[논문 리뷰] A Data-driven Approach for Turbulence Modeling

Yangmo Zhu, Nam Dinh|arXiv (Cornell University)|2020. 05. 01.

Nuclear Engineering Thermal-Hydraulics참고 문헌 8인용 수 9

한 줄 요약

이 논문은 직접 수치 시뮬레이션(DNS) 데이터에서 난류 레이놀즈 응력(reynolds stresses)을 학습함으로써 레이놀즈 평균 나비에-스토크스(RANS) 시뮬레이션의 정확도를 향상시키기 위해 기계학습을 활용한 데이터 기반 난류 모델링 접근법을 제안한다. RANS의 유동 특징과 DNS로부터 유도된 목표 레이블인 레이놀즈 응력 데이터를 기반으로 보조 모델(surrogate model)을 훈련시켜 다양한 유동 패턴에서 정확하고 계산 효율적인 모델링을 달성하였으며, 준정 steady 평판 채널 유동 케이스에서 검증되었다.

ABSTRACT

Data-driven turbulence modeling is a newly emerged research area in thermal hydraulics simulation of nuclear power plant (NPP). The most common CFD method used in NPP thermal hydraulics simulation is Reynolds-averaged Navier-Stokes (RANS) method, which still has acknowledged deficiencies not only in the calculation speed but also in the complexity of choosing turbulence model and parameters for different flow patterns. Data-driven turbulence modeling aims to develop a RANS-based method which not only computationally efficient but also applicable to different flow patterns. To achieve this goal, the first step is to develop an approach to properly perform RANS for selected flow patterns. In this work, a machine learning approach is selected to achieve this goal. The main purpose of this study is to perform a data-driven approach to model turbulence Reynolds stress leveraging the potential of massive direct numerical simulation (DNS) data. The approach is validated by a turbulence flow validation case: a parallel plane quasi-steady state turbulence flow case. The work contains three parts. The first part is database preparation. In this step, turbulence properties (Reynolds stress) are extracted from DNS results, which are considered as "physically correct data". Meanwhile, flow features are extracted from RANS results, which are considered as "data to be corrected". The second part is surrogate model establishment. In this step, a data-driven regression function is trained between flow features and turbulence properties obtained from the previous step. The last part is model validation, which is applying trained data-driven regression function to a test case to validate this approach.

연구 동기 및 목표

• 다양한 유동 패턴을 다루는 데에 한계가 있는 전통적 RANS 모델의 문제점을 해결하기 위해.
• 原子력 발전소 열유체역학에 적합한 계산 효율적이고 유연한 난류 모델링 프레임워크를 개발하기 위해.
• 대규모 DNS 데이터를 활용해 기계학습 모델을 훈련시켜 정확한 레이놀즈 응력을 예측하기 위해.
• 물리 기반 데이터를 모델링 과정에 통합함으로써 경험적 모델 선택 및 튜닝에 대한 의존도를 줄이기 위해.
• 신뢰성 평가를 위해 표준적인 난류 흐름 케이스에서 데이터 기반 접근법을 검증하기 위해.

제안 방법

• 고정밀 직접 수치 시뮬레이션(DNS) 데이터에서 난류 특성(레이놀즈 응력)을 추출하여 '물리적으로 올바른' 레이블로 사용.
• RANS 시뮬레이션에서 평균 속도 기울기, 변형률률 등 유동 특징을 추출하여 보정이 필요한 입력 데이터로 사용.
• RANS 유동 특징에서 DNS 유래 레이놀즈 응력으로의 매핑을 수행하기 위해 기계학습 회귀 모델을 훈련.
• RANS 기반 유동 특징과 정확한 난류 응력 성분 간의 매핑을 학습하기 위해 보조 모델을 사용.
• 평행 평판 준정상 상태 난류 흐름의 테스트 케이스에서 훈련된 모델을 검증.
• 훈련된 데이터 기반 모델을 활용해 새로운 유동 구조에서 레이놀즈 응력을 예측하고 일반화 능력과 정확도를 평가.

실험 결과

연구 질문

• RQ1 기계학습 기반의 데이터 기반 모델이 RANS 기반 유동 특징만을 입력으로 사용하여 레이놀즈 응력을 정확하게 예측할 수 있는가?
• RQ2 DNS 데이터를 기반으로 훈련된 보조 모델이 평판 채널 흐름과 같은 표준 난류 흐름 케이스에 얼마나 잘 일반화되는가?
• RQ3 데이터 기반 접근법이 다양한 유동 영역에서 난류 모델 파rameter의 수동 튜닝 필요성을 어느 정도 줄이는가?
• RQ4 기존 RANS 모델 대비 계산 효율성을 향상시키면서도 정확도를 유지할 수 있는가?
• RQ5 검증 시나리오에서 기준 DNS 데이터와 비교했을 때 데이터 기반 모델의 예측 정밀도는 어떠한가?

주요 결과

• 데이터 기반 모델은 RANS 유동 특징과 DNS 유래 레이놀즈 응력 간의 매핑을 높은 정확도로 학습하였다.
• 훈련된 보조 모델은 준정상 평판 채널 흐름 테스트 케이스에서 레이놀즈 응력 성분을 정확하게 예측하였다.
• 모델 파rameter 재조정 없이 다양한 유동 조건에서도 안정성을 확보하였다.
• 경험적 난류 모델 선택에 대한 의존도를 감소시켜 다양한 유동 패턴에 적용 가능한 통합 프레임워크를 제공하였다.
• 검증 결과, 데이터 기반 모델이 복잡한 난류 구조를 보다 정확하게 포착하는 데서 기존 RANS 모델을 뛰어넘었다.