A Hybrid Discretize-then-Project Reduced Order Model for Turbulent Flows on Collocated Grids with Data-Driven Closure

본 연구는 질량 및 운동량 보존을 위한 일관된 플럭스 "이산화 후 투영(discretize-then-project)" 전략과 난류 점성을 정확하게 재구성하기 위한 LSTM 기반 데이터 구동 폐쇄 모델을 결합하여, 다른 신경망 구조에 비해 과도 동역학을 포착하는 데 있어 우수한 성능을 달성하는 동일 격자(collocated grids) 상의 난류 유동을 위한 하이브리드 차수 축소 모델링 프레임워크를 제안한다.

핵심

당신이 복잡하게 소용돌이치는 유체(방 안의 바람이나 파이프 속의 물과 같은)가 어떻게 움직일지 예측하려고 한다고 상상해 보십시오. 이를 완벽하게 수행하려면 모든 개별 입자를 추적하는 슈퍼컴퓨터 시뮬레이션이 필요합니다. 이것을 **전계층 모델(Full-Order Model, FOM)**이라고 부릅니다. 이는 매우 정확하지만, 마치 조수의 변화를 예측하기 위해 해변의 모래알 하나하나를 세는 것과 같아서, 시간이 엄청나게 오래 걸리고 막대한 양의 메모리를 요구합니다.

이를 해결하기 위해 과학자들은 **차수 축소 모델(Reduced-Order Models, ROM)**을 사용합니다. ROM은 유체의 거동을 보여주는 "하이라이트 영상"이나 "요약본"이라고 생각하면 됩니다. 수십억 개의 입자를 추적하는 대신, 가장 중요한 패턴(예: 커다란 소용돌이)만을 추적하여 빠르고 충분히 괜찮은 답을 제공합니다.

하지만 문제가 있습니다. 유체가 난류(혼란스럽고 격렬하게 소용돌이치는 상태)일 때, 이 "하이라이트 영상" 방식은 종종 무너집니다. 큰 그림(속도와 압력)은 제대로 맞추지만, 난류의 "마찰"이나 "끈적임"(이를 난류 점성이라 부름)을 정확하게 예측하는 데 실패합니다. 이는 마치 풍속은 완벽하게 예측하지만 습도는 완전히 틀리게 예측하는 일기예보와 같습니다.

논문의 해결책: 하이브리드 팀 구성

이 논문의 저자들은 이 문제를 해결하기 위해 두 세계의 장점만을 결합한 새로운 "하이브리드" 시스템을 만들었습니다. 그들은 3D 리드 구동 공동(3D Lid-Driven Cavity)(상단 덮개가 앞뒤로 움직이며 내부의 유체를 끌어당기는 상자 형태)을 테스트 케이스로 사용했습니다.

이 시스템이 작동하는 방식은 다음과 같은 쉬운 비유를 통해 설명할 수 있습니다.

1. "물리" 팀 (엄격한 회계사)

유체의 속도(velocity)와 압력(pressure)을 위해, 그들은 **"이산화 후 투영(Discretize-then-Project)"**이라는 방법을 사용합니다.

• 비유: 당신이 집을 짓고 있다고 상상해 보십시오. 당신에게는 벽이 곧게 서 있고 지붕이 새지 않도록 보장하는 엄격한 설계도(물리 법칙)가 있습니다. 이 팀은 설계도를 정확하게 따릅니다. 그들은 복잡한 유체의 수학을 "하이라이트 영상" 크기로 축소하되, 유체가 갑자기 나타나거나 사라지지 않도록(질량 보존) 처리합니다.
• 결과: 별도의 "패치"나 수정 없이도 유체의 속도와 압력을 매우 정확하게 얻어냅니다.

2. "데이터 기반" 팀 (직관적인 예술가)

난류 점성(혼란스러운 마찰)의 경우, "엄격한 회계사" 방식은 실패합니다. 그래서 저자들은 데이터 기반 팀을 투입했습니다.

• 비유: 경직된 설계도로 혼돈을 계산하려고 노력하는 대신, 특정 유형의 유체가 소용돌이치는 것을 수천 시간 동안 관찰해 온 직관적인 예술가를 고용했습니다. 이 예술가는 머신러닝(구체적으로 신경망)을 사용하여 데이터로부터 혼돈의 패턴을 "학습"합니다.
• 도구: 그들은 세 가지 유형의 "예술가"(신경망 구조)를 테스트했습니다.
  • MLP: 현재 순간만을 보고 과거는 잊어버리는 기초적인 예술가.
  • Transformer: 전체 타임라인을 한꺼번에 볼 수는 있지만, 주의가 산만해질 수 있는 예술가.
  • LSTM (Long Short-Term Memory): 기억력이 매우 뛰어난 예술가. 이들은 단순히 지금 무엇이 일어나고 있는지뿐만 아니라, 몇 초 전에 무슨 일이 있었는지도 기억합니다. 이는 난류가 연쇄 반응이기 때문에 매우 중요합니다. 즉, 지금 일어나는 일은 직전에 일어난 일에 크게 의존합니다.

