Uncertainty-aware reduced-order modelling with sparse sensing and data assimilation for forecasting combustion dynamics

연소는 연료와 공기 사이의 격렬하고 혼돈스러운 대화이며, 이는 우리 엔진에 동력을 공급하고 집을 데우는 과정이지만 완벽한 정확도로 예측하기는 매우 어렵기로 악명 높습니다. 화염 내부에서는 화학 반응이 번개 같은 속도로 일어나며, 눈 깜짝할 사이에 변하는 열과 압력의 소용돌이 패턴을 만들어냅니다. 이러한 시스템을 이해하기 위해 과학자들은 종-종 모든 미세한 세부 사항을 시뮬레이션하기 위해 슈퍼컴퓨터에 의존하지만, 이러한 시뮬레이션은 계산 능력을 너무 많이 소모하여 제트 엔진이 비행하는 동안 모니터링하는 것과 같은 실시간 상황에 도움이 될 만큼 빠르게 실행될 수 없습니다. 이 간극을 메우기 위해 연구자들은 화염의 모든 분자를 계산하지 않고도 가장 중요한 움직임을 포착하는 단순화된 버전인 '차수 축소 모델(reduced-order models)'을 개발했습니다. 그러나 이러한 단순화된 모델은 화염이 훈련 단계에서 나타났던 것과 다르게 행동할 경우 경로를 벗어날 수 있으며, 과학자들이 전체 화염을 볼 수 없어 어둠 속에서 일어나는 일을 추측하기 위해 단 몇 개의 흩어진 센서에 의존해야 할 때 어려움을 겪곤 합니다.

프랑스와 벨기에의 연구진은 데이터가 노이즈가 많고 불완전할 때도 이러한 단순화된 모델이 궤도를 유지할 수 있는 새로운 방법을 개발했습니다. 그들은 복잡한 화염 패턴을 분해하는 스마트한 방식과 패턴이 어떻게 진화할지 예측하는 통계적 방법을 결합하고, 제한된 센서 데이터를 사용하여 자신의 추측을 끊임없이 수정하는 시스템을 만들었습니다. 실세계의 난류 화염 이미지와 정밀한 컴퓨터 시뮬레이션의 층류 화염 모두에 이 접근 방식을 테스트함으로써, 그들은 이 방법이 불의 미래 행동을 성공적으로 예측할 수 있음을 발견했습니다. 가장 중요한 점은, 초기 예측 모델이 그다지 좋지 않았더라도 신중하게 선택된 지점들로부터 얻은 적은 수의 온도 측정값을 입력하는 것만으로도 오류를 수정하여 예보를 높은 수준의 정확도로 되돌릴 수 있다는 것을 발견했다는 것입니다.

이 연구의 핵심은 연구자들이 화염의 복잡성을 처리하는 방식에 있습니다. 화염 전체를 한꺼번에 추적하는 대신, 그들은 '다중 스케일 적절 직교 분해(multi-scale proper orthogonal decomposition)'라고 불리는 기술을 사용하여 화염의 거동을 진동하는 속도에 따라 서로 다른 층으로 분리합니다. 화염이 느린 리듬으로 흔들리면서 동시에 빠르게 깜빡인다고 상상해 보십시오. 이 방법은 느린 흔들림을 빠른 깜빡임으로부터 분리하여, 혼란스러운 덩어리를 명확하고 관리 가능한 리듬들의 집합으로 바꿉니다. 화염이 이러한 더 단순한 리듬들로 분해되면, 연구자들은 '가우시안 프로세스 회귀(Gaussian process regression)'라고 알려진 통계적 도구를 사용하여 이러한 리듬이 시간이 지남에 따라 어떻게 변할지 예측합니다. 이 도구는 특히 유용한데, 단 하나의 답만을 주는 것이 아니라 예측과 함께 불확실성의 척도를 제공하여 시스템이 자신의 예보를 얼마나 신뢰해야 하는지를 알려주기 때문입니다.

이 프레임워크를 테스트하기 위해 연구팀은 두 가지 매우 다른 시나리오에 이를 적용했습니다. 첫 번째는 공기가 유입되는 시스템을 조절함으로써 강제로 진동하게 만든 연소 챔버 내부의 실제 소용돌이치는 화염을 포함하는 실험적 데이터셋이었습니다. 두 번째는 연료 흐름이 여러 주파수로 조절되어 더 복잡하고 다중 톤의 응답을 만들어내는 고충실도 컴퓨터 시뮬레이션의 층류 화염이었습니다. 두 경우 모두 연구진은 데이터의 일부를 사용하여 모델을 훈련시킨 다음 미래의 행동을 예측하도록 했습니다. 그들은 수학적 '커널(kernel)'—모델이 시간의 흐름에 따른 화염의 리듬을 이해하는 데 사용하는 규칙—의 선택이 결정적이라는 것을 발견했습니다. 반복적이고 주기적인 패턴을 인식하도록 설계된 커널이 다른 커널들보다 일관되게 우수한 성능을 보였으며, 노이즈가 있는 실험적 화염과 복잡한 시뮬레이션 화염 모두에서 가장 안정적이고 정확한 예보를 제공했습니다. 이는 모델에게 반복되는 주기를 기대하도록 명시적으로 가르치는 것이 연소 역학의 본질을 포착하는 강력한 방법임을 시사합니다.

