[논문 리뷰] Construction of low-dimensional system reproducing low-Reynolds-number turbulence by machine learning

Masaki Shimizu, Genta KAWAHARA|arXiv (Cornell University)|2018. 03. 22.

Fluid Dynamics and Turbulent Flows인용 수 3

한 줄 요약

이 논문은 평면 쿠엣 흐름에서 저레이놀즈수 난류를 정확하게 재현하는 저차원 동역계를 구축하기 위한 머신러닝 접근법을 제안한다. 커널 퀀틸리지 회귀를 사용해 직접 수치 시뮬레이션(DNS) 데이터를 학습함으로써, 운동 에너지 및 에인스트로피와 같은 물리적으로 의미 있는 변수의 정밀한 매핑 함수를 도출한다. 이로 인해 낮은 오차로 고정밀도이고 계산 비용이 적은 난류 궤적과 주요 유동 양을 예측할 수 있다.

ABSTRACT

In a dissipative system, there exists the (global) attractor which has finite fractal dimensions. The flow on the attractor can be parametrized by a finite number of parameters (Temmam 1987). Using machine learning we demonstrate how to construct precise low-dimensional governing equations which are valid in some range of Reynolds number for low-Reynolds-number turbulence in plane Couette flow.

연구 동기 및 목표

• 저레이놀즈수 난류의 평면 쿠엣 흐름에서의 애트랙터 역학을 정확히 재현하는 데이터 기반의 저차원 동역계를 개발하기 위해.
• 유한한 수의 물리적으로 관련 있는 변수(예: 운동 에너지, 에인스트로피)가 난류 애트랙터를 완전히 매개변수화할 수 있음을 입증하기 위해.
• 직접 수치 시뮬레이션(DNS)에 비해 상당히 낮은 계산 비용으로 난류 궤적과 흐름 양을 고정밀도로 예측할 수 있도록 하기 위해.
• 핵심 물리적 양(예: 에인스트로피)과 저차원 상태 변수 사이의 기능적 관계를 탐색하여, 기저의 위상공간 구조를 드러내기 위해.

제안 방법

• 압축성 없는 나비에-스토크스 방정식의 직접 수치 시뮬레이션(DNS)에서 훈련 데이터를 생성한다. 주기적 상자와 특정 경계 조건을 가진다.
• 시스템의 상태는 M개의 공간 평균 변수로 표현된다(예: $E_y = \langle u_y^2 \rangle_{xyz}$, $E_z = \langle u_z^2 \rangle_{xyz}$, $I = \langle \Delta \mathbf{u}^2 \rangle_{xyz}$, $W = \text{총 에인스트로피}$).
• R 패키지 kernlab에 구현된 커널 퀀틸리지 회귀(kqr)를 사용한 다중 회귀를 통해 저차원 매핑을 구축하며, 정규화 파rameter $C$는 $[100, 1000]$ 범위에서 최적화된다.
• 시간 이산화 단계에서 다음 상태를 예측하기 위해 매핑 $X_i^{n+1} = \tilde{F}_i(X_1^n, \dots, X_M^n)$을 학습한다.
• 동일한 초기 조건을 가진 테스트 세트에서 예측된 궤적(예: 에인스트로피 $W$)을 DNS 데이터와 비교하여 모델을 검증한다.
• 위상공간 분석을 가능하게 하기 위해 상태 변수에 대한 함수적 관계 $\tilde{W}(E_x, E_y, E_z, I)$를 학습하여 총 에인스트로피를 예측한다.

실험 결과

연구 질문

• RQ1 직접 수치 시뮬레이션(DNS) 데이터로부터 저차원 동역계를 구성할 수 있는가? 이는 평면 쿠엣 흐름에서 저레이놀즈수 난류의 애트랙터 역학을 정확히 재현할 수 있는가?
• RQ2 고정밀도로 난류 애트랙터를 매개변수화하기 위해 필요한 최소한의 물리적으로 의미 있는 변수는 무엇인가?
• RQ3 머신러닝을 사용해 소수의 상태 변수만으로 장기적인 난류 궤적과 주요 흐름 양(예: 에인스트로피)을 얼마나 정확하게 예측할 수 있는가?
• RQ4 저차원 시스템에서 에너지, 에인스트로피, 입력을 기반으로 에인스트로피를 함수로 표현할 경우, 위상공간의 구조는 어떻게 되는가?
• RQ5 구축된 저차원 시스템은 전체 DNS에서 관찰된 분기 구조(예: 주기 두重화 연속체)를 유지하는가?

주요 결과

• Re = 170일 때, 상태 변수로 $E_y$와 $E_z$를 사용하는 이차원 매핑은 $L_2$ 오차가 훈련 샘플 수 $N$에 따라 감소하며, 정규화와 시간 해상도에 따라 결정되는 하한선에 도달한다.
• 훈련 샘플 수 $N = 500$일 때, 저차원 시스템에서 예측한 총 에인스트로피 $W$의 궤적이 500개 시간 단계 동안 DNS 궤적과 매우 유사하다.
• Re = 183.1에서 구성된 함수 $\tilde{W}(E_x, E_y, E_z, I)$는 애트랙터 전역에서 총 에인스트로피를 높은 정확도로 예측하며, DNS 데이터와의 비교로 확인되었다.
• Poincaré 단면 $E_z = 0.005$에서 $\tilde{W}$는 에너지 입력 $I$에 대해 매끄럽고 단조로운 의존성을 보이며, 위상공간 내 국소적이고 단순한 구조를 나타낸다.
• 애트랙터의 높은 에인스트로피 상태는 위상공간에서 매우 국소적으로 분포해 있어, 극단적인 난류 상태가 저차원 다양체의 작은 영역을 차지하고 있음을 시사한다.
• 저차원 시스템은 전체 나비에-스토크스 시스템에서 관찰된 분기도표(예: 주기 두重화를 통한 혼돈의 기원)를 성공적으로 재현하였으며, 모델의 빨간 점들이 DNS의 검은 선과 매우 잘 일치한다.