Learning constitutive models and rheology from partial flow measurements

이 논문은 자동 미분을 통한 물리 기반 시뮬레이션과 프레임 불변 텐서 기저 신경망 (TBNN) 을 결합하여 부분 유동 측정 데이터로부터 해석 가능한 기호적 구성 모델을 자동으로 학습하고, 복잡한 유체의 거동을 운영 환경에서 직접 예측할 수 있는 '디지털 레오메트리' 프레임워크를 제안합니다.

핵심

1. 기존 방식: "실험실의 요리사" (전통적인 레오로지)

과거에 과학자들은 액체의 성질 (점성, 탄성 등) 을 알기 위해 **실험실의 작은 기계 (레오미터)**를 사용했습니다.

• 상황: 마치 요리사가 소스 한 방울을 떠서 작은 그릇에서 저어보며 "이 소스는 얼마나 걸쭉할까?"를 측정하는 것과 같습니다.
• 문제점: 이 실험은 아주 단순한 조건 (직선으로 흐르는 것) 에서만 이루어집니다. 하지만 실제 산업 현장이나 우리 몸속에서는 액체가 복잡한 관을 통과하거나, 구부러진 길을 돌고, 갑자기 좁아지기도 합니다.
• 한계: "작은 그릇에서 잘 저어지는 소스"가 "복잡한 파이프를 통과할 때"도 똑같이 잘 흐를 것이라고 예측하는 것은 위험할 수 있습니다. 마치 "평지에서는 잘 달리는 마라톤 선수가 산길에서도 잘 달릴 것이다"라고 단정 짓는 것과 비슷합니다.

2. 새로운 방식: "디지털 시뮬레이션 요리사" (이 논문의 핵심)

이 연구팀은 **"액체가 실제로 흐르는 복잡한 환경 (예: 혈관, 공장 파이프) 에서의 흐름 데이터만 있으면, 그 액체의 성질을 역으로 찾아낼 수 있다"**는 혁신적인 방법을 개발했습니다.

🌟 핵심 비유: "미스터리 요리사 찾기"

1. 관찰 (Partial Measurements):
   우리는 액체가 복잡한 파이프를 통과할 때의 **흐름 모습 (속도, 방향)**만 볼 수 있다고 가정해 봅시다. 마치 안개 낀 날에 차가 지나가는 소리만 듣고 차의 종류를 맞추는 것과 같습니다.

2. 디지털 훈련 (Differentiable Solver & TBNN):
   연구팀은 컴퓨터 안에 **'가상의 액체'**를 만들고, 그 액체가 어떻게 흐르는지 시뮬레이션합니다. 이때 중요한 것은, 이 시뮬레이션이 **"실제 데이터와 비교해서 스스로 학습할 수 있다"**는 점입니다.

   • TBNN (텐서 기반 신경망): 이는 액체의 성질을 설명하는 **'수식'**을 대신하는 똑똑한 AI 입니다. 이 AI 는 "액체가 이 정도 속도로 흐를 때, 내부에서 어떤 힘이 작용했을까?"를 추론합니다.
   • 자동 학습: AI 가 예측한 흐름과 실제 관측된 흐름이 다르면, AI 는 스스로 "아, 내가 액체의 성질을 잘못 알았구나"라고 깨닫고 수식을 수정합니다. 이 과정을 반복하면, AI 는 액체의 정확한 성질 (레오로지) 을 찾아냅니다.

3. 해석 (Symbolic Distillation):
   AI 가 찾아낸 복잡한 수식을 인간이 이해할 수 있는 **"간단한 공식"**으로 번역합니다. 마치 AI 가 쓴 긴 요리 레시피를 "소금 1 큰술, 설탕 2 큰술"처럼 핵심 재료만 뽑아내는 것과 같습니다.

3. 이 방법이 왜 대단한가요?

• 복잡한 환경에서도 가능: 더 이상 실험실로 액체를 가져갈 필요가 없습니다. 공장 파이프 안이나 인체 혈관 안에서 흐르는 액체만 관찰하면, 그 자리에서 액체의 성질을 파악할 수 있습니다. 이를 **"디지털 레오로지 (Digital Rheometry)"**라고 부릅니다.
• 예측 능력: 한 번 학습된 AI 는 이전에 본 적 없는 새로운 모양의 파이프에서도 액체가 어떻게 흐를지 정확히 예측할 수 있습니다.
• 오류 방지: 기존에는 "어떤 공식을 쓸까?"를 미리 정해야 했지만, 이 방법은 데이터가 스스로 가장 적합한 공식을 찾아냅니다.