3. 최종 결과: 완벽한 듀오

이 논문은 이 두 팀을 결합합니다. "엄격한 회계사"는 속도와 압력을 담당하고, "직관적인 예술가"(특히 LSTM 모델)는 난류 마찰을 예측합니다.

왜 LSTM이 승리했을까요?
난류는 도미노가 쓰러지는 것과 같습니다. 만약 첫 번째 도미노(현재 순간)만 본다면, 나머지 도미노들이 어떻게 쓰러질지 예측할 수 없습니다. 도미노가 쓰러지는 사슬(과거의 기록)을 봐야 합니다. LSTM 모델은 이 사건의 사슬을 기억하는 데 가장 탁월합니다.

결과

이 하이브리드 시스템을 슈퍼컴퓨터 시뮬레이션과 비교 테스트했을 때:

• 속도 및 압력: 모델은 믿을 수 없을 정도로 정확했습니다 (오차 단 0.7%).
• 난류 마찰: 모델은 혼돈을 **4%**의 오차로 예측했으며, 이는 다른 AI 모델들(최대 14%의 오차를 보임)보다 훨씬 뛰어난 성적이었습니다.

요약하자면

이 논문은 혼돈스러운 유체를 빠르게 시뮬레이션하는 영리한 방법을 제시합니다. 하나의 방법으로 모든 것을 해결하려고 하지 않았습니다. 대신, 정확함이 필요한 부분(속도/압력)에는 엄격한 수학을 사용하고, 계산하기 까다롭고 혼란스러운 부분(난류)에는 스마트한 AI의 기억력을 사용했습니다.

그 결과, 슈퍼컴퓨터 없이도 3D 난류 흐름의 "소용돌이"를 포착할 수 있는 빠르고 정확한 시뮬레이션을 만들어냈으며, 이는 때때로 어려운 문제를 해결하는 가장 좋은 방법은 수학과 머신러닝이 각자 가장 잘하는 일을 하도록 만드는 것임을 증명합니다.

기술 요약

기술 요약: 동일 격자(Collocated Grids) 상의 난류 유동을 위한 하이브리드 이산화 후 투영(Discretize-then-Project) 차수 축소 모델 및 데이터 기반 클로저

문제 정의
고해상도 모델을 포함하는 난류 유동의 전산유체역학(CFD) 시뮬레이션은 종종 과도한 계산 비용과 메모리 요구 사항으로 인해 제약을 받는다. 차수 축소 모델링(Reduced-Order Modeling, ROM)은 지배 방정식을 저차원 부분 공간으로 투영함으로써 이러한 비용을 완화하는 전략을 제공한다. 그러나 표준 투영 기반 ROM(특히 POD-Galerkin)을 동일 격자(collocated finite volume grids) 상의 난류 유동에 적용하는 것은 상당한 어려움을 수반한다. "이산화 후 투영(discretize-then-project)" 전략은 속도 및 압력장에 대해 질량 보존과 압력-속도 결합을 보장하지만, 난류 점성 계수 필드에 직접 적용될 경우 물리적으로 일관된 결과를 도출하지 못한다. 표준 침투형(intrusive) Galerkin 투영은 축소된 기저(reduced basis) 내에서 에디 점성(eddy viscosity)의 복잡한 시간적 진화와 비선적 상호작용을 정확하게 해소할 수 없으며, 이는 물리적 불일치를 초래한다. 또한, 동일 격자는 적절히 안정화되지 않을 경우 수치적 불안정성(예: checkerboard 압력 모드)을 겪을 수 있으며, 이를 해결하기 위해 일반적으로 Rhie-Chow 보간이나 압력 안정화와 같은 보조 기술이 필요하지만 이는 축소된 차수 정식화(reduced-order formulation)를 복잡하게 만든다.

방법론
저자들은 침투형 투영의 수학적 엄밀함과 비침투형 데이터 기반 방식의 적응성을 결ệp한 하이브리드 ROM 프레임워크를 제안한다. 방법론은 다음과 같이 구성된다:

1. 전체 차수 모델(Full-Order Model, FOM) 및 이산화:

   • 불가압 나비에-스토크스 방정식(incompressible Navier-Stokes equations)을 Smagorinsky subgrid-scale 모델을 사용하는 대형 와류 시뮬레이션(Large Eddy Simulation, LES) 방식으로 해결한다.
   • FOM은 구조적 격자 상에서 **동일 유한 체적법(collocated finite volume method, FVM)**을 사용하며, OpenFOAM 프레임워크 내에서 구현된다.
   • 동일 격자에서의 안정성 문제를 보조 안정화 기술 없이 해결하기 위해, 연구에서는 **"이산화 후 투영" 일관적 플럭스 방법(consistent flux method, CFM)**을 채택한다. 이 전략은 이산화된 수준에서 연산자를 직접 정식화하여, 전체 차수의 행렬과 경계 기여분을 축소된 공간으로 투영함으로써 속도와 압력 표현 사이의 일관성을 보장한다.

