Reduced-Order Hydrodynamic Modelling of a Sphere Near a Wall Using Sparse Regression and Neural Operators

본 논문은 고해상도 CFD 데이터를 기반으로 SINDy 와 신경 연산자 (Neural Operator) 를 결합하여 벽면 근처의 구형 물체 운동에 대한 실시간 예측이 가능한 해석 가능한 저차원 대리 모델을 개발하였다.

핵심

이 논문은 **"거대한 배 옆에서 작은 무인 선박 (USV) 을 안전하게 내리고 올리는 과정"**을 컴퓨터로 아주 빠르고 정확하게 예측하는 새로운 방법을 소개합니다.

기존의 방법들은 너무 느려서 실시간으로 쓰기가 힘들었고, 너무 단순해서 복잡한 바다 상황에서는 오차가 컸습니다. 이 연구는 "스파이처럼 중요한 정보만 골라내고 (SINDy), 그 정보를 인공지능이 배우게 (Neural Operator)" 하여, 복잡한 물리 법칙을 실시간으로 계산할 수 있는 '가상 시뮬레이션'을 만들었습니다.

이 복잡한 내용을 일상적인 비유로 설명해 드릴게요.

---

1. 문제 상황: 거대한 배와 작은 배의 위험한 춤

상상해 보세요. 거대한 모함 (배) 옆에 작은 무인 선박이 있습니다. 파도가 거세게 치는 바다에서 이 작은 배를 모함에서 내리거나 (Launch), 다시 끌어올리는 (Recovery) 작업은 매우 위험합니다.

• 기존의 문제:
  • 정밀한 방법 (CFD): 파도, 물의 저항, 배의 움직임 등을 아주 정밀하게 계산하는 방법은 마치 고급 요리사가 모든 재료를 하나하나 손으로 다듬는 것과 같습니다. 결과는 정확하지만, 한 접시 요리하는 데 수백 시간이 걸려서 "지금 당장 배를 내릴지 말지" 결정할 때는 쓸모가 없습니다.
  • 간단한 방법 (선형 모델): "물은 이렇게 흐르고 배는 이렇게 움직인다"는 단순한 공식을 쓰는 방법은 패스트푸드처럼 빠릅니다. 하지만 파도가 거세거나 배가 가까이 붙을 때는 이 공식이 먹히지 않아 오류가 생깁니다.

2. 해결책: "스파이"와 "지도 제작자"의 팀워크

연구진은 이 두 가지 장점을 합친 새로운 방법을 개발했습니다.

1 단계: SINDy (스파이 - 중요한 정보만 골라내기)

먼저, 정밀한 요리 (CFD 시뮬레이션) 를 몇 번 해봤습니다. 그리고 그 결과물을 분석하는 **'스파이 (SINDy)'**를 투입했습니다.

• 비유: 스파이는 방대한 양의 데이터 (수천 장의 사진) 를 훑어보며 "이것은 중요하지 않아, 저것은 핵심이야"라고 핵심 공식만 골라냅니다.
• 결과: 복잡한 물리 법칙을 "물리 공식 (스프링, 감쇠력 등) + 파도 힘"이라는 간단한 수식으로 압축했습니다. 하지만 이 수식의 숫자 (계수) 는 배와 벽 사이의 거리나 떨어뜨리는 높이에 따라 계속 변합니다.

2 단계: Neural Operator (지도 제작자 - 모든 상황을 예측하는 지도 그리기)

이제 이 '스파이'가 찾아낸 핵심 공식들의 숫자들이 어떻게 변하는지 **지도 (Neural Operator)**를 그리는 인공지능을 훈련시켰습니다.

• 비유: 스파이가 "거리가 10m 면 이 숫자, 20m 면 저 숫자"라고 알려줬다면, 인공지능은 **"거리가 15.3m 이면 이 숫자가 될 거야"**라고 매끄러운 지도를 그립니다.
• 특징: 이 지도는 실제 실험 데이터를 보지 않고도, 새로운 거리나 높이에서도 실시간으로 정확한 숫자를 예측해 줍니다.

3. 왜 이 방법이 특별한가요?

