Neural-Network-based Viscosity Closure for Non-Newtonian Multiphase Flows

본 논문은 실험적 레오미터 데이터로 학습된 신경망을 Cahn–Hilliard–Navier–Stokes 유한 요소 솔버 내의 점도 폐쇄(viscosity closure) 모델로 통합하는 실용적인 워크플로우를 제시하며, 솔버의 수정 없이도 비뉴턴 실리콘 잉크의 상승 역학 및 형상을 정확하게 시뮬레이션함으로써 해당 접근 방식의 유효성을 성공적으로 검증하였다.

핵심

당신이 걸쭉하고 끈적한 잉크 한 방울이 액체 욕조 속에서 어떻게 움직이는지 시뮬레이션하려고 한다고 상상해 보십시오. 현실 세계에서 이 잉크는 물처럼 행동하지 않습니다. 이 잉크는 "비뉴턴(non-Newtonian)"적입니다. 즉, 이 잉크의 점도(끈적임)는 당신이 얼마나 빨리 젓느냐에 따라 변합니다. 강하게 밀어붙이면 케첩처럼 묽어질 수도 있고, 전분물처럼 더 걸쭉해질 수도 있습니다.

전통적으로 이를 시뮬레이션하려는 컴퓨터 과학자들은 잉크가 어떻게 행동하는지 설명하기 위해 특정 수학 공식(예: "Carreau–Yasuda" 방정식)을 추측해야만 했습니다. 하지만 새로운 잉크를 발명할 때마다, 그들은 매번 새로운 공식을 유도하고 컴퓨터 코드를 다시 작성해야 했습니다. 이는 연료 타입이 바뀔 때마다 엔진을 수동으로 재건축해야 하는 자동차를 운전하는 것과 같습니다.

이 논문은 **인공지능(AI)**을 사용하여 이를 수행하는 더 스마트하고 유연한 방법을 제시합니다.

"스마트한 대체물" (신경망)

연구진은 컴퓨터가 경직된 수학 공식을 사용하도록 강요하는 대신, 잉크의 행동을 대신할 "스마트한 대체물" 역할을 하는 "신경망(neural network, 일종의 AI 두뇌)"을 훈련시켰습니다.

1. 경험으로부터의 학습: 그들은 특정 실리콘 잉크가 다양한 속도로 저질 때 어떻게 반응하는지를 측정한 실제 기계의 데이터를 가져왔습니다.
2. 훈련: 그들은 AI에게 저을 때의 속도를 보고 그 순간 잉크가 얼마나 걸쭉해질지를 정확히 예측하도록 가르쳤습니다.
3. "매끄러움" 규칙: AI가 혼란에 빠지거나 비현실적인 예측(예: 잉크가 순식간에 단단한 바위로 변한다고 예측하는 것)을 하지 않도록, 그들은 "립시츠 정규화(Lipschitz regularization)"라는 규칙을 추가했습니다. 이것은 AI의 학습에 대한 **"속도 제한"**이라고 생각하면 됩니다. 이는 AI가 들쑥날쑥하고 불규칙한 예측을 하는 대신, 매끄럽고 점진적인 예측을 하도록 강제합니다.

"만능 번역기" (ONNX)

보통 AI를 훈련시키면, 그 특정 AI를 이해할 수 있도록 물리 시뮬레이션 소프트웨어를 새로 작성해야 합니다. 이는 느리고 오류가 발생하기 쉽습니다.

연구진은 ONNX(Open Neural Network Exchange)라고 불리는 형식을 사용했습니다. 이것은 만능 번역기나 표준 USB 드라이브와 같다고 상상해 보십시오. 그들은 훈련된 AI를 이 형식으로 저장했습니다. 이제 물리 시뮬레이션 소프트웨어는 AI 파일을 직접 다시 작성할 필요 없이, 그 AI 파일을 "플러그인"처럼 꽂아서 "이 속도에서 점도가 어떻게 되나요?"라고 물어보기만 하면 됩니다. AI가 힘든 일을 다 하고, 시뮬레이션 소프트웨어는 그저 듣기만 하면 되는 것입니다.

테스트 드라이브: 떠오르는 기포

이 시스템이 작동하는지 증명하기 위해, 그들은 두 가지 유형의 테스트를 실행했습니다.

1. "교과서적" 테스트: 그들은 이미 정확한 수학 공식이 알려져 있는 유체 속에서 기포가 떠오르는 것을 시뮬레이션했습니다. 그들은 AI 기반 시뮬레이션과 알려진 수학 공식을 비교했습니다.

   • 결과: AI는 수학 공식과 완벽하게 일치했습니다. 이는 "플러그 앤 플레이(plug-and-play)" 방식이 작동함을 입증했습니다.

2. "실제 세상" 테스트: 그들은 실험실에서 두 종류의 실제 실리콘 잉크 혼합물을 만들었습니다. 그리고 고속 카메라를 사용하여 이 잉크 방울들이 특수 액체(perfluorodecalin) 속을 떠오르는 모습을 촬영했습니다.

