Offline accuracy is not enough: closed-loop instability and stabilisation of a wall-sensor neural estimator in opposition control

기술 요약: 오프라인 정확도만으로는 부족하다: 대립 제어(Opposition Control)에서 벽면 센서 신경망 추정기의 폐쇄 루프 불안정성 및 안정화

문제 정의
대립 제어(Opposition control)는 버퍼층 내의 검출 평면에서 측정된 벽 법선 속도와 크기는 같고 방향은 반대인 벽 법선 분사 및 흡입 속도를 가함으로써 피부 마찰 항력을 감소시키는 전형적인 능동 유동 제어 전략이다. 이 전략은 효과적이지만, 벽에 장착된 센서로는 얻을 수 없는 물리량(측정 평면의 $z^+ \approx 14$에서의 속도)을 감지해야 한다는 요구 사항이 따른다. 딥러닝과 선형 확률적 추정(Linear Stochastic Estimation)이 벽 전단 응력($\tau_x, \tau_y$)으로부터 내부 유동의 물리량을 고정밀도로 오프라인 재구성할 수 있음을 입증했으나, 이러한 추정기가 실시간 피드백 폐쇄 루프 시스템 내에서 살아있는 대리물(surrogate)로서 기능할 수 있는지는 아직 검증되지 않았다. 본 연구가 다루는 핵심 질문은, 고정된 유동 상태에서 학습된 신경망 추정기가 자신이 감지하는 바로 그 유동을 능동적으로 수정할 때 안정성과 성능을 유지할 수 있는가 하는 점이다.

방법론
저자들은 마찰 레이놀즈 수 $Re_\tau = 180$인 난류 채널 유동의 직접 수치 모사(DNS)를 사용한다. 제어 루프는 다음과 같이 작동한다:

1. 감지(Sensing): 제어기는 순시 벽 전단 응력 성분($\tau_x, \tau_y$)을 읽는다.
2. 추정(Estimation): 합성 컨볼루션 GRU(ConvGRU) 네트워크는 이러한 벽 신호를 검출 평면의 벽 법선 속도($\hat{w}$)의 추정치로 매핑한다. 순환 구조(Recurrent architecture)는 시간적 맥락을 제공하여, 벽 신호만으로 벽면 외부의 장(field)을 추론하는 결정 불충분(under-determined) 문제를 해결한다.
3. 구동(Actuation): 추정된 속도는 대립 법칙($w_{wall} = -\alpha \hat{w}$)에 사용되어 제로 넷 질량 분사 및 흡입 경계 조건을 부과한다.

본 연구는 세 가지 별도의 단계로 진행된다:

• 오프라인 검증: 추정기는 통계적으로 정상 상태인 이상적인 대립 제어(OC) 유동 데이터로 학습되며 오프라인에서 검증된다.
• 폐쇄 루프 실패 분석: 추정기를 직접 배치하여 적용한다. 저자들은 불안정성의 메커니즘을 분석하며, 추정치의 작은 고주파수 오차가 경계 조건으로 부과될 때 축적되어 유동을 학습 분포로부터 벗어나게 만드는(분포 변화, distribution shift) 현상을 관찰한다.
• 안정화 전략: 두 가지 교정 조치가 도입된다:
  1. 스펙트럼 매칭(Spectral Matching): 구동부에 스펙트럼 저역 통과 필터와 횡방향 스펙트럼 재스케일링을 적용한다. 이는 추정된 장의 에너지 스펙트럼이 참조 학습 분포와 일치하도록 강제하여, 벽 신호가 해상할 수 없는 불안정한 고주파수 모드를 제거한다.
  2. 폐쇄 루프 재학습(Closed-Loop Retraining): 제어된 유동 자체에서 수집된 데이터로 추정기를 재학습시킨다(반복적 데이터 수집). 이는 추정기의 학습 분포를 제어된 시스템의 실제 끌개(attractor)와 정렬시킨다.

주요 결과

• 오프라인 대비 온라인 불일치: 추정기는 완벽에 가까운 오프라인 정확도(상관관계 $\rho \approx 0.99$)를 달성하지만, 폐쇄 루프에서는 처참하게 실패한다. 개입이 없으면 상관관계가 15~20 점성 시간 단위 내에 0으로 떨어지며 솔루션이 발산한다.
• 실패 메커니즘: 불안정성은 고주파수 오차에 의해 유발된다. 이러한 오차는 오프라인에서는 에너지 측면에서 무시할 만하지만, 경계 조건으로 부과될 때 비선형 피드백 루프에 의해 증폭된다. 지수 이동 평균(EMA)이나 저역 통과 필터링과 같은 표준적인 해결책은 발산을 지연시키기는 하지만, 상관관계의 상실을 가속화하여 기능적인 제어기를 만드는 데 실패한다.
• 안정화 성공:
  • 스펙트럼 매칭만 적용하면 루프는 무한히 안정되지만, 추정기가 여전히 분포 불일치 상태에서 작동하므로 14.6%의 항력 감소율(이상적인 OC의 22.7% 대비)만을 보인다.
  • 폐쇄 루프 데이터로 추정기를 재학습시키는 과정(반복적 과정)을 거치면 유동 통계가 재정렬된다. 두 번째 재학습 단계(retrain-2)는 **19.7%**의 평균 항력 감소율을 보이는 안정적인 제어기를 생성하며, 이는 이상적인 OC 성능에 근접한다.
• 유동 구조: 두 번 재학습된 벽 전용 제어기는 이상적인 대립 제어의 근벽 난류 구조를 재현한다. 평균 속도 프로파일, 레이놀즈 전단 응력, 사분면 이벤트 분율(ejections 및 sweeps), 그리고 2차원 에너지 스펙트럼은 이상적인 OC 케이스와 거의 구별할 수 없을 정도로 유사하며, 단지 약간 더 높은 근벽 활동성만을 보이며 이는 미세하게 낮은 항력 감소율과 일치한다.

의의 및 주장
본 논문은 오프라인 정확도만으로는 불충분하다고 주장한다. 주요 장애물은 오프라인에서 유동을 재구성하는 능력이 아니라, 제어기가 유동을 수정할 때 해당 재구성이 갖는 **동적 일관성(dynamic consistency)**이다.

저자들은 실패가 분포 변화(distribution shift)로부터 기인한다는 점을 밝혀냈으며, 이는 특히 벽 측정값이 충분한 정보를 담지 못하는 고주파수 대역에서 발생한다. 본 연구는 다음의 두 부분으로 구성된 교정을 통해 안정적인 벽 전용 대립 제어가 가능하다는 것을 입в증한다:

1. 스펙트럼 일관성: 구동을 벽 센서가 해상 가능한 스펙트럼 대역으로 제한함으로써 불안정한 고주파수 에너지의 주입을 방지한다.
2. 루프 내 재학습: 제어된 유동에서 생성된 데이터로 추정기를 재학습시켜, 추정기가 생성하는 특정 통계 상태에 대해 추정기가 유효하도록 보장한다.

이 연구는 감독 학습된 추정기(supervised estimator)가 만약 배포 전략이 벽 감지의 스펙트럼 한계를 고려하고 제어된 끌개에 반복적으로 적응하도록 설계된다면, 살아있는 대리 센서로서 기능할 수 있음을 확립한다. 약 3% 포인트의 잔여 항력 감소 격차는 모델링의 실패가 아니라, 고주파수 대역에서 벽과 검출 평면 사이의 근본적인 결합도(coherence) 한계, 즉 물리적 제약에 기인한다.