2. 하이브리드 차수 축소 전략:

   • 침투형 경로 (속도 및 압력): 속도와 압력장은 일관적 플럭스 정식화의 POD-Galerkin 투영을 사용하여 해결된다. 이는 고충실도 스냅샷으로부터 고유 직교 분해(Proper Orthogonal Decomposition, POD) 모드를 추출하고, 이 모드들 위로 이산 연산자(대류, 확산, 구배 및 라플라시안)를 투영하는 과정을 포함한다. 이 경로는 질량 보존을 보장하고 나비에-스토크스 방정식의 물리적 결합을 유지한다.
   • 비침투형 경로 (난류 점성): 투영 방식이 난류 필드에 부적합하다는 점을 인식하여, **데이터 기반 클로저(data-driven closure)**를 사용하여 난류 점성($\nu_T$)을 재구성한다. 점성 방정식을 투영하는 대신, 신경망을 학습시켜 속도 및 압력의 시간적 계수를 통해 난류 점성의 시간적 계수를 예측한다.

3. 신경망 아키텍처:

   • 점성 계수의 시간적 진화를 모델링하기 위해 세 가지 아키텍처인 다층 퍼셉트론(MLP), 트랜스포머(Transformers), 장단기 메모리(LSTM) 네트워크를 평가하였다.
   • LSTM 아키텍처는 정보의 시간적 상관관계를 장기간 전파하는 능력이 뛰어나며, 이는 비정상(unsteady) 난류 유동의 이력 의존적 특성을 포착하는 데 필수적이므로 선택되었다.

주요 기여

• 3D 난류로의 확장: 본 연구는 (기존 2D 층류에 국한되었던) "이산화 후 투영" 전략을 완전한 3차원 난류 구성으로 확장하여, 증가된 물리적 복잡성과 계산적 요구 사항을 해결하였다.
• 동일 격자를 위한 하이브리드 클로저: 난류 점성은 머신러닝을 통한 비침투형 방식으로 처리하고, 속도와 압력은 물리 기반의 일관적 플럭스 정식화에 의해 제어되는 새로운 하이브리드 접근 방식을 도입하였다. 이를 통해 축소된 차수 수준에서 복잡한 안정화 기술을 요구하지 않고도 압력 안정화 기법을 피할 수 있다.
• 아키텍처 비교 분석: MLP, Transformer, LSTM 네트워크를 비교하여 난류 클로저를 위한 각 모델의 구체적인 강점을 식별하는 체계적인 분석을 제공하였다.

결과
프레임워크는 리드 구동 공동(lid-driven cavity)(단위 입방체, $50 \times 50 \times 50$ 메쉬, 리드 속도 기준 $Re$)의 3D LES를 통해 검증되었다.

• 모델 구성: 속도, 압력, 난류 점성에 대해 10개의 POD 모드를 유지하였다. 처음 1800개 타임 스텝은 학습에, 나머지 200개는 검증에 사용되었다.
• 성능 지표:
  • LSTM 기반 클로저는 MLP 및 Transformer 모델에 비해 과도 동역학(transient dynamics)을 포착하는 데 있어 우수한 성능을 보였다.
  • 상대 오차 (LSTM):
    • 속도: 0.7%
      def 압력: 6.0% (모든 아키텍처에서 일관됨)
    • 난류 점성: 4.0% (MLP의 14.0% 및 Transformer의 9.0%보다 현저히 낮음)
  • 에너지 및 엔스트로피(Enstrophy): LSTM 모델은 다른 아키텍처에 비해 에너지(0.7%)와 엔스트로피(1.7%)에서 약간 더 낮은 상대 오차를 보였다.
• 시각적 검증: 전체 차수 모델(FOM)과 하이브리드 ROM 간의 속도, 압력, 난류 점성 필드 비교를 통해, 하이브립 기술이 유동 구조를 성공적으로 재현하며 근사가 정확함을 확인하였다.

의의 및 주장
본 논문은 제안된 프레임워크가 투영 기반 ROM의 수학적 일관성과 딥러닝의 예측 유연성 사이의 간극을 효과적으로 메운다고 주장한다. 유동 변수(속도/압력에 대한 침투형)와 난류 클로저(점성에 대한 비침투형)의 처리를 분리함으로써, 이 방법은 복잡한 안정화 기술 없이도 동일 격자 상의 3D 난류 유동에 대해 안정적이고 정확한 차수 축소 모델을 달yr한다.

저자들은 하이브리드 모델이 특정 리드 구동 공동 테스트 케이스에 대해 유동 진화의 주요 특성을 성공적으로 포착하였으나, 추가적인 테스트 케이스가 필요함을 언급하며 신중하게 결론을 맺었다. 이는 다양한 유동 조건 및 기하학적 구조에 대한 접근 방식의 성능을 완전히 평가하기 위함이다. 본 연구는 (LSTM이 수행한 것처럼) 시간적 상관관계를 명시적으로 고려하는 것이 클로저 항이 최근의 유동 이력에 의존하는 비정상 난류 동역학을 모델링하는 데 매우 중요하다는 점을 강조한다.