[논문 리뷰] Well, how accurate is it? A Study of Deep Learning Methods for Reynolds-Averaged Navier-Stokes Simulations.

Nils Thuerey, Konstantin Weißenow외 4명|arXiv (Cornell University)|2018. 10. 18.

Model Reduction and Neural Networks인용 수 9

한 줄 요약

이 연구는 레이놀즈 평균 나비에-스토크스(RANS) 해를 고정밀도로 예측하기 위해 딥러닝 모델, 특히 현대화된 U-net을 평가한다. 다양한 날개 형상에 대해, 최고의 모델은 검증되지 않은 사례에서 압력 및 속도 예측의 평균 상대 오차가 3% 미만을 기록한다. 전체 코드는 재현 가능성과 카르테시안 격자 기반의 PDE 경계값 문제에 대한 광범위한 응용을 위해 공개되어 있다.

ABSTRACT

With this study we investigate the accuracy of deep learning models for the inference of Reynolds-Averaged Navier-Stokes solutions. We focus on a modernized U-net architecture, and evaluate a large number of trained neural networks with respect to their accuracy for the calculation of pressure and velocity distributions. In particular, we illustrate how training data size and the number of weights influence the accuracy of the solutions. With our best models we arrive at a mean relative pressure and velocity error of less than 3% across a range of previously unseen airfoil shapes. In addition all source code is publicly available in order to ensure reproducibility and to provide a starting point for researchers interested in deep learning methods for physics problems. While this work focuses on RANS solutions, the neural network architecture and learning setup are very generic, and applicable to a wide range of PDE boundary value problems on Cartesian grids.

연구 동기 및 목표

• 유체역학에서 RANS 해를 추론하는 데 있어 딥러닝 모델의 정확도를 평가하는 것.
• 학습 데이터 크기와 모델 용량(가중치 수)이 해의 정확도에 미치는 영향을 조사하는 것.
• 카르테시안 격자 기반의 다양한 PDE 경계값 문제에 적용 가능한 일반적이고 재현 가능한 딥러닝 프레임워크를 개발하는 것.
• 물리 기반 기계학습 연구를 지원하기 위해 공개된 코드베이스를 제공하는 것.

제안 방법

• 압력 및 속도 장을 날개 형상 입력으로부터 회귀하기 위해 현대화된 U-net 아키텍처를 딥러닝 모델로 사용한다.
• 다양한 날개 형상에서의 RANS 시뮬레이션을 기반으로 한 대규모 합성 데이터셋으로 모델을 훈련시킨다.
• 압력 및 속도 예측의 상대 오차를 최소화하는 손실 함수 최적화를 통해 훈련을 수행한다.
• 일반화 능력을 평가하기 위해 훈련 중에 볼 수 없었던 날개 형상에 대해 성능을 평가한다.
• 아키텍처 및 훈련 설정은 구조적 카르테시안 격자 기반의 다른 PDE 문제로의 이식 가능성을 고려해 설계되었다.
• 모든 소스 코드는 재현 가능성을 보장하고 향후 연구를 촉진하기 위해 공개되어 있다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 검증되지 않은 날개 형상에 대해 RANS 해를 얼마나 정확하게 예측할 수 있는가?
• RQ2 학습 데이터셋 크기와 모델 파rameter 수가 예측 정확도에 어떻게 영향을 미치는가?
• RQ3 U-net 기반 모델은 훈련 중에 볼 수 없었던 다양한 날개 형상에 대해 얼마나 잘 일반화되는가?
• RQ4 제안된 딥러닝 프레임워크는 카르테시안 격자 기반의 다른 PDE 경계값 문제에 널리 적용될 수 있는가?
• RQ5 이 방법을 사용할 때 압력 및 속도 예측의 최소 상대 오차는 얼마인가?

주요 결과

• 가장 성능이 뛰어난 딥러닝 모델은 다양한 검증되지 않은 날개 형상에 대해 압력 및 속도 예측의 평균 상대 오차가 3% 미만을 기록한다.
• 학습 데이터 크기와 모델 용량(가중치 수)이 증가할수록 모델 정확도가 향상되며, 이는 데이터와 파rameter 수에 강한 의존성을 보임을 시사한다.
• U-net 기반 아키텍처는 새로운 날개 형상에 대해 효과적으로 일반화되며, 훈련 분포를 초월한 강건성을 보여준다.
• 제안된 방법은 매우 높은 이식 가능성을 지니며, 동일한 아키텍처와 훈련 설정이 카르테시안 격자 기반의 다양한 PDE 경계값 문제에 적용 가능하다.
• 전체 소스 코드는 공개되어 있어 재현 가능성을 보장하고, 물리 기반 딥러닝 분야의 향후 연구 기반으로 기능한다.