1. 실시간 속도: 정밀한 계산 (CFD) 을 다시 할 필요 없이, 이 '지도'를 보면 순간에 결과가 나옵니다. 배를 내릴 때 "지금 내리면 안전할까?"를 바로 판단할 수 있습니다.
2. 이해 가능성 (Interpretability): 많은 인공지능은 "왜 그런 결과가 나왔는지" 모릅니다 (블랙박스). 하지만 이 방법은 **"스프링 힘은 이 정도고, 물의 저항은 저 정도다"**라고 물리 법칙을 그대로 설명할 수 있습니다.
3. 정확도: 단순한 공식보다는 훨씬 정확하고, 복잡한 계산보다는 훨씬 빠릅니다.

4. 한계와 미래

물론 완벽하지는 않습니다.

• 현재: 배가 구형 (공 모양) 이고, 위아래로만 움직이는 단순한 상황만 다뤘습니다.
• 미래: 이 기술을 실제 복잡한 배 모양과 6 방향의 움직임, 거친 바다 상황으로 확장한다면, 해군 작전이나 해양 구조 작업에서 실시간 안전 시스템으로 쓰일 수 있을 것입니다.

요약

이 논문은 **"복잡한 물리 현상을 스파이처럼 핵심만 추려내고, 인공지능이 그 패턴을 지도로 그려서, 거대한 배와 작은 배의 위험한 춤을 실시간으로 안전하게 예측하는 방법"**을 개발했다는 것입니다.

마치 날씨 예보가 과거의 복잡한 기압 데이터를 바탕으로 "내일 비가 올 확률"을 빠르게 알려주듯, 이 기술은 **"지금 배를 내리면 파도에 튕겨 나갈까?"**를 순식간에 알려주는 미래의 항해 조수 역할을 할 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 대형 모함에서 소형 무인 수상선 (USV) 의 발사 및 회수 (Launch-and-Recovery, LARS) 는 미래 해군 작전의 핵심 요소이나, 거친 해상과 모함과의 근접 거리로 인해 매우 위험하고 복잡한 과정입니다.
• 문제점:
  • 기존의 선형 잠재 유동 이론 (Linear Potential Flow) 은 작은 진폭과 점성 효과가 무시될 때만 유효하며, 파도 경사도가 크거나 모함과의 상호작용이 강할 경우 비선형 효과 (고차 파동 상호작용, 비선형 복원력 등) 를 정확히 예측하지 못합니다.
  • 고충실도 전산유체역학 (CFD) 은 이러한 비선형 현상을 정확히 포착할 수 있지만, 실시간 적용에는 계산 비용이 너무 큽니다 (단일 시뮬레이션당 수백~수천 CPU 코어 시간 소요).
• 목표: CFD 의 정확도를 유지하면서 실시간으로 USV 의 궤적을 예측할 수 있는 해석 가능한 (interpretable) 매개변수형 대리 모델 (Surrogate Model) 을 개발하는 것입니다.

2. 방법론 (Methodology)

연구진은 SINDy (Sparse Identification of Nonlinear Dynamics) 와 신경 연산자 (Neural Operator, ONet) 를 결합한 하이브리드 접근법을 사용했습니다.

가. 고충실도 데이터 생성 (High-Fidelity Data Generation)

• 시나리오: 수직 벽 (모함) 근처에서 1 자유도 (1-DoF) 상하 운동 (Heave) 을 하는 구 (USV 의 단순화된 모델) 를 대상으로 합니다.
• CFD 설정: Ansys Fluent 를 사용하여 Navier-Stokes 방정식과 VOF (Volume of Fluid) 방법을 기반으로 점성 및 자유 표면 효과를 포함한 시뮬레이션을 수행했습니다.
• 데이터셋: 다양한 벽 거리 (WD: 925m) 와 낙하 높이 (DH: 0.55m) 에 대한 감쇠 응답 (Heave-decay) 데이터를 생성했습니다.

나. SINDy 를 이용한 국소 차원 축소 모델 (Local ROM via SINDy)

• 각 CFD 궤적 데이터에 SINDy 알고리즘을 적용하여 저차의 비선형 상미분 방정식 (ODE) 을 식별했습니다.
• 모델 구조:
  $$(M+A)\ddot{x} + C(x, \dot{x})\dot{x} + K(x)x = F_{exc}(t)$$
  • 여기서 $C$ (감쇠) 와 $K$ (복원력) 는 다항식 항 (선형 및 3 차 항) 으로 표현되며, $F_{exc}$ (파도 여기력) 는 조화 함수 (sin/cos) 로 근사됩니다.
• 이를 통해 각 (WD, DH) 조건마다 물리적으로 해석 가능한 ODE 계수들을 추출했습니다.

