기술 요약: 물리 정보 학습을 통한 교반 탱크의 가속화 및 데이터 효율적 유동 예측

문제 제기

산업용 교반 용기 내 유체 유동을 시뮬레이션하는 것은 지배 방정인 편미분 방정식 (PDE) 의 복잡성으로 인해 계산 비용이 매우 높습니다. 대규모 와동 시뮬레이션 (LES) 과 직접 수치 시뮬레이션 (DNS) 과 같은 고충실도 방법이 존재하지만, 발효 및 결정화 공정 최적화와 같은 빠른 반복이 필요한 응용 분야에서는 일반적인 레이놀즈 평균 나비에 - 스토크스 (RANS) 시뮬레이션조차도 실행하기 어려울 수 있습니다. 또한, 운전 조건 (예: 임펠러 속도, 액체 높이) 의 미세한 변화는 새로운 시뮬레이션을 필요로 합니다. 머신러닝 (ML) 은 이러한 예측을 가속화할 수 있는 잠재적 대리 모델 (surrogate) 을 제공하지만, 표준 데이터 기반 모델은 일반적으로 대량의 훈련 데이터셋을 필요로 하므로 시뮬레이션 데이터 생성 비용과 예측 정확도 사이의 절충 관계가 발생합니다. 본 연구는 산업 규모 교반 용기 내 정상 유동장에 대한 훈련 세트 크기와 예측 정확도 간의 관계를 조사하며, 특히 저데이터 영역에서 물리 정보 신경망 (PINNs) 의 유효성을 평가합니다.

방법론

데이터 생성

본 연구는 22 $m^3$ 다중 임펠러 러시턴 터빈 탱크에 대해 $k-\omega$ 난류 모델 (SST 공식) 을 사용하여 생성된 정상 단일상 RANS 시뮬레이션 데이터셋을 활용합니다. 데이터셋은 다음과 같이 정의된 현실적인 운전 조건 범위를 포괄합니다.

• 액체 높이: 1.5 m 에서 6.5 m 사이에서 균일하게 샘플링됨.
• 교반 속도: 50 에서 150 rpm 사이에서 샘플링됨.
  시뮬레이션은 교반기 회전을 포착하기 위해 다중 기준 좌표계 (MRF) 접근법을 사용한 Ansys Fluent 2024R1 을 사용하여 수행되었습니다. 결과 데이터는 원래 CFD 그리드의 비균일 메쉬 밀도를 보존하기 위해 조건당 100,000 개의 지점에서 샘플링된 공간 좌표, 속도 성분, 압력, 상 체적 분율 및 난류 폐쇄 매개변수를 포함합니다.

모델 아키텍처

저자들은 공간 좌표 및 운전 매개변수 (교반 속도, 액체 높이) 에서 유동 변수로의 연속적인 매핑을 학습하기 위해 암시적 신경 표현 (INRs) 을 사용합니다.

• 네트워크 구조: 100 개의 노드를 가진 10 개의 은닉 층을 가진 완전 연결 다층 퍼셉트론 (MLP).
• 입력 처리: 표준 INRs 의 스펙트럼 편향 (저주파 성분을 먼저 학습하는 경향) 을 해결하기 위해, 입력 좌표가 MLP 에 들어가기 전에 푸리에 특징 매핑 (Fourier Feature Mappings) 이 적용됩니다.
• 활성화: 물리장에 적합한 매끄럽고 경계된 비선형성을 보장하기 위해 Tanh 활성화 함수가 사용됩니다.

훈련 전략 및 손실 함수

세 가지 모델 변형이 비교되었습니다.

1. MLP: Mean Squared Error (MSE) 손실 ($L_{data}$) 을 사용하여 라벨이 지정된 CFD 데이터만으로 훈련된 순수 데이터 기반 모델.
2. C-MLP: 손실 함수에 연속 방정식 잔차 ($R_{cont}$) 를 추가한 모델.
3. CM-MLP: 연속 방정식 및 운동량 방정식 잔차 ($R_{cont}$ 및 $R_{u}$) 를 모두 추가한 모델.

참고: 난류 운동 에너지 ($k$) 와 특정 소산율 ($\omega$) 에 대한 수송 잔차는 물리 정보 손실에서 의도적으로 제외되었습니다. 예비 실험 결과, SST $k-\omega$ 소스 항과 벽 거리 의존적 블렌딩 함수의 높은 비선형성과 강성으로 인해 이러한 항을 포함하면 훈련 안정성이 저하되는 것으로 나타났습니다.

총 손실은 데이터 손실과 PDE 잔차 ($L_{res}$) 의 가중 합이며, PDE 항은 균형 잡힌 최적화를 보장하기 위해 $10^{-3}$으로 스케일링되고 분리된 크기로 정규화됩니다.

