Core Concepts
본 연구에서는 "이산화 먼저, 필터링 다음" 패러다임에 기반한 비압축성 Navier-Stokes 방정식을 위한 새로운 신경망 기반 대규모 와류 시뮬레이션 프레임워크를 제안한다. 이를 통해 모델-데이터 일관성을 달성하고 학습된 폐쇄 모델을 동일한 환경에서 사용할 수 있다. 또한 새로운 발산 일치 이산 필터를 도입하여 이산 발산 제약을 보존한다.
Abstract
본 연구에서는 "이산화 먼저, 필터링 다음" 접근법에 기반한 비압축성 Navier-Stokes 방정식을 위한 새로운 신경망 기반 대규모 와류 시뮬레이션 프레임워크를 제안한다.
이산화 먼저 접근법을 통해 모델-데이터 일관성을 달성하고 학습된 폐쇄 모델을 동일한 환경에서 사용할 수 있다.
새로운 발산 일치 이산 필터를 도입하여 이산 발산 제약을 보존한다.
발산 일치 LES 정식화와 합성곱 신경망 폐쇄 모델을 결합하면 사전 및 사후 학습에서 안정적이고 정확한 결과를 얻을 수 있다.
일반적인 (발산 불일치) LES 모델은 사후 학습 또는 다른 안정성 보장 조치가 필요하다.
Stats
2D 시뮬레이션에서 DNS 해상도는 (4096, 4096)이고, 3D 시뮬레이션에서는 (512, 512, 512)이다.
2D 시뮬레이션의 경우 κp = 20, Re = 104, Δt = 5 × 10-5이고, 3D 시뮬레이션의 경우 κp = 5, Re = 2000, Δt = 10-4이다.
두 시뮬레이션 모두 tend = 0.1까지 실행되었다.
Quotes
"본 연구에서는 "이산화 먼저, 필터링 다음" 패러다임에 기반한 비압축성 Navier-Stokes 방정식을 위한 새로운 신경망 기반 대규모 와류 시뮬레이션 프레임워크를 제안한다."
"새로운 발산 일치 이산 필터를 도입하여 이산 발산 제약을 보존한다."