[논문 리뷰] Deep learning approach in multi-scale prediction of turbulent mixing-layer

Jinu Lee, Sang-Seung Lee외 1명|arXiv (Cornell University)|2018. 09. 19.

Model Reduction and Neural Networks참고 문헌 28인용 수 6

한 줄 요약

이 논문은 블러링된, 저해상도의 대규모 유동 데이터만을 입력으로 사용하여 혼합층 유동에서 미세 구조의 난류를 예측하기 위해 3D 컨volution 신경망 기반 생성적 적대적 네트워크(GAN)를 제안한다. 전처리를 거치지 않은 직접 수치 시뮬레이션(DNS) 데이터를 기반으로 훈련함으로써, 계산 비용을 줄이며 미세 소용권의 고해상도 재구성 성능을 달성하였으며, 복잡한 유체역학에서 다중 해상도 예측 능력을 입증하였다.

ABSTRACT

Achievement of solutions in Navier-Stokes equation is one of challenging quests, especially for its closure problem. For achievement of particular solutions, there are variety of numerical simulations including Direct Numerical Simulation (DNS) or Large Eddy Simulation (LES). These methods analyze flow physics through efficient reduced-order modeling such as proper orthogonal decomposition or Koopman method, showing prominent fidelity in fluid dynamics. Generative adversarial network (GAN) is a reprint of neurons in brain as combinations of linear operations, using competition between generator and discriminator. Current paper propose deep learning network for prediction of small-scale movements with large-scale inspections only, using GAN. Therefore DNS result of three-dimensional mixing-layer was filtered blurring out the small-scaled structures, then is predicted of its detailed structures, utilizing Generative Adversarial Network (GAN). This enables multi-resolution analysis being asked to predict fine-resolution solution with only inspection of blurry one. Within the grid scale, current paper present deep learning approach of modeling small scale features in turbulent flow. The presented method is expected to have its novelty in utilization of unprocessed simulation data, achievement of 3D structures in prediction by processing 3D convolutions, and predicting precise solution with less computational costs.

연구 동기 및 목표

• 나비에-스토크스 방정식의 폐쇄 문제를 해결하기 위해 대규모 유동 데이터로부터 미세 구조의 난류 특성을 정확히 예측할 수 있도록 하는 것.
• 기존의 적합성 분석이나 쿠퍼만 분석과 같은 전통적인 모델 단순화 기법을 회피하는 딥러닝 프레임워크를 개발하는 것.
• 저해상도, 블러링된 입력만을 사용하여 실시간으로 고해상도 3D 난류 혼합층 유동을 예측할 수 있도록 하는 것.
• 보간 또는 정규화를 초과한 스케일링 외에 전처리 없이도 원시적이고 비균일한 DNS 데이터를 기반으로 훈련하는 것이 가능한지 검증하는 것.

제안 방법

• 블러링된 저해상도 입력으로부터 미세 구조의 난류 구조를 재구성하기 위해 생성자와 판별기를 포함한 3D 컨volution GAN 아키텍처를 사용한다.
• 공간적으로 변화하는 혼합층의 3D DNS 데이터를 사용하여 모델을 훈련시키며, 입력은 각 격자 점에서의 속도, 압력 및 공간 좌표로 구성된다.
• 대규모 관측을 시뮬레이션하기 위해 DNS 데이터에 가우시안 블러링을 적용하고, 이를 조건부 입력으로 사용하여 고해상도 유동장 예측을 수행한다.
• 시뮬레이션 격자 내에서 비균일한 세포 중심 데이터 분포를 처리하기 위해 공간 좌표(x, y, z)를 추가 입력 특성으로 통합한다.
• 시간에 따른 비정상적인 흐름 변화를 일관되게 예측하기 위해 Mathieu 등이 제안한 비디오 예측 모델을 유사하게 적용한다.
• 시각적 손실과 적대적 손실을 조합한 손실 함수를 사용하며, 전체 전역 손실은 11,000개의 훈련 에포크 동안 최소화된다.

실험 결과

연구 질문

• RQ1 전처리 또는 보간 없이도 깊이 학습 모델이 블러링된 대규모 유동 데이터로부터 높은 해상도의 난류 구조를 재구성할 수 있는가?
• RQ2 저해상도 조건부 입력만을 사용할 때 3D GAN 모델이 난류 혼합층에서 미세 구조의 소용권 역학과 세부 특징을 얼마나 잘 유지할 수 있는가?
• RQ3 PSNR 및 날카움 차이 오차와 같은 오차 지표를 기준으로 GAN 기반 예측 성능이 기준값 DNS 데이터와 비교해 어떤가?
• RQ4 비균일한 원시 DNS 데이터를 사용할 경우 다중 해상도 난류 유동 예측에서 모델의 일반화 능력과 훈련 안정성에 어떤 영향을 미치는가?

주요 결과

• 모델은 모든 매개변수 평균에서 PSNR 32.17과 날카움 차이(Sharp.diff.) 오차 25.93를 기록하여 흐름장의 고해상도 재구성 능력을 입증하였다.
• 훈련 중 전역 손실은 11,000번째 에포크에 약 535로 안정화되어 GAN 훈련 과정의 수렴을 나타내었다.
• 예측된 소용권 밀도장(λ₂ 기준)은 블러링된 입력 대비 더 뚜렷한 미세 구조를 보였지만, 여전히 기준값 DNS 데이터보다는 해상도가 낮았다.
• 모델은 높은 해상도의 세부 구조를 포함한 갈릴레오 불변 소용권을 성공적으로 생성하여, 복잡한 3D 난류 역학을 포착할 수 있는 능력을 입증하였다.
• 코모고로프 미세 척도 η는 Re⁻³/⁴ 비례로 스케일링됨을 발견하여 이론적 기대와 일치하며, 예측된 미세 구조의 물리적 일관성을 검증하였다.
• 데이터 보간 또는 전처리 없이 3D 컨볼루션을 사용하여 속도 및 압력장의 정밀한 3D 재구성을 달성하였으며, 계산 오버헤드를 감소시켰다.