[논문 리뷰] Parametric Dynamic Mode Decomposition for Reduced Order Modeling

Quincy Huhn, Mauricio Tano외 2명|arXiv (Cornell University)|2022. 04. 26.

Model Reduction and Neural Networks인용 수 5

한 줄 요약

이 논문은 다중 매개변수 문제를 다루기 위해, 매개변수 동적 모드 분해(DMD) 기반으로 두 가지 새로운 비침습적 축소 차원 모델링(ROM) 방법—rEPI와 rKOI—을 제안한다. 스냅샷을 스택하는 대신 코프만 고유쌍 또는 연산자 성분을 보간함으로써, 이 방법들은 매개변수 수에 대해 효율적으로 스케일링되며, 시간 및 물리 필드 전반에서 1% 미만의 L₂ 오차를 달성하여 최신 기술인 스택드 DMD보다 정확도와 계산 속도에서 뛰어나다.

ABSTRACT

Dynamic Mode Decomposition (DMD) is a model-order reduction approach, whereby spatial modes of fixed temporal frequencies are extracted from numerical or experimental data sets. The DMD low-rank or reduced operator is typically obtained by singular value decomposition of the temporal data sets. For parameter-dependent models, as found in many multi-query applications such as uncertainty quantification or design optimization, the only parametric DMD technique developed was a stacked approach, with data sets at multiples parameter values were aggregated together, increasing the computational work needed to devise low-rank dynamical reduced-order models. In this paper, we present two novel approach to carry out parametric DMD: one based on the interpolation of the reduced-order DMD eigenpair and the other based on the interpolation of the reduced DMD (Koopman) operator. Numerical results are presented for diffusion-dominated nonlinear dynamical problems, including a multiphysics radiative transfer example. All three parametric DMD approaches are compared.

연구 동기 및 목표

• 다중 쿼리 응용에서 기존의 매개변수 DMD 방법이 매개변수 수에 따라 스케일링되지 않는 한계를 해결한다.
• Sayadi 등이 제안한 스택드-스냅샷 DMD 방법에서의 매개변수에 독립적인 주파수 제약을 극복한다.
• 학습 매개변수 수에 따라 선형적으로 스케일링되는 보간 기반 DMD-ROM 방법을 개발한다.
• 코프만 연산자 성분 또는 고유쌍의 부드러움을 활용하여, 매개변수적 다중물리 문제의 정확도와 계산 효율성을 향상시킨다.
• 높은 정확도와 낮은 계산 비용을 유지하면서 다중물리 시스템에서 단일 물리 필드 재구성에 강건성을 확보한다.

제안 방법

• 감소된 코프만 연산자 행렬의 개별 성분을 선형 보간을 통해 매개변수 값 간에 보간하는 rKOI(reduced Koopman Operator Interpolation) 방법을 제안한다.
• 코프만 고유값과 고유벡터를 선형 보간을 통해 매개변수 집합 간에 보간하는 rEPI(reduced Eigenpair Interpolation) 방법을 도입한다.
• 고정밀 시뮬레이션 스냅샷에서 공간 모드를 추출하기 위해 적절한 직교 분해(POD)를 사용한 후, DMD를 적용하여 코프만 연산자를 계산한다.
• 감소된 코프만 연산자 또는 그 고유쌍에 선형 보간을 적용하여, 새로운 매개변수 값에서의 시스템 진동을 예측하는 매개변수 기반 ROM을 구축한다.
• 제안된 방법들을 스택드-스냅샷 DMD 방법과 비교한다. 이 방법은 매개변수 간 시간 시리즈 스냅샷을 하나의 확장된 행렬로 결합한다.
• POD 모드로 투영된 데이터에서 표준 DMD를 사용하여 코프만 연산자를 계산한 후, 매개변수 공간 전반에 걸쳐 일반화된 연산자를 얻기 위해 매개변수 보간을 적용한다.

실험 결과

연구 질문

• RQ1 스택드-스냅샷 접근 방식에서 관찰되는 훈련 데이터 크기의 지수적 증가를 피함으로써, 매개변수 기반 DMD가 다중 매개변수 문제에 대해 스케일링 가능한가?
• RQ2 코프만 연산자 성분(rKOI) 또는 고유쌍(rEPI)을 보간하는 것이 스택드-스냅샷 방법보다 더 높은 정확도와 계산 효율성을 제공하는가?
• RQ3 rKOI 및 rEPI 방법은 최신 기술 대비 다중물리 시스템에서 일시적 동역학과 매개변수 의존성을 얼마나 잘 포착하는가?
• RQ4 코프만 연산자 성분 또는 고유쌍에 대한 부드러움 가정이 결과 매개변수 ROM의 정확도에 어떤 영향을 미치는가?
• RQ5 rKOI 방법은 다중물리 문제에서 단일 물리 필드 재구성에 대해 높은 정확도를 달성하면서도 낮은 계산 비용을 유지할 수 있는가?

주요 결과

• rKOI 방법은 모든 테스트 문제에서 전체 시간 범위 동안 상대 L₂ 오차가 1% 미만이었으며, 높은 정확도와 강건성을 입증하였다.
• 다중물리 방사선 확산 문제에서, rKOI는 한 번에 한 개의 필드를 재구성할 때도 평균 L₂ 오차가 1% 이하로 유지되어 강력한 단일 물리 필드 재구성 능력을 보였다.
• rKOI 방법은 정확도와 계산 효율성 면에서 스택드 DMD 방법을 모두 뛰어넘었으며, 특히 강한 매개변수 의존성을 보이는 문제에서 두드러진 성능을 보였다.
• rEPI 방법은 높은 DMD 순서에서 코프만 고유쌍에 대한 엄격한 부드러움 요구 조건으로 인해 성능 저하를 보였다.
• rKOI 방법은 스택드 DMD 방법보다 훨씬 더 계산 효율적이었으며, 다중 매개변수 문제에 대해 더 우수한 스케일링 특성을 보였다.
• 스택드 DMD 방법은 다중 매개변수 케이스에서 성능이 열악했으며, 특히 훈련에 사용 가능한 물리 필드가 한 개일 경우 rKOI보다 효과적이지 못했다.