   • 그들은 실제 실험실 데이터를 AI에 입력했습니다.
   • 그 후 컴퓨터가 방울이 떠오르는 것을 시뮬레이션하게 했습니다.
   • 결과: 컴퓨터 시뮬레이션은 실제 영상에서 보이는 모습과 거의 똑같이 방울의 속도와 모양을 예측했습니다. 시뮬레이션된 방울은 실제 방울처럼 보였고, 동일한 속도로 떠올랐습니다.

이것이 왜 중요한가 (논문에 따르면)

이 논문은 이것이 적층 제조(3D 프린팅과 같은 방식)를 위한 실질적인 경로라고 주장합니다. 디지털 광경화(DLP)나 직접 잉크 쓰기(Direct Ink Writing)에 사용되는 잉크와 같이 복잡한 재료를 사용하여 프린팅할 때, 재료의 거동을 예측하는 것은 매우 어렵습니다.

이 새로운 워크플로우를 통해 엔지니어들은 다음과 같은 일을 할 수 있습니다:

• 새로운 재료로부터 얻은 실제 실험실 데이터를 가져옵니다.
• 그 데이터로 작은 AI 모델을 훈련시킵니다.
• 이 모델을 시뮬레이션에 직접 연결하여 프린팅 중에 재료가 어떻게 흐를지 확인합니다.

요약하자면: 그들은 유체의 행동을 설명하기 위해 수학자가 될 필요가 없는 시스템을 구축했습니다. 그냥 측정하고, 작은 AI를 훈련시킨 다음, 컴퓨터가 나머지를 알아서 해결하도록 내버려 두면 됩니다. 이 모든 과정 동안 시뮬레이션은 매끄럽고 정확하게 계속 실행됩니다.

기술 요약

기술 요약: 비뉴턴 다상 유동을 위한 신경망 기반 점도 폐쇄(Viscosity Closure)

문제 정의
DLP(Digital Light Processing) 및 DIW(Direct Ink Writing)와 같은 폴리머 기반 적층 제조에 사용되는 재료들은 일반적으로 복잡한 비뉴턴 유변 특성을 나타낸다. Carreau–Yasuda 또는 power-law 공식과 같은 표준 구성 모델은 기본적인 전단 박화(shear-thinning) 또는 전단 농화(shear-thickening) 거동을 효과적으로 설명하지만, 상당한 한계를 지닌다. 이러한 고정된 저차원 함수 형태는 새로운 재료 시스템이나 유변 거동(예: 점탄성, 틱소트로피)이 나타날 때마다 연구자들이 새로운 방정식을 유도하고 이를 유동 솔버 내에 다시 구현해야 한다는 것을 의미한다. 또한, 경험적 피팅(empirical fits)은 물리적 신뢰성을 항상 보장하지 않으며, 데이터 기반 대리 모델(surrogates)은 고충실도 솔버에 통합될 때 비물리적인 진동을 피하기 위해 세심한 정규화가 필요하다. 현재로서는 구축된 워크플로우 없이 실험적 유변 측정 데이터를 다상 유동 솔버 내에 직접 배포할 수 있는 구성 대리 모델(constitutive surrogates)의 체계가 부족한 실정이다.

방법론
저자들은 실험적 유변 측정 데이터로 학습된 신경망을 Cahn–Hilliard–Navier–Stokes (CHNS) 유한 요소 솔버 내의 점도 폐쇄(viscosity closure)로 통합하는 배포 워크플로우를 제시한다. 이 방법론은 세 가지 핵심 구성 요소로 이루어진다:

1. 신경망 공식화 및 학습:

   • 전결합 피드포워드 신경망(fully connected feedforward neural network)을 학습시켜 국소 전단율($\dot{\gamma}$)을 점도($\eta$)로 매핑한다.
   • 학습된 함수가 구성 폐쇄(constitutive closure)로서 사용되기에 적합하도록, 학습 과정에서 **립시츠 정규화(Lipschitz regularization)**를 적용한다. 이는 손실 함수에 입력 그래디언트에 대한 페널티를 추가하여 네트워크 출력의 미분값을 제한한다. 이는 네트워크가 노이즈에 과적합되어 매우 진동하는 함수를 생성하는 것을 방지하며, 특히 훈련된 전단율 범위를 벗어난 외삽(extrapolation) 시에도 매끄럽고 물리적으로 타당한 예측을 보장한다.
   • 네트워크 아키텍처는 하이퍼볼릭 탄젠트(Tanh) 활성화 함수를 사용하는 64개의 뉴런을 가진 두 개의 은닉층으로 구성된다. 데이터가 여러 자릿수(decades)에 걸쳐 분포하므로 학습은 로그-로그(log–log) 공간에서 수행된다.