4. 요약: 한 줄로 정리하면?

"복잡한 환경에서 액체가 어떻게 흐르는지 눈으로만 봐도, 컴퓨터 시뮬레이션과 AI 를 이용해 그 액체의 정확한 성질을 찾아내고, 이를 간단한 공식으로 만들어낼 수 있다."

이 기술은 의약품 개발 (혈관 내 약물 전달), 석유 시추 (깊은 지하의 복잡한 유체), 식품 가공 등 다양한 분야에서 실험실 밖의 실제 환경에서 바로 액체를 분석하고 설계할 수 있게 해 줄 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 구성 방정식 (Constitutive Laws) 의 중요성: 비뉴턴 유체 (생물학적 유체, 산업용 유체 등) 의 거동을 예측하려면 유체의 변형률과 응력을 연결하는 구성 방정식이 필수적입니다.
• 기존 방법론의 한계:
  • 이상화된 실험: 전통적인 유변학은 벤치탑 레오미터를 사용하여 단순한 1 차원 흐름 (전단 흐름 등) 에서 유체의 평균 응답을 측정합니다. 이는 복잡한 기하학적 구조 (예: 미세 혈관, 파이프 내 수축부) 에서 발생하는 물리 현상을 포착하지 못합니다.
  • 데이터 기반 모델의 문제: 기존 머신러닝 기반 방법들은 희소한 데이터에 과적합 (overfitting) 되거나, 특정 좌표계에 의존하여 새로운 기하학적 구조로 일반화되지 못하며, 사전에 구성 모델의 형태를 가정해야 하는 경우가 많습니다.
  • 식별 가능성 (Identifiability) 문제: 다양한 구성 모델이 단순한 실험 조건에서는 유사한 응답을 보이지만, 복잡한 운동학 조건에서는 급격히 달라질 수 있어, 어떤 모델이 실제 물성을 가장 잘 설명하는지 판단하기 어렵습니다.

2. 제안된 방법론 (Methodology)

저자들은 측정 데이터와 구성 모델 발견을 통합하는 엔드 - 투 - 엔드 (End-to-End) 프레임워크를 개발했습니다. 이 프레임워크는 크게 두 단계로 구성됩니다.

A. 가분 미분 가능한 비뉴턴 유체 솔버와 TBNN 학습

1. 가분 미분 가능한 솔버 (Differentiable Solver): 자동 미분 (Automatic Differentiation, JAX 기반) 을 활용하여 유체 역학 방정식 (Navier-Stokes) 을 푸는 솔버를 구축했습니다. 이를 통해 유동 관측치 (속도장 등) 와 모델 파라미터 간의 정확한 기울기 (gradient) 를 계산할 수 있습니다.
2. 텐서 기반 신경망 (Tensor Basis Neural Network, TBNN):
   • 프레임 불변성 (Frame Invariance): 좌표계에 의존하지 않고 물리적으로 타당한 응력 - 변형률 관계를 학습하기 위해, 유동 불변량 (scalar invariants) 을 입력으로 받아 텐서 기저 (tensor basis) 를 통해 응력을 출력하는 TBNN 을 솔버 내부에 임베딩했습니다.
   • 학습 과정: 복잡한 유동장 (예: 수축 - 확장 채널) 에서의 부분적인 속도 측정 데이터를 사용하여 TBNN 을 훈련시킵니다. 이 과정에서 솔버는 물리 법칙을 '하드 제약 (hard constraint)'으로 적용하여, 노이즈가 있거나 해상도가 낮은 데이터에서도 물리적으로 일관된 구성 관계를 학습합니다.
   • 장점: 학습된 TBNN 은 훈련된 기하학적 구조를 넘어 새로운 환경에서도 유동을 예측할 수 있는 '이식 가능한 (portable)' 구성 모델이 됩니다.

B. 해석 가능한 물리 모델 추출 및 모델 선택

1. 디지털 레오미터 (Digital Rheometry): 학습된 TBNN 을 '블랙박스'가 아닌 물리 모델로 해석하기 위해, TBNN 에 제어된 변형 이력 (예: 진동 전단 변형률) 을 가해 응력 응답을 시뮬레이션합니다.
2. 가분 미분 가능한 모델 피팅: 이 응력 데이터에 고전적인 구성 모델 (Carreau-Yasuda, Giesekus, Oldroyd-B 등) 을 가분 미분 가능한 ODE 솔버를 통해 피팅합니다.
3. 베이지안 정보 기준 (BIC) 을 통한 모델 선택:
   • 여러 후보 모델 중 데이터에 가장 잘 맞으면서도 불필요하게 복잡하지 않은 모델을 선택하기 위해 **베이지안 정보 기준 (Bayesian Information Criterion, BIC)**을 사용합니다.
   • 이는 모델의 복잡성 (파라미터 수) 과 예측 정확도 간의 균형을 자동으로 조절하여, 데이터가 지지하는 최적의 물리 모델을 식별합니다.

