기술 요약: ChannelFlow-Tools

문제 정의

데이터 기반 대리 모델(surrogate models)은 유동 예측을 가속화하기 위해 전산유체역학(CFD) 분야에서 점점 더 많이 활용되고 있다. 그러나 이러한 모델의 신뢰성은 훈련 데이터의 품질, 커버리지 및 물리적 일관성에 크게 의존한다. 기존의 많은 공개 데이터셋은 고정된 코퍼스(corpus) 형태로 배포되기 때문에, 제어된 단일 요인 연구(예: 파라미터는 고정한 채 기하학적 형상만 변경하는 연구)를 수행하는 데 있어 심각한 격차가 존재한다. 이러한 고정된 데이터셋에서는 근본적인 생성 워크플로우를 사용할 수 없거나, 검증되지 않았거나, 설정이 불가능한 경우가 많아 연구 요구 사항에 맞춰 데이터를 재생성, 적응 또는 확장하기 어렵다. 또한, 기존 리소스들은 기하학적 표현(특히 부호 거리 함수, SDF)과 기하학적 입력 및 유동 출력 간의 정렬에 대한 독립적인 검증이 부족한 경우가 많다.

방법론

저자들은 3차원 장애물이 있는 채널 유동을 위한 머신러닝 준비 완료된 데이터셋을 생성하도록 설계된 오픈 소스 기반의 구성 주도형(configuration-driven) 파이프라인인 ChannelFlow-Tools를 소개한다. 이 파이프라인은 재현성을 보장하기 위해 단일 Hydra/OmegaConf 구성 트리와 랜덤 시드(random seed)에 의해 구동되는 네 가지 별도의 단계로 통합된다:

1. 절차적 장애물 기하학 생성 (Procedural Obstacle Geometry Generation):

   • CadQuery 라이브러리(OpenCASCADE 기반)를 사용하여 3D 장애물 기하학을 생성한다.
   • 여섯 가지 기본 형상 패밀리(구, 육면체, 원기둥, 원뿔, 토러스, 웨지)를 지원한다.
   • 파라미터에는 기하학적 치수, 방향 및 배치 좌표가 포함된다.
   • 설계 공간의 폭넓은 커버리지를 보장하기 위해 랜덤 균등 샘플링(random uniform sampling)과 층화된 소볼 샘플링(stratified Sobol sampling)의 두 가지 샘플링 모드를 채택한다.
   • STL 메쉬로 내보내기 전에 타당성 검사(벽면 여유 공간, 입구/출구 거리, 최소 부피 및 객체 간 간격)를 수행한다.

2. 부호 거리 함수(SDF) 생성:

   • 생성된 STL 메쉬를 데카르트 격자 상의 복셀화된 SDF로 변환한다.
   • SDF($\phi$)는 장애물 기하학을 스칼라 필드로 인코딩하며, 여기서 $\phi < 0$은 고체 내부, $\phi > 0$은 유체, $\phi = 0$은 경계를 나타낸다.
   • 출력은 사용자 정의 해상도로 생성되며, 공개 코퍼스의 경우 구체적으로 $128 \times 64 \times 64$ 및 $256 \times 128 \times 128$ 격자를 대상으로 한다.

3. 격자 볼츠만(Lattice-Boltzmann, LBM) 시뮬레이션:

   • D3Q27 속도 스텐실과 누적 충돌 연산자(cumulant collision operator)를 사용하는 오픈 소스 WALBERLA 프레임워크를 사용한다.
   • $1024 \times 512 \times 512$ 격자 단위의 도메인 내에서 생성된 STL 장애물 상의 유동을 시뮬레이션한다.
   • 20번의 유동 통과 시간(flow-through times) 동안 실행하며, 처음 15번은 예열(warm-up)에 사용하고 마지막 5번은 시간 평균 속도장을 축적하는 데 사용한다.
   • 대략 100에서 15,000 사이의 레이놀즈 수($Re_c$)를 지원한다.

4. ML 준비 완료된 텐서 패키징 (ML-Ready Tensor Packaging):

   • 네이티브 LBM 출력과 SDF를 공통 데카르트 격자로 재샘플링한다.
   • 공동 등록된(co-registered) 기하학 필드, SDF, 그리고 시간 평균 속도 성분($v_x, v_y, v_z$)을 단일 HDF5 파일로 패키징한다.
   • 모든 아티팩트가 원래의 구성 및 랜덤 시드로 추적 가능하도록 보장한다.

