[논문 리뷰] A Perspective on Machine Learning Methods in Turbulence Modelling

Andrea Beck, Marius Kurz|arXiv (Cornell University)|2020. 01. 01.

Fluid Dynamics and Turbulent Flows참고 문헌 75인용 수 4

한 줄 요약

이 논문은 대규모 난류 시뮬레이션(Large Eddy Simulation, LES)과 레이놀즈 평균 나비에-스토크스(RANS)에 응용된 기계학습(ML)에 대한 종합적인 시각을 제공한다. 주로 데이터 기반의 닫힘 모델링에 초점을 맞추며, 훈련 데이터, 물리 모델, 이산화 기법, 그리고 기초 물리 법칙 간의 일관성의 필수성을 강조한다. 또한, 특히 지도 학습과 물리 법칙을 통합한 신경망(PINNs)을 포함한 ML 철학을 조사하고, 모델의 정수 추정, 모델 식별, 닫힘 항 재구성 등의 역할을 설명한다.

ABSTRACT

This work presents a review of the current state of research in data-driven turbulence closure modeling. It offers a perspective on the challenges and open issues, but also on the advantages and promises of machine learning methods applied to parameter estimation, model identification, closure term reconstruction and beyond, mostly from the perspective of Large Eddy Simulation and related techniques. We stress that consistency of the training data, the model, the underlying physics and the discretization is a key issue that needs to be considered for a successful ML-augmented modeling strategy. In order to make the discussion useful for non-experts in either field, we introduce both the modeling problem in turbulence as well as the prominent ML paradigms and methods in a concise and self-consistent manner. Following, we present a survey of the current data-driven model concepts and methods, highlight important developments and put them into the context of the discussed challenges.

연구 동기 및 목표

• . 이 논문은 비전문가를 대상으로 기계학습과 난류 모델링 간 격차를 메우는 것을 목표로 한다.
• ML이 강화된 난류 시뮬레이션에서 데이터 일관성, 모델-데이터 일치, 해석 가능성의 핵심 과제를 규명한다.
• 저자들은 ML이 제1원리 기반 모델링의 보완 도구로 기능할 뿐, 대체 도구로 기능하지 않음을 명확히 하고자 한다.
• 진전을 통합하기 위해 공동체 차원의 벤치마킹을 통해 표준화된 데이터 세트를 도입할 것을 주장한다.
• 이 목표에는 ML 기반 분석을 통해 LES와 RANS 간의 일관성 문제를 깊이 이해하는 데 있다.

제안 방법

• . 이 논문은 RANS와 LES의 기본 개념을 소개하며, 그들의 수학적 표현과 해법에 대한 의존성에 중점을 둔다.
• 주요 ML 철학을 조사하며, 특히 지도 학습과 신경망에 중점을 두어 난류 모델링에 대한 그들의 관련성을 설명한다.
• 저자들은 ML 기반 모델링을 위한 계층적 프레임워크를 제시하며, 파rameter 조정에서부터 전체 PDE의 ML에 의한 대체에 이르기까지의 범위를 다룬다.
• 물리 법칙을 통합한 신경망(PINNs)은 신경망의 손실 함수에 PDE 제약 조건을 직접 통합하는 방법으로 논의된다.
• 이 접근법은 모델, 훈련 데이터, 이산화 기법, 물리 법칙 간의 일관성을 강조하여 임의의 해를 방지한다.
• 이 논문은 개방형 훈련 데이터(예: DNS에서 유래한 데이터)와 블라인드 테스트 세트를 포함한 공동체 기반 벤치마킹 프레임워크를 주장한다.

실험 결과

연구 질문

• RQ1 . 기계학습 방법은 LES와 RANS의 난류 닫힘 모델링에 효과적이고 일관적으로 어떻게 적용될 수 있는가?
• RQ2 훈련 데이터, 물리 모델, 이산화 기법, ML 모델 간의 일관성을 확보하기 위한 핵심 과제는 무엇인가?
• RQ3 기계학습 방법이 전통적인 난류 모델을 개선하거나 대체할 수 있는 정도는 어느 정도이며, 물리적 해석 가능성은 유지되는가?
• RQ4 다른 연구 팀 간에 표준화되고 재현 가능한 방식으로 ML 기반 모델을 검증하고 비교할 수 있는 방법은 무엇인가?
• RQ5 물리 법칙을 통합한 신경망은 데이터 기반 난류 모델링에서 PDE 일관성을 유지하는 데 어떤 역할을 하는가?

주요 결과

• . ML 기반 난류 모델링의 성패는 데이터, 모델, 이산화 기법, 물리 법칙 간의 일관성에 크게 좌우된다.
• 그리드 필터링과 수치 이산화 기법으로 인한 LES 내 일관성 문제로 인해 벤치마크 결과에 상당한 변동이 발생하며, ML은 이러한 문제를 드러내고 해결하는 데 도움을 줄 수 있다.
• . 기계학습 방법은 물리적 제약 조건에 따라 안내될 경우, 닫힘 항 재구성과 난류 흐름 내 숨겨진 상관관계 식별에 강력한 잠재력을 보인다.
• 초기 성공에도 불구하고, 수백만 개의 하이퍼파rameter와 낮은 해석 가능성으로 인해 ML 모델은 새로운 불확실성을 유발하며 재현 가능성의 복잡성을 증가시킨다.
• 저자들은 개방형 훈련 데이터와 블라인드 테스트 세트를 포함한 공동체 차원의 벤치마킹 이니셔티브가 진전을 위해 필수적이라고 결론을 내린다.
• 물리 법칙을 통합한 신경망(PINNs)은 PDE를 직접 학습에 통합할 수 있는 유망한 길을 제공하지만, 그 실용성과 안정성은 향후 검증이 필요하다.