평가

성능은 다음을 사용하여 평가되었습니다.

1. 전역 정확도: 모든 예측 변수에 대한 테스트 MSE.
2. 정성적 공간 분석: 예측 필드와 참조 데이터 간의 시각적 비교.
3. 추적자 수송 시뮬레이션: 물리적 일관성과 혼합 역학을 평가하기 위해 "동결된" 예측 유동 필드에서 수행된 수동 추적자 분산 시뮬레이션.

주요 결과

데이터 - 정확도 절충 관계

• 단조 개선: 모든 모델 클래스에 대해 훈련 세트 크기가 증가함에 따라 예측 오차 (MSE) 가 단조롭게 감소합니다.
• 체감 효과: 중간 규모 데이터셋 (약 36~54 개 샘플) 을 초과하면 정확도 향상 속도가 현저히 느려집니다. 다양한 모델 변형의 성능이 수렴하기 시작하여, 상대적으로 소수의 잘 선택된 운전 점이 유동의 지배적인 학습 가능한 구조를 포착함을 시사합니다.

물리 제약의 영향

• 저데이터 영역: 데이터가 제한된 시나리오 (예: 7 개 또는 18 개 샘플) 에서 물리 제약 모델 (C-MLP 및 CM-MLP) 은 순수 데이터 기반 MLP 보다 훨씬 우수한 성능을 보입니다. 이들은 더 낮은 전역 MSE, 감소된 반복 간 변동성 (랜덤 시드 간의 견고성) 을 달성하며, 특히 강한 속도 기울기가 있는 영역에서 더 정확한 공간 예측을 제공합니다.
• 고데이터 영역: 훈련 세트가 커짐에 따라 제약의 상대적 이점은 감소합니다. 충분한 데이터가 있으면 제약이 없는 MLP 는 제약된 변형의 성능에 근접합니다.
• PDE 잔차: 제약이 없는 MLP 는 더 많은 데이터로 예측 오차를 줄이지만, 자동 미분을 통해 계산된 PDE 잔차는 상대적으로 크게 유지됩니다. 제약 모델은 구성상 더 낮은 잔차를 유지하며, 이는 필드 기울기가 필요한 하류 작업에 중요합니다.

추적자 수송 및 안정성

• 혼합 역학: 추적자 시뮬레이션 결과, 소규모 데이터셋으로 훈련된 제약 없는 모델은 CFD 참조에 비해 반복 간 변동성과 최종 상태 편향이 더 큰 것으로 나타났습니다. 연속성 제약 (C-MLP) 은 이러한 편향과 변동성을 감소시켰습니다.
• 수치적 결합: 학습된 정상 필드를 일련의 CFD 솔버에 통합하여 과도 추적자 수송을 수행하는 것은 수치적으로 민감했습니다. 전역 오차가 작더라도 국소적 불일치 또는 이산화 불일치는 인위적인 발산이나 비물리적 극값을 도입할 수 있어 신중한 보간 및 일관성 검사가 필요했습니다.

중요성 및 기여

본 논문은 유체 역학을 위한 과학적 머신러닝 분야에 세 가지 주요 기여를 합니다.

1. 데이터셋 생성: 저자들은 다양한 교반 속도와 액체 높이에 걸쳐 RANS ($k-\omega$) 시뮬레이션을 사용하여 산업용 교반 용기 내 정상 유동장의 제어된 데이터셋을 생성하고 공개했습니다.
2. 데이터 효율성에 대한 실증적 연구: 이 연구는 데이터 - 정확도 절충 관계에 대한 체계적인 평가를 제공하여 중간 규모 데이터셋 이상의 정확도에서 명확한 체감 효과를 입증하고, 저데이터 영역에서 물리 제약의 구체적 이점을 정량화했습니다.
3. 물리 제약의 정량화: 이 연구는 데이터가 부족할 때 PDE 제약 모델이 정확도와 안정성을 크게 향상시킨다는 것을 보여줍니다. 그러나 훈련 복잡성 증가와 학습된 필드를 기존 CFD 솔버에 다시 결합할 때의 수치적 취약성 등 실제적인 과제도 강조합니다.

저자들은 물리 정보 학습이 데이터 효율적인 유동 예측을 위한 견고한 경로를 제공하지만, 그 이점은 훈련 데이터가 제한될 때 가장 두드러진다고 결론지었습니다. 데이터 가용성이 증가함에 따라 명시적 물리 제약으로 인한 한계 이득은 감소하지만, 파생량에서 물리적 일관성을 보장하기 위해서는 여전히 가치가 있습니다.