그러나 예보는 그것이 받는 정보만큼이나 훌륭할 수 있습니다. 실세계의 응용 분야에서 과학자들은 시스템 전체를 완벽하게 볼 수 있는 경우가 드뭅니다. 연구자들은 화염의 아주 좁은 창만을 볼 수 있거나 단 몇 개의 센서에만 접근할 수 있다고 가정하여 이 제한 사항을 시뮬레이션했습니다. 그들은 이러한 희소한 단서들로부터 화염의 전체 상태를 재구성하는 세 가지 다른 방법을 테스트했습니다: 표준 가중치 접근법, 안정성을 더하는 정규화 방법, 그리고 훈련 데이터를 통해 센서와 화면 사이의 관계를 학습하는 베이지안 접근법입니다. 결과는 정규화 방법과 베이지안 방법이 센서가 적거나 시야가 차단되었을 때 훨씬 더 견고하다는 것을 보여주었습니다. 표준 방법은 데이터가 줄어듦에 따라 어려움을 겪고 큰 오차를 발생시킨 반면, 더 정교한 접근 방식들은 정확도를 유지했는데, 이는 정보 자체만큼이나 누락된 정보를 수학적으로 처리하는 방식이 중요하다는 것을 입증했습니다.

예측의 마지막 조각은 모델의 예보가 새로운 관측값에 의해 지속적으로 수정되는 과정인 '데이터 동화(data assimilation)'입니다. 연구자들은 앙상블 칼만 필터를 사용하여 확률적 예보를 희소한 센서 측정값과 결합하였고, 양쪽의 불확실성을 모두 고려하였습니다. 실험적인 경우에는 이 수정 과정이 모델이 시간이 지남에 따라 현실에서 벗어나지 않도록 유지하는 데 도움을 주었습니다. 가장 놀라운 결과는 층류 화염의 수치 시뮬레이션에서 나왔습니다. 여기서 연구자들은 화염의 진동 타이밍을 제대로 포착하지 못하는, 즉 정확하지 않은 것으로 알려진 예보 모델로 시작했습니다. 그런 다음 그들은 매우 어려운 감지 환경을 시뮬레이션하기 위해 최적의 위치에서 추출되어 상당한 노이즈가 섞인 단 6개의 온도 측정값만을 이 결함 있는 모델에 입력했습니다. 결함 있는 시작점과 노이즈가 많은 데이터에도 불구하고, 동화 과정은 예보를 성공적으로 수정했습니다. 시스템은 수정 과정 중에 전체 화염을 본 적이 없음에도 불구하고, 전체 온도와 화학적 조성을 가장 성능이 좋은 모델에 근접하는 정확도로 재구성할 수 있었습니다.

이러한 발견은 서로 다른 수학적 기법들 사이의 강력한 시너지를 강조합니다. 화염을 근본적인 리듬으로 분리하고, 불확실성을 이해하는 통계적 모델을 사용하며, 희소하고 노이즈가 많은 데이터로 예측을 끊임없이 개선함으로써, 연구자들은 실세계 측정의 불완전함에 탄력적인 시스템을 구축했습니다. 이 연구는 정확한 예측을 하기 위해 완벽한 모델이나 완벽한 시스템의 시야가 필요한 것이 아니라, 자신이 아는 것과 관찰할 수 있는 것을 지능적으로 결합할 수 있는 프레임워크가 필요하다는 것을 보여줍니다. 현재의 시스템은 오프라인에서 훈련된 모델에 의존하며 아직 실시간으로 기초 물리 법칙을 적응시킬 수는 없지만, 결과는 효율적이고 신뢰할 수 있는 연소 시스템의 디지털 트윈을 만들기 위한 명확한 경로를 제시합니다. 이 접근 방식은 궁극적으로 엔지니어들이 불의 포효 속에서 몇 가지 핵심적인 음을 듣는 것만으로도 발전소에서 항공기 엔진에 이르기까지 복잡한 연소 과정을 실시간으로 모니터링하고 제어할 수 있게 하여 안전과 효율성을 개선할 수 있을 것입니다.