[논문 리뷰] Constrained Sparse Galerkin Regression

Jean-Christophe Loiseau, Steven L. Brunton|arXiv (Cornell University)|2016. 11. 10.

Model Reduction and Neural Networks참고 문헌 36인용 수 6

한 줄 요약

이 논문은 에너지 보존을 위한 이차 비선형성을 포함한 물리적 제약 조건을 강제하는 제약 조건이 있는 희소 갈레르킨 회귀를 소개한다. 이는 고유직교분해(POD)와 희소 회귀를 조합하여 유체 흐름의 비선형 축소 차원 모델을 데이터 기반으로 식별하는 방법이다. 이 방법은 고정밀도 해석기기의 필요 없이 기존 갈레르킨 투영 방법과 유사한 정확도를 달성하며, 잘리거나 생략된 모드를 모델링하는 데 필수적인 삼차 비선형성을 효과적으로 포착한다. 실린더 및 고리 흐름 사례에서 기존 방법보다 뛰어난 성능을 보였다.

ABSTRACT

Although major advances have been achieved over the past decades for the reduction and identification of linear systems, deriving nonlinear low-order models still is a chal- lenging task. In this work, we develop a new data-driven framework to identify nonlinear reduced-order models of a fluid by combining dimensionality reductions techniques (e.g. proper orthogonal decomposition) and sparse regression techniques from machine learn- ing. In particular, we extend the sparse identification of nonlinear dynamics (SINDy) algorithm to enforce physical constraints in the regression, namely energy-preserving quadratic nonlinearities. The resulting models, hereafter referred to as Galerkin regression models, incorporate many beneficial aspects of Galerkin projection, but without the need for a full-order or high-fidelity solver to project the Navier-Stokes equations. Instead, the most parsimonious nonlinear model is determined that is consistent with observed mea- surement data and satisfies necessary constraints. Galerkin regression models also readily generalize to include higher-order nonlinear terms that model the effect of truncated modes. The effectiveness of Galerkin regression is demonstrated on two different flow configurations: the two-dimensional flow past a circular cylinder and the shear-driven cavity flow. For both cases, the accuracy of the identified models compare favorably against reduced-order models obtained from a standard Galerkin projection procedure. Present results highlight the importance of cubic nonlinearities in the construction of accurate nonlinear low-dimensional approximations of the flow systems, something which cannot be readily obtained using a standard Galerkin projection of the Navier-Stokes equations. Finally, the entire code base for our constrained sparse Galerkin regression algorithm is freely available online.

연구 동기 및 목표

• 고정밀도 해석기기의 의존 없이 비선형 유체 흐름의 축소 차원 모델을 식별하기 위한 데이터 기반 프레임워크를 개발하는 것.
• 특히 에너지 보존을 위한 이차 비선형성을 포함한 물리적 제약 조건을 희소 회귀에 통합하여 모델의 정확도를 향상시키는 것.
• 더 높은 차수의 비선형 항을 포함시켜 잘린 모드를 정확하게 모델링할 수 있도록 하는 것.
• 표준 유체역학 문제인 실린더 뒤 흐름과 층류 유도 고리 흐름에서 이 방법의 효과성을 입증하는 것.
• 재현 가능성과 유체역학 연구 분야에서의 광범위한 활용을 위해 자유로운 코드베이스를 제공하는 것.

제안 방법

• 차원 축소를 위해 고유직교분해(POD)를 사용하고, 방정식 식별을 위해 비선형 역학의 희소 식별(SINDy)을 조합한다.
• 나비에-스토크스 방정식과의 구조적 일致성을 유지하기 위해 희소 회귀 최적화를 수정함으로써 물리적 제약 조건—특히 에너지 보존을 위한 이차 비선형성—을 강제한다.
• 잘린 POD 모드의 영향을 모델링하기 위해 SINDy를 삼차 비선형 항까지 확장함으로써 모델 정확도를 향상시킨다.
• 모델 복잡도와 데이터 적합도의 균형을 이루기 위해 스파arsity 노브 λ를 사용하며, 사전 평가 지표인 r² 점수와 비제로 계수의 수를 기반으로 모델을 선별한다.
• CVXOPT 등을 통해 볼록 최적화를 활용하여 희소 회귀 문제를 효율적이고 안정적으로 해결한다.
• 정확도와 희소성 사이의 파레토 최적 해를 찾는 모델 선택 기법을 적용하여 과적합 및 과소적합을 방지한다.

실험 결과

연구 질문

• RQ1 데이터 기반 희소 회귀 프레임워크가 핵심 물리적 제약 조건을 유지하면서도 비선형 축소 차원 모델을 정확하게 식별할 수 있는가?
• RQ2 고정밀도 방정식에 접근할 수 없더라도 제약 조건이 있는 희소 갈레르킨 회귀가 고정밀도 유체 시뮬레이션의 역학을 얼마나 정확히 재현할 수 있는가?
• RQ3 삼차 비선형성은 축소 차원 모델의 정확도에 어떤 영향을 미치며, 데이터 기반 방법을 통해 효과적으로 포착될 수 있는가?
• RQ4 에너지 보존을 위한 이차 비선형성을 강제하는 것이 제약 조건이 없는 희소 회귀에 비해 모델의 안정성과 예측 정확도를 향상시키는가?
• RQ5 제안된 방법은 블러프 바디 흐름과 고리 흐름과 같은 다양한 유동 구조에 대해 최소한의 사전 지식으로 일반화 가능한가?

주요 결과

• 제약 조건이 있는 희소 갈레르킨 회귀 모델은 고정밀도 해석기기 없이도 표준 갈레르킨 투영 방법과 유사한 예측 정확도를 달성한다.
• Re=100인 2차원 실린더 흐름에서 삼차 모델(B1)은 계수 0.0053를 가진 a₁³ 및 계수 -2.487을 가진 a₁a₂²와 같은 중요한 삼차 항을 포함하며, 이는 역학적 특성을 포착하는 데 필수적이다.
• Re=4250인 층류 유도 고리 흐름에서 삼차 모델(B2)은 계수 0.2242를 가진 a₁a₂aΔ 및 계수 2.445를 가진 a₂³와 같은 강한 삼차 상호작용을 포함하며, 이는 고차항의 중요성을 시사한다.
• 이 방법은 계수 13.53인 a₁aΔ 및 계수 -13.53인 a₂aΔ와 같은 항을 통해 평균 흐름 왜곡 역학을 효과적으로 식별하여 평형이 아닌 행동을 포착하는 데 필수적이다.
• 스파arsity 노브 λ를 통한 모델 선택 결과, λ≈0.1 근처에서 파레토 프론트에 무릎이 생기며, 이는 추가적인 희소성으로 정확도가 급격히 감소하는 균형점임을 나타낸다.
• 전체 알고리즘과 코드베이스는 공개되어 있어 재현성과 다른 유체 시스템으로의 확장이 가능하다.