[논문 리뷰] Data-driven turbulence modeling

Paola Cinnella|arXiv (Cornell University)|2024. 04. 13.

Meteorological Phenomena and SimulationsEarth and Planetary Sciences인용 수 3

한 줄 요약

이 논문은 데이터 기반 접근법을 통해 레이놀즈 평균 나비에-스토크스(RANS) 난류 모델링을 향상시키는 종합적인 리뷰를 제시하며, 기계 학습과 통계적 추론을 융합하여 모델의 결함을 보완한다. 파라미터 校정에서 심벌릭 회귀 및 물리 기반 학습에 이르기까지 다양한 방법을 제안하며, 복잡한 비평형 유동에 대해 향상된 예측 정확도를 입증한다.

ABSTRACT

This chapter provides an introduction to data-driven techniques for the development and calibration of closure models for the Reynolds-Averaged Navier--Stokes (RANS) equations. RANS models are the workhorse for engineering applications of computational fluid dynamics (CFD) and are expected to play an important role for decades to come. However, RANS model inadequacies for complex, non-equilibrium flows and uncertainties in modeling assumptions and calibration data are still a major obstacle to the predictive capability of RANS simulations. In the following, we briefly recall the origin and limitations of RANS models, and then review their shortcomings and uncertainties. Then, we provide an introduction to data-driven approaches to RANS turbulence modeling. The latter can range from simple model parameter inference to sophisticated machine learning techniques. We conclude with some perspectives on current and future research trends.

연구 동기 및 목표

• 모델링 가정과 校정 불확실성으로 인해 기존 RANS 모델이 복잡한 비평형 난류 유동을 예측하는 데 지속적으로 한계를 보이는 이유를 해결한다.
• 실험 또는 DNS 데이터를 사용하여 RANS 닫힘 항을 향상시키는 데이터 기반 기법을 체계적으로 검토하여 예측 정밀도를 향상시킨다.
• 베이지안 모델 평균화와 기계 학습을 활용한 필드 역학 기반의 비모수적 접근법을 도입하여 강력한 모델 校정 및 구조 선택을 가능하게 한다.
• 물리적 제약 조건과 데이터 기반 보정을 통합하여 기본 유체역학 원칙과의 일관성을 확보한다.
• 희소 식별 및 심벌릭 회귀와 같은 새로운 추세를 통해 데이터에서 해석 가능한 난류 모델을 발견하는 데 초점을 맞춘다.

제안 방법

• 모델 부족성을 보완하기 위해 데이터 기반 추론을 통해 닫힘 항을 모델링하는 기초로 레이놀즈 평균 나비에-스토크스(RANS) 방정식을 사용한다.
• 모델 구조 및 닫힘 계수의 불확실성을 반영하기 위해 베이지안 모델 선택 및 평균화와 같은 비모수적 방법을 적용한다.
• 고정밀도 데이터에서 직접 누락되거나 부정확한 응력 항을 재구성하기 위해 필드 역학 및 기계 학습(FIML)을 활용한다.
• 모델 학습 중 보존 법칙과 대칭 제약 조건을 강제하는 물리 기반 보정 기법을 적용한다.
• 특히 유전자 표현 프로그래밍(GEP)과 희소 식별 방법을 활용한 심벌릭 회귀를 통해 데이터에서 이해할 수 있고 복잡도가 낮은 난류 모델을 발견한다.
• 스Parser RANS 스트레스 이방형성 회귀(SpaRTA) 프레임워크를 도입하여 물리적 해석 가능성을 갖춘 데이터 기반 닫힘 법칙을 가능하게 한다.

실험 결과

연구 질문

• RQ1 어떻게 데이터 기반 방법이 복잡한 비평형 난류 유동에서 RANS 모델의 예측 정확도를 향상시킬 수 있는가?
• RQ2 베이지안 모델 선택 및 평균화는 난류 모델의 구조 및 파rameter에 대한 불확실성을 어떻게 정량화하는가?
• RQ3 물리 기반 기계 학습 기법은 기본 물리 원칙을 위반하지 않으면서 RANS 응력 모델의 불일치를 얼마나 효과적으로 보정할 수 있는가?
• RQ4 GEP 및 희소 식별과 같은 심벌릭 회귀 기법을 통해 DNS 또는 실험 데이터에서 이해 가능한 저차원 난류 닫힘 형식을 발견할 수 있는가?
• RQ5 SpaRTA 방법은 어떻게 RANS 스트레스 이방형성을 강력하고 희소하며 물리적으로 일관된 방식으로 모델링하는가?

주요 결과

• 데이터 기반 RANS 모델링은 강한 비평형 및 분리 영역에서 복잡한 유동에 대해 예측 정확도를 크게 향상시킨다.
• 베이지안 모델 평균화 방법은 난류 모델의 구조적 불확실성을 효과적으로 정량화하여 더 신뢰할 수 있는 시뮬레이션 앙상블를 가능하게 한다.
• FIML 접근법은 사전에 모델 형식을 가정하지 않고도 고정밀도 데이터에서 직접 누락된 응력 항을 재구성할 수 있어 높은 정밀도의 보정을 달성한다.
• 물리 기반 보정은 보존 법칙과 대칭성을 유지하여 학습된 모델이 기본 유체역학 원칙과 일관성을 유지함을 보장한다.
• GEP 및 희소 식별과 같은 심벌릭 회귀 기법은 DNS 데이터에서 알려진 및 새로운 난류 닫힘 형식을 성공적으로 회복하였으며, 높은 정확도와 해석 가능성을 입증하였다.
• SpaRTA 프레임워크는 기존 모델보다 벤치마크 유동에서 뛰어난 성능을 보이는 희소하고 물리적으로 의미 있는 RANS 스트레스 닫힘을 발견할 수 있도록 한다.