[논문 리뷰] Using Physics-Informed Super-Resolution Generative Adversarial Networks for Subgrid Modeling in Turbulent Reactive Flows

Mathis Bode, Michael Gauding외 6명|arXiv (Cornell University)|2019. 11. 26.

Fluid Dynamics and Turbulent Flows참고 문헌 24인용 수 10

한 줄 요약

이 논문은 난류 반응 유동의 대규모 난류 시뮬레이션(Large-eddy simulations, LES)에서의 미세거칠기 모델링을 위한 물리 기반 초해상도 생성 적대 신경망(Physics-informed Super-Resolution GAN, PIESRGAN)을 제안한다. 생성 적대 학습과 물리 기반 손실, 이중 단계 학습 전략을 결합함으로써 PIESRGAN은 굵은 LES 데이터로부터 고해상도 난류 장을 복원하여 사전 및 사후 테스트 모두에서 하위필터 응력과 스칼라 혼합을 정확하게 예측한다. 이는 실험 데이터와 양호한 일치를 보이는 반응성 스프레이 A 사례를 포함한다.

ABSTRACT

Turbulence is still one of the main challenges for accurately predicting reactive flows. Therefore, the development of new turbulence closures which can be applied to combustion problems is essential. Data-driven modeling has become very popular in many fields over the last years as large, often extensively labeled, datasets became available and training of large neural networks became possible on GPUs speeding up the learning process tremendously. However, the successful application of deep neural networks in fluid dynamics, for example for subgrid modeling in the context of large-eddy simulations (LESs), is still challenging. Reasons for this are the large amount of degrees of freedom in realistic flows, the high requirements with respect to accuracy and error robustness, as well as open questions, such as the generalization capability of trained neural networks in such high-dimensional, physics-constrained scenarios. This work presents a novel subgrid modeling approach based on a generative adversarial network (GAN), which is trained with unsupervised deep learning (DL) using adversarial and physics-informed losses. A two-step training method is used to improve the generalization capability, especially extrapolation, of the network. The novel approach gives good results in a priori as well as a posteriori tests with decaying turbulence including turbulent mixing. The applicability of the network in complex combustion scenarios is furthermore discussed by employing it to a reactive LES of the Spray A case defined by the Engine Combustion Network (ECN).

연구 동기 및 목표

• 고차원적이고 복잡한 물리 현상을 지닌 난류 반응 유동의 LES에서 전통적인 코어션 모델이 실패하는 문제를 해결하기 위해.
• 비감독적 딥 러닝에 물리 제약 조건을 통합하여 고차원 유체역학에서 데이터 기반 모델의 일반화 및 외삽 능력을 향상시키기 위해.
• 라벨이 없는 훈련 데이터가 필요 없이 필터링된 LES 데이터로부터 완전히 해상도가 높은 난류 장을 재구성할 수 있는 강력한 물리 기반 딥 러닝 프레임워크를 개발하기 위해.
• 실제 연소 시나리오, 특히 엔진 연소 네트워크의 스프레이 A 사례와 같은 복잡하고 고레이나르즈 수치의 유동에서 모델의 적용 가능성을 평가하기 위해.
• GAN 기반 모델이 수치적 안정성을 유지하면서도 정확한 하위필터 응력 및 스칼라 플럭스 예측을 달성할 수 있음을 입증하기 위해.

제안 방법

• 고해상도 난류 장을 굵은 LES 데이터로부터 복원하기 위해 초해상도 GAN 아키텍처(ESRGAN)를 3차원 데이터에 확장한다.
• 생성자 모델이 진짜로 해상도가 높은 데이터와 구별할 수 없도록 하기 위해 적대적 손실을 사용하여 훈련한다.
• 물리적 일관성을 강제하기 위해 물리 기반 손실을 도입하며, 이는 보존 법칙과 난류 통계(예: 운동 에너지 및 소산률) 등의 제약 조건을 포함한다.
• 이중 단계 학습 절차를 사용한다: 먼저 완전히 해상도가 높은 DNS 데이터에서 사전 훈련한 후, 일반화 및 외삽 능력을 향상시키기 위해 부족한 해상도의 LES 데이터에서 미세 조정한다.
• 재구성된 고해상도 장을 사용하여 LES의 코어션을 위한 하위필터 항목(예: 하위필터 레이놀즈 응력 및 스칼라 플럭스)을 계산한다.
• 다중 대표성 상호작용flamelets(MRIF) 모델을 사용하여 스프레이 A 사례에 모델을 적용하였으며, Ignition delay time 및 연료 질량 분율 프로파일을 실험 데이터와 비교하였다.

실험 결과

연구 질문

• RQ1 라벨이 없는 훈련 데이터가 필요 없이 물리 기반 GAN이 굵은 LES 데이터로부터 고해상도 난류 장을 효과적으로 재구성할 수 있는가?
• RQ2 이중 단계 학습 전략이 고차원적이고 물리 제약 조건이 있는 유체역학 문제에서 GAN의 일반화 및 외삽 능력을 어떻게 향상시키는가?
• RQ3 PIESRGAN 모델이 복잡한 연소 시나리오, 특히 스프레이 A 사례와 같은 상황에서 하위필터 응력과 스칼라 플럭스를 얼마나 정확하게 예측할 수 있는가?
• RQ4 표준 GAN과 비교할 때 물리 기반 손실이 생성된 장의 물리 일관성과 수치적 안정성에 기여하는가?
• RQ5 혼합 및 Ignition delay 예측 측면에서 PIESRGAN의 성능이 전통적인 하위필터 모델(예: 동적 스마고르스키 모델)과 비교해 어떻게 되는가?

주요 결과

• PIESRGAN 모델은 사전 테스트를 통해 난류 감쇠 시나리오에서 뚜렷한 물리 일관성을 유지하면서도 필터링된 LES 데이터로부터 고해상도 난류 장을 성공적으로 재구성하였다.
• 스프레이 A 사례의 사후 LES에서 PIESRGAN은 0.379 ms의 Ignition delay time을 예측하였으며, 실험 값인 약 0.4 ms와 합리적인 일치를 보였다.
• 노즐 후방에서의 연료 질량 분율 프로파일은 PIESRGAN-LES가 실험 데이터와 동적 스마고르스키 LES 사이에 위치하여 혼합 정확도 향상을 시사한다.
• 클리핑 없이도 강건한 성능을 보였으며, 시뮬레이션을 붕괴시킬 수 있는 극단적 또는 불안정한 예측을 생성하지 않았다.
• 동적 스마고르스키 모델보다 계산 비용이 높지만, 딥 러닝 하드웨어 가속화가 진행됨에 따라 향후 도입 가능성이 높은 잠재력을 보였다.
• 이중 단계 학습 전략은 일반화 능력을 크게 향상시켰으며, 주로 감쇠 등방성 난류에서 훈련된 모델이 복잡하고 고레이나르즈 수치의 반응성 유동에서도 정확한 성능을 발휘할 수 있도록 하였다.