2. ONNX를 통한 솔버 통합:

   • 학습된 네트워크는 ONNX(Open Neural Network Exchange) 형식으로 내보내진다.
   • CHNS 솔버는 매 반복(iteration)마다 ONNX 런타임을 통해 네트워크를 쿼리한다. 솔버는 국소 전단율을 모델에 전달하고 그에 상응하는 점도를 받는다.
   • 이 접근 방식은 기존의 C++/Fortran 솔버 환경 내에서 네트워크 아키텍처를 재구현하거나 솔버 코드를 수정하지 않고도 신경 구성 모델을 기존의 다상 유동 프레임워크에 통합할 수 있게 한다.

3. 수치 프레임워크:

   • 솔버는 블록 반복 시간 단계(block-iterative time-stepping) 전략을 사용하여 Cahn–Hilliard 방정식을 푼 후 Navier–Stokes 방정식을 푼다.
   • 프레임워크는 병렬, 옥트리 기반 적응형 격자 세분화(Adaptive Mesh Refinement, AMR) 인프라를 채택하여 유체 계면(interface)에 해상도를 집중시킴으로써 상 경계(phase boundary)의 급격한 구배를 효율적으로 해결한다.

주요 기여

• 배포 워크플ло우: 본 논문은 ONNX를 사용하여 실험적으로 학습된 유변 대리 모델을 유한 요소 솔버 내에 배포하는 실질적인 경로를 확립하였으며, 이를 통해 솔버 수정의 필요성을 제거하였다.
• 립시츠 정규화: 학습 중 립시츠 정규화의 적용이 데이터 기반 모델에서 발생할 수 있는 비물리적 진동 문제를 해결하고, 매끄러운 점도 예측을 생성하기 위한 핵심 메커니즘임을 입증하였다.
• 합성 및 실제 데이터에 대한 검증: 본 워크플로우는 합성 벤치마크(Carreau–Yasuda 법칙)와 실제 데이터(실리콘 잉크 조성물) 모두에 대해 검증되었으며, 이를 통해 단조적 및 비단조적 구성 거동 모두에서 견고함을 입증하였다.

결과
연구는 두 가지 주요 실험 세트를 통해 프레임워크를 검증한다:

1. 벤치마크 검증 (합성 데이터):

   • 솔버는 다양한 power-law 지수와 웨버 수(Weber number)를 가진 전단 박화 유체에서의 벤치마크 버블 상승 사례(Pang and Lu [26])를 대상으로 테스트되었다.
   • 신경망 폐쇄(합성 Carreau–Yasuda 데이터로 학습됨)를 사용한 시뮬레이션은 해석적 Carreau–Yasuda 폐쇄를 사용했을 때와 시각적으로 구별할 수 없을 정도로 유사한 버블 형상과 상승 속도를 생성하였다.
   • 신경 네트워크 결과는 참조 문헌의 값과도 일치하였으며, 이는 솔버의 일관성과 신경 파이프라인의 충실도를 확인해 준다.
   • 합성된 비단조 구성 법칙(전단 박화 후 전단 농화) 또한 성공적으로 모델링되었으며, 신경 네트워크는 아키텍처 변경 없이 해석적 결과를 재현하였다.

2. 실험적 검증 (실제 데이터):

   • 두 가지 실리콘 잉크 조성물(fumed silica 함량이 다른 Material A와 B)의 유변 특성을 측정하였다.
   • 고속 비디오를 통해 perfluorodecalin 용액 내에서의 액적 상승 역학을 기록하였다.
   • 신경 네트워크는 실험적 유변 측정 데이터로 학습되었으며, 이를 사용하여 이 액적들의 상승을 시뮬레이션하였다.
   • 형상 일치도: 시뮬레이션된 정상 상태(steady-state) 액적 형상은 실험적 관찰 결과와 일치하였다. Hausdorff 거리는 0.044에서 0.079 사이였고, Chamfer 거리는 0.040에서 0.062(평균 액적 크기로 정규화됨) 사이였으며, 이는 액적 크기의 약 4~8% 이내의 편차를 나타낸다.
   • 속도 일치도: 시뮬레이션된 상승 속도는 네 가지 독립적인 케이스(두 가지 재료, 두 가지 니들 게이지) 모두에서 실험적으로 측정된 범주 내에 있었다.
   • 계산 비용: 신경 네트워크의 추론 비용은 Navier–Stokes 및 Cahn–Hilliard 계산의 선형 대수 비용에 비해 무시할 수 있는 수준이었다.

의의
본 논문은 다물리 시뮬레이션에 신경 구성 폐쇄를 통합하는 데 있어 성장하는 문헌에 기여한다고 주장한다. 본 연구는 전통적인 파라미터 기반 구성 법칙을 실험적 측정값으로 학습된 데이터 기반 대리 모델로 대체하는 실용적이고 솔버 불가지론적(solver-agnostic)인 방법을 보여준다. 복잡한 형태의 함수식이 필요하거나 포착하기 어려운 재료의 유변 특성을 가진 적층 제조 및 기타 응용 분야의 비뉴턴 다상 유동을 시뮬레이션하는 데 있어, 본 연구는 유효한 경로를 제공한다. 저자들은 데이터 기반 폐쇄 모델의 안정성과 물리적 타당성을 보장하기 위해 립시츠 정규화가 필수적임을 강조한다.