Engineering Design참고 문헌 25인용 수 5

한 줄 요약

이 논문은 난류 유동의 유한시간 평균 통계에서의 기대 제곱 오차를 추정하기 위한 다스케일, 渐近적으로 편향이 없는 불확실성 정량화(UQ) 방법을 제안한다. 다양한 시간스케일에서의 자기상관 구조를 모델링하고 진짜 시스템의 수렴 행동을 보장함으로써, 특히 장기 시뮬레이션에서 기존 방법보다 뛰어난 성능을 보이며 난류 통계의 UQ 정확도를 향상시킨다.

ABSTRACT

Rigorous assessment of the uncertainty is crucial to the utility of numerical simulation of Turbulent flow. The Turbulent flows are often stationary and ergodic, after some initial transient time. Therefore, the time averaged of a quantity (velocity, TKE (turbulence kinetic energy), total drag, etc) converges to a constant as the averaging interval increases. This infinite-time-average statistic is of particular interest in many problems, such as aerodynamic shape optimization. Since taking an average over the infinite time horizon is not possible, some finite-time approximation of the infinite-time-average statistic of interest is used in practice. However, because of the initial transient behavior of the turbulence simulations, this estimate is biased. This issue is solved by deleting the initial transient part of the simulation. The other important issue is the error of this approximation decreases slowly, like the reciprocal of the square roots of the averaging time. In this paper, we develop a framework to first automatically deleted the transient part of a turbulence simulation, then, quantify precisely the uncertainty of such a finite-time-average approximation of an infinite-time-average statistic of a stationary and ergodic process.

연구 동기 및 목표

• 통계적으로 정적이고 에르고딕한 난류 유동의 유한시간 평균 통계에서의 불확실성 정량화라는 핵심 과제를 해결한다.
• 시뮬레이션 길이가 증가함에 따라 정확도를 유지하지 못하는 기존 UQ 방법의 한계를 극복한다.
• 기대 제곱 평균 오차가 진짜 시스템의 행동과 동일한 방식으로 수렴하도록 보장하는 渐近적으로 편향이 없는 방법을 개발한다. 이는 $ Q/\sqrt{N} $ 의 속도로 수렴함을 의미한다.
• 유도 없는 최적화에서 난류 유동 통계를 효율적으로 추정하기 위해 정확하고 적응형 샘플링을 가능하게 함으로써 계산 효율성을 향상시킨다.
• 혼돈 시스템인 난류 유동과 같은 시스템에 적용 가능한 강력한 데이터 기반 UQ 프레임워크를 제공하며, 실용적인 구현이 가능하도록 한다.

제안 방법

• 장기간의 시간스케일에 걸쳐 데이터에 맞추어 다스케일 자기상관 모델을 구축하여 장기 기억성과 상관 동역학을 포착한다.
• 최대우도추정법(MLE)을 사용해 시간 시리즈에 자코비안 모델(테스트에서는 AR(18))을 피팅함으로써 전체 자기상관 구조를 정확하게 추정한다.
• UQ 계산 이전에 비정상적인 초기 행동을 식별하고 제거하기 위해 일시적 상태 탐지 알고리즘을 적용한다.
• 적응된 표준 오차 공식의 수정 버전을 사용해 기대 제곱 평균 오차를 추정하며, 피팅된 모델에서 유도된 효과적인 분산 해리 시간스케일을 통합한다.
• 모델의 수렴 속도($ Q/\sqrt{N} $)를 진짜 기저 과정의 수렴 속도와 일치시킴으로써 渐近적으로 편향이 없는 성질을 확보한다.
• 긴 시뮬레이션에서 계산된 정확한 오차와 비교하여 방법을 검증하며, $ \mu $, $ \sigma $, 및 $ \rho(k) $ 의 알려진 값들을 활용한다.

실험 결과

연구 질문

• RQ1 표본이 서로 독립 identically distributed(i.i.d.)이 아니고 상관관계가 있는 경우, 난류 유동의 유한시간 평균 통계에서의 불확실성은 어떻게 정량화할 수 있는가?
• RQ2 다양한 시뮬레이션 길이에서 정확도를 유지하고, 渐近적으로 편향이 없는 UQ 방법을 개발할 수 있는가?
• RQ3 제안된 다스케일 UQ 방법은 기존 방법과 비교해 장기 시뮬레이션 영역에서 어떻게 다른가?
• RQ4 혼돈적이고 난류적인 시스템에서 진짜 평균 오차를 보다 정확하게 측정하기 위해, MLE 기반 UQ에 비해 이 방법은 어느 정도 향상되는가?
• RQ5 이 방법은 직접 수치 시뮬레이션인 채널 흐름의 DNS와 같이 실제 난류 유동 시뮬레이션에 효과적으로 적용될 수 있으며, 실용적인 계산 비용을 감당할 수 있는가?

주요 결과

• 제안된 UQ 방법은 [3]의 MLE 기반 접근보다 기대 제곱 평균 오차 추정에서 뚜렷한 성능 향상을 보이며, 표본 수 $ N $ 이 증가함에 따라 더욱 두드러진다.
• $ Re_{\tau} = 180 $ 인 채널 흐름 DNS에서, 이 방법의 오차 추정치는 훨씬 더 긴 시뮬레이션에서 계산된 진짜 오차와 매우 가까이 수렴함을 보이며 높은 정확도를 입증한다.
• 이 방법은 渐近적으로 편향이 없음을 입증하며, 기대 제곱 오차가 진짜 시스템과 동일한 속도 $ Q/\sqrt{N} $ 로 수렴함을 보장한다. 이는 경쟁 방법에서는 보장되지 않는 성질이다.
• 다스케일 자기상관 모델은 난류 신호의 장거리 상관관계를 효과적으로 포착하여, 단일 통합 시간스케일에 의존하는 방법보다 더 신뢰할 수 있는 UQ를 제공한다.
• 이 방법은 AR(6) 과정, Kuramoto-Sivashinsky 방정식, 그리고 채널 흐름의 직접 수치 시뮬레이션을 포함한 다양한 시험 케이스에서 강건함을 입증한다.
• UQ 방법과 일시적 상태 탐지기의 오픈소스 파이썬 구현체는 https://github.com/salimoha/uq.git 에 공개되어 있어 재현성과 최적화 워크플로우 통합에 용이하다.