[논문 리뷰] Model Reduction for Advection Dominated Hyperbolic Problems in an ALE Framework: Offline and Online Phases

Davide Torlo|arXiv (Cornell University)|2020. 03. 30.

Model Reduction and Neural Networks인용 수 6

한 줄 요약

이 논문은 이동하는 특징을 매개변수 및 시간 도메인 전역에서 정렬하기 위해 임의의 라그랑주-오일러(ale) 형식을 사용하여 대류 지배 초구형 문제를 위한 새로운 모델 순서 감소(MOR) 프레임워크를 제안한다. 다항 회귀 또는 신경망을 통해 캘리브레이션 맵을 학습함으로써, 이 방법은 효과적인 오프라인 감소 기저 생성과 효율적인 온라인 해 복원을 가능하게 하여 비선형 유속과 다양한 경계 조건을 가진 1D 스칼라 문제에서 상당한 차원 감소와 계산 속도 향상을 달성한다.

ABSTRACT

Model order reduction (MOR) techniques have always struggled in compressing information for advection dominated problems. Their linear nature does not allow to accelerate the slow decay of the Kolmogorov $N$--width of these problems. In the last years, new nonlinear algorithms obtained smaller reduced spaces. In these works only the offline phase of these algorithms was shown. In this work, we study MOR algorithms for unsteady parametric advection dominated hyperbolic problems, giving a complete offline and online description and showing the time saving in the online phase. We propose an arbitrary Lagrangian--Eulerian approach that modifies both the offline and online phases of the MOR process. This allows to calibrate the advected features on the same position and to strongly compress the reduced spaces. The basic MOR algorithms used are the classical Greedy, EIM and POD, while the calibration map is learned through polynomial regression and artificial neural networks. In the performed simulations we show how the new algorithm defeats the classical method on many equations with nonlinear fluxes and with different boundary conditions. Finally, we compare the results obtained with different calibration maps.

연구 동기 및 목표

• 기존의 MOR에서 대류 지배 초구형 문제에 대해 느린 콜모고로프 N-폭발 감소 문제를 해결하기 위해.
• 매개변수적 시간 의존 문제에 대해 실용적인 계산 절감을 가능하게 하는 완전한 오프라인-온라인 MOR 알고리즘을 개발하기 위해.
• 캘리브레이션된 ALE 프레임워크를 통해 이동 특징을 정렬함으로써 효과적인 차원 감소를 가능하게 하기 위해.
• 다양한 회귀 기반 캘리브레이션 맵(다항 회귀 및 신경망)의 정확성과 효율성을 비교 평가하기 위해.
• 클래식한 MOR 기법(Greedy, POD, EIM)을 ALE를 통해 이동 프레임으로 확장하여 초구형 문제에서의 한계를 극복하기 위해.

제안 방법

• 특징가 정렬된 참조 도메인으로 문제를 변환하기 위해 초구형 PDE를 ALE 프레임워크에 정식화한다.
• 충격과 같은 이동 특징을 추적하기 위해 다항 회귀 또는 인공 신경망을 사용하여 시간에 따라 변하는 메쉬 속도(캘리브레이션 맵)를 학습한다.
• 오프라인 단계에서 매개변수 공간을 샘플링하고 감소 기저를 구축하기 위해 고전적 Greedy 알고리즘을 적용한다.
• 해의 만능의 시간 진화를 압축하기 위해 적절한 직교 분해(POD)를 사용한다.
• 감소된 공간에서 비선형 유속 항을 효율적으로 처리하기 위해 경험적 보간 방법(EIM)을 적용한다.
• ALE 변환된 방정식에서 오프라인 및 온라인 단계를 모두 수행함으로써 빠른 온라인 해 평가를 가능하게 한다.

실험 결과

연구 질문

• RQ1 ALE 프레임워크는 대류 지배 초구형 문제에서 이동 특징을 효과적으로 정렬하여 효율적인 모델 순서 감소를 가능하게 하는가?
• RQ2 다양한 캘리브레이션 맵 학습 전략(다항 회귀 대비 신경망)이 감소된 온라인 단계의 정확성과 효율성에 어떤 영향을 미치는가?
• RQ3 클래식한 MOR 기법(Greedy, POD, EIM)이 ALE 프레임워크에서 얼마나 높은 압축률과 속도 향상을 달성하는가?
• RQ4 제안된 ALE-MOR 방법은 감소 기저 차원과 온라인 계산 비용 측면에서 기존의 오일러 기반 MOR보다 우월한가?
• RQ5 비선형 유속과 다양한 경계 조건을 처리하면서도 정확성과 효율성을 유지할 수 있는가?

주요 결과

• ALE-PODEI-Greedy 알고리즘은 Buckley–Leverett 방정식에서 (25, 45)의 감소 기저 차원을 달성하였으며, 이는 270개의 EIM 기저 함수를 사용해도 허용 오차를 충족하지 못하는 기존 오일러 기반 접근보다 뚜렷이 뛰어난 성능을 보였다.
• ALE 프레임워크를 사용한 온라인 단계는 정확한 해와 거의 구분되지 않는 해를 생성한 반면, 오일러 기반 온라인 단계는 올바른 충격 역학을 포착하지 못했다.
• 캘리브레이션 맵 학습에 다항 회귀와 신경망을 모두 테스트하였으며, 조각별 선형 맵이 다항식보다 우수했고 더 큰 학습 세트에서 더 좋은 수렴 성능을 보였다.
• 비선형 유속과 다양한 경계 조건을 가진 다양한 방정식에 대해 알고리즘이 강건성을 보였으며, 감소된 공간의 압축에 일관된 향상을 보였다.
• 오프라인 단계는 높은 정확도의 감소 공간을 성공적으로 구축하였고, 정렬된 특징과 컴act한 감소 기저 덕분에 온라인 단계에서 상당한 계산 절감을 달성했다.
• 이 방법은 한 개의 주요 속도를 갖는 1D 시스템에 일반화 가능하며, 적절한 캘리브레이션 맵(예: Gordon–Hall 곡선)을 사용해 2D로 확장할 수 있다.