3. 주요 결과 (Key Results)

1. 정확한 구성 관계 복원:

   • Carreau-Yasuda (CY) 모델을 기반으로 생성된 복잡한 유동 데이터 (수축 - 확장 채널) 로 TBNN 을 훈련한 결과, 학습된 모델은 훈련 데이터와 거의 동일한 속도장을 재현했습니다.
   • 훈련되지 않은 새로운 기하학적 구조 (양립성 다공성 매체) 와 다른 압력 구배 조건에서도 TBNN 은 높은 정확도로 유동을 예측하여 **기하학적 무관성 (geometry-agnostic)**을 입증했습니다.
   • 데이터의 해상도가 10 배 이상 낮아지거나 4% 의 상관 노이즈가 추가되어도 물리 솔버의 정규화 효과로 인해 정확한 구성 관계를 복원했습니다.

2. 물리 파라미터 및 모델 식별:

   • TBNN 에서 추출된 응답을 기반으로 고전적 모델 (CY) 을 피팅한 결과, 원래 시뮬레이션에 사용된 물리 파라미터 (점도, 전단 박리 지수 등) 를 매우 높은 정확도로 복원했습니다.
   • 모델 선택 성공: 5 가지 다른 구성 모델 (Newtonian, CY, Oldroyd-B, Giesekus, Linear PTT) 로 생성된 합성 데이터에 대해, BIC 를 사용하여 올바른 모델을 90% 이상 (복잡한 모델의 경우 약 70%) 의 정확도로 식별했습니다.
   • 식별 한계 규명: 특정 파라미터 영역에서 복잡한 모델의 응답이 단순 모델과 통계적으로 구별되지 않을 때, BIC 는 더 간단한 모델을 선택했습니다. 이는 모델의 실패가 아니라, 사용된 실험 프로토콜이 해당 복잡한 물리 현상을 충분히 자극하지 못했음을 의미합니다.

3. 디지털 레오미터로서의 활용:

   • 제안된 프레임워크는 실험실 레오미터 데이터뿐만 아니라, 공정 중 (in-operando) 측정된 유동 데이터 (예: 압력 강하, 추적자 궤적) 를 직접 분석하여 유체의 물성을 규명할 수 있음을 보였습니다.

4. 주요 기여 및 의의 (Significance)

• 디지털 레오미터 (Digital Rheometry) 의 실현: 유체가 실제로 작동하는 환경 (복잡한 기하학, 비정상 흐름) 에서 직접 유동 데이터를 측정하여 구성 모델을 학습하고 검증하는 새로운 패러다임을 제시했습니다. 이는 시료 채취나 실험실 조건 변화가 불가능한 경우 (예: 에멀전, 고분자 용융물) 에 특히 유용합니다.
• 데이터 기반과 물리 기반의 융합: 블랙박스 머신러닝의 일반화 문제와 전통적 모델의 유연성 부족을 동시에 해결했습니다. TBNN 은 물리 법칙을 내재화하여 데이터 효율성을 높이고, BIC 기반 모델 선택은 학습된 결과를 해석 가능한 물리 파라미터로 변환합니다.
• 실험 설계 최적화의 가능성: 가분 미분 가능한 솔버를 통해, 어떤 실험 조건 (힘, 기하학) 이 모델 파라미터를 가장 잘 식별할 수 있는지 기울기 기반 최적화를 통해 실험을 설계할 수 있는 길을 열었습니다.
• 광범위한 적용 가능성: 이 프레임워크는 유체 역학뿐만 아니라 다양한 공학 및 물리 과학 분야에서 구성 모델 발견 (constitutive discovery) 과 역문제 (inverse problems) 해결에 적용될 수 있는 기반을 마련했습니다.

결론

이 연구는 가분 미분 가능한 시뮬레이션과 텐서 기반 신경망, 베이지안 모델 선택을 결합하여, 복잡한 유동 측정 데이터로부터 직접 해석 가능한 물리 구성 모델을 학습하고 식별하는 통합 프레임워크를 제시했습니다. 이는 기존 레오미터의 한계를 극복하고, 실제 작동 환경에서 유체의 거동을 정밀하게 예측하고 이해할 수 있는 강력한 도구가 될 것입니다.