[논문 리뷰] An Adaptive Pole-Matching Method for Interpolating Reduced-Order Models

Yue Yao, Lihong Feng외 1명|arXiv (Cornell University)|2019. 08. 02.

Model Reduction and Neural Networks참고 문헌 17인용 수 5

한 줄 요약

이 논문은 분기 및 바운드를 통해 조합 최적화 문제로 극적 매칭을 효율적으로 해결함으로써, 복잡한 매개변수 의존성에 걸쳐 정확하고 안정적이며 효율적인 pROM 구축을 가능하게 하는 적응형 극 매칭 방법을 제안한다. 이 방법은 적응형 샘플링과 선택적 회귀를 통해 저장 용량을 줄일 수 있으며, 33,051개의 자유도를 가진 맥스웰 방정식 모델에서 높은 정확도와 강건성을 입증하였다.

ABSTRACT

An adaptive parametric reduced-order modeling method based on interpolating poles of reduced-order models is proposed in this paper. To guarantee correct interpolation, a pole-matching process is conducted to determine which poles of two reduced-order models correspond to the same parametric pole. First, the pole-matching in the scenario of parameter perturbation is discussed. It is formulated as a combinatorial optimization problem and solved by a branch and bound algorithm. Then, an adaptive framework is proposed to build repository ROMs at adaptively chosen parameter values, which well represent the parameter domain of interest. To achieve this, we propose techniques including a predictor-corrector strategy and an adaptive refinement strategy, which enable us to use larger steps to explore the parameter domain of interest with good accuracy. The framework also consists of regression as an optional post-processing phase to further reduce the data storage. The advantages over other parametric reduced-order modeling approaches are, e.g., compatibility with any model order reduction method, constant size of the parametric reduced-order model with respect to the number of parameters, and capability to deal with complicated parameter dependency.

연구 동기 및 목표

• 상태공간 형태로 제공되지 않는 전체 모델이 없는 경우, 매개변수 감소된 순서 모델(pROMs)의 정확하고 효율적인 보간 문제를 해결하기 위해.
• 매개변수 모델 순서 감소에서 난이도가 높고 불안정한 브루트 포스 극 매칭의 계산 불가능성 문제를 해결하기 위해.
• 고정밀도와 최소한의 데이터 저장 용량을 확보하기 위해 최적의 매개변수 샘플을 선택하는 적응형 프레임워크를 개발하기 위해.
• 로컬 ROM의 생성 방식에 관계없이, 어떤 모델 순서 감소 방법과도 안정적이고 호환 가능한 방식으로 보장하기 위해.
• 보간 및 선택적 회귀를 통해 비선형 또는 다항식이 아닌 행동을 포함하는 복잡한 매개변수 의존성도 강건하게 다룰 수 있도록 하기 위해.

제안 방법

• 모든 로컬 감소된 순서 모델(ROMs)을 극-잔류 표현으로 변환하여 매개변수 값 간 일관된 표현을 보장한다.
• 두 ROM 간의 극 매칭을 조합 최적화 문제로 설정하여 극과 잔류의 정확한 대응을 찾는다.
• 특히 작은 매개변수 변동에 대해 양호한 초기 추정치를 제공할 수 있기 때문에, 극 매칭 문제를 효율적으로 해결하기 위해 분기 및 바운드 알고리즘을 사용한다.
• 예측-보정 전략과 정밀화 히우리스틱을 활용한 적응형 프레임워크는 정확도를 유지하면서도 더 큰 단계로 매개변수 영역을 탐색할 수 있다.
• 데이터를 추가적으로 압축하기 위해, 매개변수 공간에서 저차수 다항식을 사용하여 pROM을 근사하는 방식으로 후처리 단계에서 회귀를 적용한다.
• 보간된 극이 왼쪽 반평면에 머무르도록 보장함으로써 안정성을 유지하며, 필요에 따라 선형 보간으로 대체할 수 있다.

실험 결과

연구 질문

• RQ1 매개변수 변동에 대응하여 감소된 순서 모델 간의 극 매칭을 어떻게 효율적이고 강건하게 수행할 수 있는가?
• RQ2 어떤 적응형 샘플링 전략이 최소한의 레포지토리 ROM으로 매개변수 영역을 정확하게 표현할 수 있는가?
• RQ3 보간 기반 pROM은 고유값 분기점 근처에서도 정확하게 유지될 수 있는가?
• RQ4 회귀는 매개변수 모델 순서 감소에서 정확도를 유지하면서 데이터를 얼마나 효과적으로 압축할 수 있는가?
• RQ5 제안된 프레임워크에서 임의의 모델 순서 감소 방법과 호환되며 안정성을 보장하기 위한 조건은 무엇인가?

주요 결과

• 브루트 포스 열거에 비해 분기 및 바운드 방법은 특히 작은 매개변수 변동에 대해 극 매칭의 효율성과 강건성을 크게 향상시켰다.
• 예측-보정 및 정밀화 전략을 포함한 적응형 프레임워크는 매개변수 범위 [0.5, 0.9]에서 필요한 ROM 수를 18개로 줄였으며, 허용 오차 τₑ = 0.00001로 높은 정확도를 달성했다.
• 보간된 pROM과 회귀된 pROM 모두 분기선 커플러 모델의 동역학을 정확히 포착했으며, 주파수 영역에서 상대 오차가 10⁻⁴ 이하였다.
• 회귀는 모든 주요 극이 정확히 매칭된 경우에만 효과적이었으며, 극 매칭 오류가 있을 경우 전반적인 근사가 열악해지므로, 회귀가 매칭 오류에 매우 민감함을 시사했다.
• 극 기반 보간을 통해 자연스럽게 안정성이 유지되었으며, 왼쪽 반평면 내에서 극을 선형 보간하는 방식은 안정성을 유지한다.
• 이 방법은 데이터 기반 및 투영 기반 ROM을 포함한 어떤 모델 순서 감소 방법과도 호환되며, 복잡한 매개변수 의존성에 대해 효과적으로 대응할 수 있다.