[논문 리뷰] E2N: Error Estimation Networks for Goal-Oriented Mesh Adaptation

Joseph G. Wallwork, Jingyi Lu외 2명|arXiv (Cornell University)|2022. 07. 22.

Model Reduction and Neural Networks인용 수 5

한 줄 요약

이 논문은 목표 지향적 메쉬 적응에서 계산 비용이 큰 애드조인트 기반 오차 추정을 대체하는 데이터 기반 신경망 프레임워크인 E2N을 제안한다. 메쉬와 물리적 특징을 사용하여 요소별 오차 기여도를 예측하는 신경망을 훈련시킴으로써, E2N는 전통적 방법과 유사한 정확도를 확보하면서도 계산 비용을 크게 감소시킨다. 이는 전력 출력을 목표 양으로 삼는 tidal turbine farm 시뮬레이션에서 입증되었다.

ABSTRACT

Given a partial differential equation (PDE), goal-oriented error estimation allows us to understand how errors in a diagnostic quantity of interest (QoI), or goal, occur and accumulate in a numerical approximation, for example using the finite element method. By decomposing the error estimates into contributions from individual elements, it is possible to formulate adaptation methods, which modify the mesh with the objective of minimising the resulting QoI error. However, the standard error estimate formulation involves the true adjoint solution, which is unknown in practice. As such, it is common practice to approximate it with an 'enriched' approximation (e.g. in a higher order space or on a refined mesh). Doing so generally results in a significant increase in computational cost, which can be a bottleneck compromising the competitiveness of (goal-oriented) adaptive simulations. The central idea of this paper is to develop a "data-driven" goal-oriented mesh adaptation approach through the selective replacement of the expensive error estimation step with an appropriately configured and trained neural network. In doing so, the error estimator may be obtained without even constructing the enriched spaces. An element-by-element construction is employed here, whereby local values of various parameters related to the mesh geometry and underlying problem physics are taken as inputs, and the corresponding contribution to the error estimator is taken as output. We demonstrate that this approach is able to obtain the same accuracy with a reduced computational cost, for adaptive mesh test cases related to flow around tidal turbines, which interact via their downstream wakes, and where the overall power output of the farm is taken as the QoI. Moreover, we demonstrate that the element-by-element approach implies reasonably low training costs.

연구 동기 및 목표

• 유한요소 시뮬레이션에서 목표 지향적 오차 추정의 계산 병목 현상을 줄이기 위해, 특히 고비용의 애드조인트 해를 근사하는 데 기인한 문제를 해결한다.
• 풍부한 유한요소 공간을 구성하는 것을 피하기 위해 전통적 오차 추정의 데이터 기반 대체 방법을 개발한다.
• 훈련된 신경망을 사용하여 국소 오차 기여도를 예측함으로써 요소별로 독립적인 메쉬 적응을 가능하게 한다.
• 실제 해안 오션 모델링 문제, 특히 조류 터빈 팜을 포함한 문제에 대해 이 방법의 타당성과 효율성을 입증한다.
• 미래 연구에서 시간에 따라 변화하는 문제와 복잡한 기하학적 구조로의 방법 확장 가능성을 탐색한다.

제안 방법

• 이 방법은 국소 메쉬 기하학과 문제 물리 매개변수를 기반으로 목표 지향적 오차 추정기의 요소별 기여도를 예측하는 신경망을 사용한다.
• 입력 특징으로는 요소 크기, 모양, 방향, 해의 기울기 등이 포함되며, 출력은 메쉬 적응을 위한 국소 오차 지표이다.
• 고정밀 유한요소 시뮬레이션을 통해 풍부한 공간을 사용하여 진짜 애드조인트 해를 근사한 데이터를 사용해 네트워크를 훈련시킨다.
• 이 방법은 시뮬레이션 데이터에서 직접 오차 기여도 매핑을 학습함으로써 애드조인트 문제의 명시적 해를 구하지 않아도 된다.
• 예측된 오차 지표를 사용하여 높은 오차가 예상되는 요소를 정밀화함으로써 메쉬 적응을 수행하며, 목표 양의 오차를 최소화한다.
• 검증을 위해 이 프레임워크는 Thetis 해안 오션 모델과 Mmg 메쉬 적응 라이브러리에 통합되었다.

실험 결과

연구 질문

• RQ1 애드조인트 문제를 풀지 않고도 신경망이 목표 지향적 메쉬 적응에서 요소별 오차 기여도를 효과적으로 예측할 수 있는가?
• RQ2 제안된 데이터 기반 오차 추정 방법이 전통적 방법과 유사한 정확도를 확보하면서도 계산 비용을 줄일 수 있는가?
• RQ3 메쉬 정밀도 향상과 문제의 복잡성 증가에 따라 신경망 기반 오차 추정기의 성능은 어떻게 변화하는가?
• RQ4 이 방법은 다양한 경계 조건, 공간적으로 변화하는 점성도, 비凸 영역과 같은 복잡한 기하학적 구조로 일반화될 수 있는가?
• RQ5 시간에 따라 변화하는 문제, 예를 들어 조류 반전 흐름과 같은 문제로의 방법 확장 가능성은 어떠한가?

주요 결과

• E2N 방법은 전통적 애드조인트 기반 방법과 유사한 오차 추정 정확도를 확보하면서도 계산 비용을 크게 감소시켰다.
• 신경망 방법은 풍부한 유한요소 공간을 구성할 필요가 없어지면서 관련된 높은 계산 오버헤드를 피할 수 있었다.
• 요소별 훈련 전략 덕분에 데이터 및 훈련 비용이 낮아져 효율적인 구현이 가능했다.
• 이 방법은 조류 터빈 팜 시뮬레이션에서 높은 오차가 발생하는 영역을 성공적으로 식별하여 전력 출력 오차를 최소화하는 효과적인 메쉬 정밀화를 이끌어냈다.
• 초기 결과는 경계 조건 및 기하학적 변화에 대해 강건함을 보였지만, 더 넓은 일반화를 위해서는 추가 훈련 데이터가 필요할 수 있음을 시사했다.
• 시간에 따라 변화하는 문제로의 확장이 가능하며, 공간적 요소별 학습과 유사한 단계별 훈련 전략이 제안되었다.