주요 기여

본 논문은 네 가지 주요 기여를 설명한다:

1. 파이프라인: 절차적 기하학 생성부터 SDF 구축 및 LBM 시뮬레이션에 이르기까지, 공동 등록된 ML 준비 완료 텐서를 생성하는 완전한 구성 주도형 워크플로우를 제공한다.
2. 단계별 검증 및 감사: 기하학, SDF 및 솔버 단계를 포함한 독립적인 검증과 최종 패키징된 텐서에 대한 장면별(per-scene) 데이터 무결성 감사를 수행한다.
3. 재현 가능한 릴리스: 구성, 시드 및 메타데이터와 함께 감사된 장애물 채널 유동 코퍼스를 공개한다. 기하학 생성 단계는 SHA-256 해싱을 통해 바이트 단위로 동일한 재현성이 검증되었다.
4. 사용성 입증: 직접적인 다운스트림 사용성을 입증하고 일반화 문제를 규명하기 위해, 450개의 시뮬레이션 샘플 데이터셋으로 학습된 세 가지 대리 모델(3D U-Net, FNO, U-FNO)에 대한 평가를 수행한다.

결과 및 검증

파이프라인과 데이터셋은 여러 수준에서 엄격하게 검증되었다:

• 기하학적 무결성: 10,060개 장면에 대한 메쉬 무결성 감사를 통해 양의 부피와 도메인 포함 관계를 확인했다. 매개변수 특이점(예: 구의 극점)에서 미세한 테셀레이션 아티팩트가 발생했으나, 이는 후속 프로세싱을 방해하지 않았다.
• 재현성: SHA-256 해싱을 통해 소볼(Sobol) 및 의사 난수(pseudo-random) 샘플링 모드 모두에서 STL 메쉬와 메타데이터의 바이트 단위 동일 재생성을 확인했다.
• SDF 정확도:
  • 해석적 검증: 해석적 SDF(구, 원기둥, 육면체)에 대한 수렴 연구 결과, 격자 세분화에 따른 $L_2$ 오차 수렴율이 일치함을 보였으며, 이는 근본적인 STL 테셀레이션에 의해서만 제한되었다.
  • 코퍼스 감사: 350개 장면의 서브셋을 조사한 결과, 단일 객체 패밀리에 대해 서브 복셀 평균 표면 거리($MSD/\Delta x \leq 1.0$)를 보였으며, 다중 객체 장면에 대해서도 허용 가능한 정확도를 나타냈다.
• 솔버 검증:
  • 표준 벤치마크: 솔버는 $Re_s=1000$인 구(sphere)에 대해 실험 데이터(Choi와 Park) 및 문헌(Roos와 Willmarth)과 일치하는 후류 통계량, 와류 방출 주파수 및 항력을 재현했다.
  • 장면별 감사: 릴리스된 450개 시뮬레이션 모두 완결성, 질량 보존(중앙값 불균형 0.28%), 통계적 수렴성 및 기하학-유동 등록성에 대한 검사를 통과했다.
• 대리 모델 성능:
  • 학습 곡선: 세 모델(U-Net, FNO, U-FNO) 모두 훈련 세트 크기가 증가함에 따라 오차가 감소하는 것을 보여주었으며, 이는 학습 가능한 신호가 존재함을 나타낸다.
  • 일반화: 모델들은 분포 외(OOD) 형상 패밀리와 레이놀즈 수에 대해 테스트되었을 때, 통제되지 않은 실패가 아닌 물리적으로 해석 가능한 성능 저하를 보였다. 일반적으로 U-FNO가 다른 아키텍처보다 우수한 성능을 보였다.

의의 및 주장

저자들은 ChannelFlow-Tools를 최첨단 대리 모델 성능을 주장하기 위한 도구가 아니라, 기하학을 인식하는 CFD 대리 모델의 통제된 벤치마킹을 위한 공유된, 감사 가능한 인프라로 정의한다.

본 논문은 다음과 같은 능력을 갖춘 리소스를 제공하는 데 주된 가치가 있음을 강조한다:

• 특정 요인(기하학, 레이놀즈 수, 해상도)을 독립적으로 변화시키며 제어된 데이터셋을 생성할 수 있음.
• 기하학적 표현(SDF)의 충실도와 유동 데이터의 물리적 일관성을 독립적으로 검증할 수 있음.
• 구성 파일과 시드를 사용하여 데이터셋을 재생성하고 확장할 수 있으며, 이는 기존의 많은 CFD 데이터셋이 가진 "블랙박스" 특성을 해결함.

저자들은 이 파이프라인이 일반화 문제를 해결하는 것이 아니라, 일반화의 어려움을 조사하고 분포 변화 하에서의 대리 모델 신뢰성을 연구하기 위한 자원을 제공한다는 점을 겸허히 주장한다. 공개된 데이터는 향후 기하학 인식 모델링 연구를 위한 토대로 기능하며, 파이프라인 자체는 더 복잡한 기하학 및 더 높은 레이놀즈 수로 확장 가능하도록 설계되었다.