[논문 리뷰] DeepCFD: Efficient Steady-State Laminar Flow Approximation with Deep Convolutional Neural Networks

Mateus Dias Ribeiro, Abdul Rehman외 2명|arXiv (Cornell University)|2020. 04. 19.

Model Reduction and Neural Networks참고 문헌 18인용 수 56

한 줄 요약

DeepCFD는 경계 기하로부터 2D 비균일 정상 층류 해(속도 및 압력)를 근사하기 위해 다중 디코더를 갖춘 U-Net으로 구성된 CNN을 사용하며, 표준 CFD 대비 최대 3오더의 속도 향상을 저오류로 제공합니다. GPU 가속은 최대 5오더의 속도 향상을 제공합니다.

ABSTRACT

Computational Fluid Dynamics (CFD) simulation by the numerical solution of the Navier-Stokes equations is an essential tool in a wide range of applications from engineering design to climate modeling. However, the computational cost and memory demand required by CFD codes may become very high for flows of practical interest, such as in aerodynamic shape optimization. This expense is associated with the complexity of the fluid flow governing equations, which include non-linear partial derivative terms that are of difficult solution, leading to long computational times and limiting the number of hypotheses that can be tested during the process of iterative design. Therefore, we propose DeepCFD: a convolutional neural network (CNN) based model that efficiently approximates solutions for the problem of non-uniform steady laminar flows. The proposed model is able to learn complete solutions of the Navier-Stokes equations, for both velocity and pressure fields, directly from ground-truth data generated using a state-of-the-art CFD code. Using DeepCFD, we found a speedup of up to 3 orders of magnitude compared to the standard CFD approach at a cost of low error rates.

연구 동기 및 목표

• 정상상 층류에 대한 전통적 CFD의 높은 계산 비용 문제를 해결한다.
• 기하 입력으로부터 전체 속도 및 압력장을 재구성하는 CNN 기반 대리 모형을 개발한다.
• 결합된 흐름장을 보존하면서 CFD 해석기 대비 정확도 향상과 상당한 속도 향상을 입증한다.
• 커뮤니티 기여를 위한 오픈 소스 코드와 데이터셋을 제공한다.

제안 방법

• CNN 기반 대리 모형을 학습하기 위해 OpenFOAM simpleFoam의 실제 해 데이터를 사용하여 CNN 기반 대리 모형을 학습한다.
• 기하를 부호가 있는 거리 함수(SDF)와 다중 등급 흐름 영역 채널 입력으로 표현한다.
• Ux, Uy, p를 예측하기 위해 별도 디코더를 가진 U-Net 유사 구조(DeepCFD)를 사용한다.
• 4개의 아키텍처와 108개의 구성을 대상으로 하이퍼파라미터 탐색을 수행하여 최적 모델(UNet-3, 별도 디코더)을 선택한다.
• AdamW로 학습시키고, 속도 손실은 MSE를, 압력 손실은 결합 안정화를 위해 MAE를 사용하며, 출력 간 손실을 정규화한다.

실험 결과

연구 질문

• RQ1 무작위로 형상화된 장애물 주변의 2D 정상 상태 층류에 대해 CNN 대리 모형이 속도와 압력을 정확히 재구성할 수 있는가?
• RQ2 별도 디코더가 있는 U-Net이 결합된 속도–압력장을 예측하는 데 있어서 기본 오토인코더 변형보다 더 우수한가?
• RQ3 제안된 DeepCFD 모델과 전통적인 CFD를 CPU와 GPU에서 비교할 때 정확도와 속도향상의 trade-off는 무엇인가?

주요 결과

• UNet-3 및 별도 디코더를 갖춘 DeepCFD는 기준선(Baseline) 및 AE 변형들보다 Ux(0.7730 ±0.0897), Uy(0.2153 ±0.0186), p(1.0420 ±0.0431)의 MSE를 더 낮게 제공한다.
• DeepCFD UNet-3의 전체 테스트 MSE는 2.0303 ±0.1360으로, 최고 basel ine(AE-1: 4.4981 ±0.1753; UNet-1: 2.9203 ±0.1520)를 능가한다.
• DeepCFD는 모든 출력에서 베이스라인을 상회하며, 압력 예측은 시작부터 개선되며(베이스라인 총 MSE 대비 약 17% 더 낮음).
• 예측 시간은 큰 속도 향상을 보여준다: CPU-CPU는 배치당 약 1,000–1,500배 빠름(1, 10, 100); GPU-CPU는 배치 크기 1–100에서 약 5×10^4–5×10^5배 빠름.
• 전반적으로 DeepCFD는 CPU에서 최대 3오더, GPU에서 최대 5오더의 속도 향상을 달성하며 낮은 오차율을 보인다.
• 정성적 유동 재구성은 다양한 장애물 모양에서 주요 특징(압력 영역, 유동 분리)을 Ground-truth CFD와 유사하게 포착한다.