[논문 리뷰] Learning Optimal Parametric Hydrodynamic Database for Vortex-Induced Crossflow Vibration Prediction

Samuel Rudy, Dixia Fan외 3명|arXiv (Cornell University)|2021. 04. 13.

Fluid Dynamics and Vibration Analysis참고 문헌 18인용 수 5

한 줄 요약

이 논문은 유연한 실린더에서 소용돌이 유도 진동(VIV)을 예측하기 위해 최적의 매개변수화된 유체역학 데이터베이스를 학습하는 데이터 기반 최적화 프레임워크를 제안한다. 유체와 구조물 간의 에너지 균형에 기반하여 매개변수 학습을 제약 조건이 있는 최적화 문제로 공식화함으로써, 표준 데이터베이스 대비 VIV 진폭과 주파수 예측 정확도가 크게 향상되었으며, 시험에서 오차가 최대 50%까지 감소되었다.

ABSTRACT

The Vortex-induced vibration (VIV) prediction of long flexible cylindrical structures relies on the accuracy of the hydrodynamic database constructed via rigid cylinder forced vibration experiments. However, to create a comprehensive hydrodynamic database with tens of input parameters including vibration amplitudes and frequencies and Reynolds number, surface roughness and so forth is technically challenging and virtually impossible due to the large number of experiments required. The current work presents an alternative approach to approximate the crossflow (CF) hydrodynamic coefficient database in a carefully chosen parameterized form. The learning of the parameters is posed as a constraint optimization, where the objective function is constructed based on the error between the experimental response and theoretical prediction assuming energy balance between fluid and structure. Such a method yields the optimal estimation of the CF parametric hydrodynamic database and produces the VIV response prediction based on the updated hydrodynamic database. The method then was tested on several experiments, including freely-mounted rigid cylinder in large Reynolds number with combined crossflow and inline vibrations and large-scale flexible cylinder test in the Norwegian Deepwater Program, and the result is shown to robustly and significantly reduce the error in predicting cylinder VIVs.

연구 동기 및 목표

• VIV 예측을 위한 포괄적인 실험적 유체역학 데이터베이스를 구축하는 데 있어, 요구되는 실험 수가 과도하여 실현 가능하지 않은 문제를 해결하기 위해.
• 갑작스러운 변화와 진폭 의존성과 같은 핵심 물리적 거동을 포괄하는 교차류 유체역학 계수(C_lv 및 C_my)의 매개변수화 모델을 개발하기 위해.
• 유체와 구조물 간의 에너지 균형에 기반한 제약 최적화를 통해 유체역학 모델의 최적 매개변수를 학습하기 위해.
• 학습된 유체역학 데이터베이스를 사용하여 강성 및 유연한 실린더 실험 모두에서 VIV 응답 예측 정확도—특히 진폭과 주파수—를 향상시키기 위해.
• 균일한 유동 및 기울인 유동 조건, 생물오염과 같은 장기적 영향까지 포함한 다양한 유동 조건에서 강건하고 데이터 효율적인 VIV 예측을 가능하게 하기 위해.

제안 방법

• C_lv 및 C_my의 교차류 유체역학 계수를 소프트플러스 활성화를 사용한 부드러운 조각별 선형 함수로 매개변수화하여, 미분 가능성 향상과 더 나은 피팅을 확보한다.
• 실험적 VIV 응답과 이론적 예측 간 오차를 최소화하는 목적 함수를 갖는 제약 최적화 문제를 설정하며, 이는 에너지 균형 가정에 기반한다.
• 강성 실린더에서의 강제 진동 실험 및 전장 유연한 실린더 실험(예: 노르웨이 딥워터 프로그램)의 실험 데이터를 사용하여 모델 매개변수를 훈련한다.
• 잔차 오차 및 계수 변화 추이를 모니터링하여 수렴 여부를 점검하는 신뢰영역 알고리즘을 사용해 반복적으로 유체역학 데이터베이스 매개변수를 개선한다.
• VIVA(Vortex-Induced Vibration Analysis) 예측을 실험 데이터와 비교하여 학습된 데이터베이스의 유효성을 검증하며, 균일한 유동과 선형 기울인 유동 모두에서 검증한다.
• 다양한 유입 유속 범위에서 최적화된 데이터베이스를 적용하여 VIV 응답을 예측하고, 진폭 및 주파수 예측 정확도 향상을 평가한다.

실험 결과

연구 질문

• RQ1 희소한 실험 데이터로부터 효율적으로 매개변수화된 유체역학 데이터베이스를 학습시켜 VIV 예측 정확도를 향상시킬 수 있는가?
• RQ2 에너지 균형 기반 최적화 프레임워크는 표준 데이터베이스에 비해 C_lv 및 C_my 예측의 정밀도를 어떻게 향상시키는가?
• RQ3 학습된 유체역학 데이터베이스는 균일한 유동과 기울인 유동 조건에서 유연한 실린더 VIV의 진폭 및 주파수 예측 오차를 어느 정도 감소시키는가?
• RQ4 다양한 유동 조건과 실험 설정에서 최적화 과정이 안정적으로 수렴하는가?
• RQ5 생물오염이나 노후화 효과와 같은 변화하는 유체역학 조건에서도 이 방법이 일반화 가능한가?

주요 결과

• 노르웨이 딥워터 프로그램(NDP) 38m 유연한 실린더 실험에서 최적화된 유체역학 데이터베이스는 표준 데이터베이스 대비 VIV 진폭 및 주파수 예측 오차를 최대 50%까지 감소시켰다.
• NDP 실험 번호 2182(균일한 유동, U=2.0 m/s)에서 예측된 최고 주파수는 6회 반복 후 10.63 Hz로 수렴하였으며, 실험값 10.23 Hz와 밀접하게 일치하였다.
• 학습된 데이터베이스를 사용한 VIVA 예측은 표준 데이터베이스를 사용한 명시적 VIVA 예측보다 실험적 변위 응답과 훨씬 더 잘 일치하였으며, 특히 진폭과 주파수 응답에서 뚜렷한 개선이 관찰되었다.
• 학습된 C_lv 및 C_my 계수는 몇 차례 반복 후 안정화되었으며, 이는 최적화 과정의 수렴을 나타내었고, 후속 단계에서 계수 형태의 변화가 최소화되었다.
• 그림 6 및 그림 7에서 보듯이, 균일한 유동과 선형 기울인 유동 모두에서 모든 시험 유속에서 일관된 오차 감소가 관찰되었으며, 평균 진폭과 최고 주파수 예측 오차가 지속적으로 감소하였다.
• 최적화된 유체역학 데이터베이스는 표준 데이터베이스가 응답을 정확히 포착하지 못하는 복잡한 유동장, 예를 들어 선형 기울인 유동(예: NDP 번호 2430)에서도 정확한 VIV 예측을 가능하게 하였다.