[논문 리뷰] Using Machine Learning to Augment Coarse-Grid Computational Fluid Dynamics Simulations

Jaideep Pathak, Mustafa Mustafa외 4명|arXiv (Cornell University)|2020. 09. 30.

Model Reduction and Neural Networks인용 수 33

한 줄 요약

이 논문은 네트워크를 이용해 모델 오차를 보정하고 고해상도 필드를 복원하는 코arse-grid CFD를 보강하는 하이브리드 ML-PDE 프레임워크를 제시하며, 높은 Rayleigh 수에서 2D Rayleigh–Bénard Convection에 대해 시연합니다.

ABSTRACT

Simulation of turbulent flows at high Reynolds number is a computationally challenging task relevant to a large number of engineering and scientific applications in diverse fields such as climate science, aerodynamics, and combustion. Turbulent flows are typically modeled by the Navier-Stokes equations. Direct Numerical Simulation (DNS) of the Navier-Stokes equations with sufficient numerical resolution to capture all the relevant scales of the turbulent motions can be prohibitively expensive. Simulation at lower-resolution on a coarse-grid introduces significant errors. We introduce a machine learning (ML) technique based on a deep neural network architecture that corrects the numerical errors induced by a coarse-grid simulation of turbulent flows at high-Reynolds numbers, while simultaneously recovering an estimate of the high-resolution fields. Our proposed simulation strategy is a hybrid ML-PDE solver that is capable of obtaining a meaningful high-resolution solution trajectory while solving the system PDE at a lower resolution. The approach has the potential to dramatically reduce the expense of turbulent flow simulations. As a proof-of-concept, we demonstrate our ML-PDE strategy on a two-dimensional turbulent (Rayleigh Number $Ra=10^9$) Rayleigh-B\\'enard Convection (RBC) problem.

연구 동기 및 목표

• 난류 흐름 시뮬레이션의 계산 비용을 DNS의 비실용성으로 인해 감소시키는 동기를 부여합니다.
• 코arse-grid PDE 출력물을 보정하고 고해상도 필드를 재구성하는 하이브리드 ML-PDE 접근법을 제안합니다.
• 방법을 표준적인 2D Rayleigh–Bénard Convection 문제에서 시연하고 고해상도 기준값과 비교합니다.
• 학습된 보정이 다양한 스케일에 어떻게 적응하는지 탐구하고 3D 문제로의 확장 가능성을 지원합니다.

제안 방법

• 코arse-grid 출력이 ML 모델에 의해 보정되는 PDE 진화 문제를 형식화합니다.
• 다운스케일된 코arse 결과와 고해상도 진실 간의 모델 오차를 예측하도록 신경망을 학습합니다.
• 스펙트럴 공간에서 코arse 워크플로우와 미세 그리드 간의 매핑을 위해 업-스케일링(U_m)과 다운-스케일링(D_m) 연산자를 사용합니다.
• ML 보정을 통해 X_ml(t+τ) = U_m[F_N'^(τ)(D_m[X_ml(t)])] + N[U_m[F_N'^(τ)(D_m[X_ml(t)])]]를 생성하도록 코arse-grid 시간강화를 통합합니다.
• CNN(UNet)을 짧은 시간 구간에 걸친 코arse-예측 필드와 그 실제 고해상도 대응 간의 쌍으로 오차 텐서를 예측하도록 학습시킵니다.
• Ra=10^9, Pr=0.7인 2D Rayleigh–Bénard Convection을 개념 증명으로 사용하고 512×512 시뮬레이션의Ground-truth와 대조 평가합니다.

실험 결과

연구 질문

• RQ1 깊은 학습 모델이 난류 흐름에 대한 코arse-grid PDE 시뮬레이션에서 발생하는 오차를 보정할 수 있는가?
• RQ2 짧은 시간 구간에 걸쳐 저해상도 시뮬레이션으로부터 고해상도 필드 세부 정보를 회복할 수 있는가?
• RQ3 ML-보정 코어그리드 접근법이 고해상도 참값과 비교하여 흐름의 주요 시간적 및 스펙트럴 특성을 보존하는가?
• RQ4 더 높은 차원과 다양한 흐름 매개변수로의 일반화 가능성은 어떠한가?

주요 결과

• ML-PDE 하이브리드 접근은 고해상도 기준값에 더 가까운 궤적을 코arse-grid에서 보정하여 기존의 코arse 시뮬레이션보다 더 닮아 있습니다.
• RMSE 오차가 여러 시험 케이스(20개의 궤적)에서 기준선 투사보다 개선됩니다.
• 스펙트럴 분석은 주어진 시간 스텝 수 이후 ML-보정 해가 스칼라 필드의Ground-truth 파워 스펙트럼과 더 잘 일치함을 시사합니다.
• ML-PDE의 흐름장 스냅샷이 업스케일된 코arse-grid 계열보다 참값과 더 가깝게 정렬됩니다.
• 연구는 2D 한계에도 불구하고 계산 비용을 줄이면서 높은 Reynolds 수 시뮬레이션의 확장의 가능성을 시연하며, 향후 3D 확장을 인정합니다.