다. SINDy 기반 신경 연산자 (SINDy-informed Neural Operator)

• 문제: SINDy 는 이산적인 (WD, DH) 점들에서만 계수를 제공하므로, 임의의 입력 공간에서 예측하려면 보간이 필요합니다.
• 해결: 신경 연산자 네트워크 (ONet) 를 도입하여 입력 (WD, DH) 에서 ODE 계수 ($\Xi$) 로의 매핑을 학습했습니다.
• 핵심 설계:
  • 네트워크는 직접 궤적을 예측하는 것이 아니라, ODE 계수를 예측하도록 설계되었습니다.
  • 물리 정보 제약 (Physics-informed Constraint): SINDy 로부터 얻은 계수 범위를 사전 지식 (Prior) 으로 사용하여, 신경망의 출력이 물리적으로 타당한 범위 내에 있도록 제한했습니다.
  • 손실 함수: 예측된 ODE 계수로 수치 적분 (RK4) 을 수행하여 얻은 궤적과 실제 CFD 궤적 간의 오차를 최소화하도록 학습했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

가. 높은 정확도의 실시간 예측

• 제안된 대리 모델은 CFD 시뮬레이션과 비교하여 평균 제곱 오차 (MSE) 약 $5.76 \times 10^{-4}$ 의 높은 정확도를 보였습니다.
• 이는 SINDy 만으로 달성 가능한 이론적 하한선 ($5.1 \times 10^{-4}$) 에 근접하는 수준으로, 고비용 CFD 재실행 없이 실시간으로 궤적을 예측할 수 있음을 입증했습니다.

나. 비선형 물리 현상의 성공적 포착

• 비선형 복원력: 낙하 높이가 증가함에 따라 나타나는 3 차 항 (Cubic term) 을 포함한 비선형 정수압 복원력 (Hydrostatic restoring force) 을 SINDy 가 정확히 식별했으며, 이는 해석적 모델과도 일치했습니다.
• 계수 매니폴드 학습: 신경망이 학습한 계수 표면 (Manifold) 은 SINDy 로 직접 구한 계수와는 수학적 형태가 달랐지만, 동일한 동역학적 응답을 생성했습니다. 이는 비선형 시스템에서는 유일한 해가 존재하지 않을 수 있음을 시사하며, 신경망이 궤적 오차를 최소화하는 최적의 계수 조합을 학습했음을 의미합니다.

다. 여기력 (Excitation Force) 모델링의 한계와 통찰

• 벽에서 반사된 파도에 의한 여기력은 단순한 선형 중첩이나 단일 주파수 sin/cos 항으로는 완전히 설명하기 어렵다는 것이 확인되었습니다.
• SINDy 는 여기력의 위상 (Phase) 을 파도 전파 시간 ($2WD/c$) 기반의 물리 법칙과 일치하게 예측했으나, 진폭 예측에는 한계가 있었습니다. 이는 여기력이 상태 (State) 에 종속된 비선형 결합 특성을 가질 가능성을 시사합니다.

4. 의의 및 결론 (Significance)

• 실용성: 이 연구는 발사 및 회수 (LARS) 작전과 같이 실시간 의사결정이 필요한 분야에서 고비용 CFD 를 대체할 수 있는 물리 기반 (Physics-informed) 실시간 대리 모델의 실현 가능성을 보여주었습니다.
• 해석 가능성: 블랙박스 방식의 딥러닝과 달리, 모델의 계수가 부가 질량 (Added mass), 감쇠 (Damping), 강성 (Stiffness) 등 명확한 유체역학적 물리량과 연결되어 있어 신뢰도가 높습니다.
• 확장성: 현재는 단순한 구와 1 자유도 운동에 국한되었으나, 이 프레임워크는 더 복잡한 선체 형상과 6 자유도 (6-DoF) 운동, 불규칙 해상 조건으로 확장될 수 있는 잠재력을 가지고 있습니다.

요약하자면, 이 논문은 SINDy 로부터의 해석적 통찰과 신경 연산자의 강력한 보간 능력을 결합하여, 벽 근처에서의 복잡한 비선형 유체 - 구조 상호작용을 실시간으로 정확하게 예측할 수 있는 새로운 차원 축소 모델링 패러다임을 제시했습니다.