물리 기반 초해상도 GAN으로 난류 반응 흐름의 서브그리드 모델링 혁신

**1. 서론 및 배경** 난류와 반응 흐름을 정확히 예측하기 위해서는 서브그리드 모델링이 필수적이다. 최근 데이터‑드리븐 접근법이 대규모 레이블 데이터와 GPU 기반 학습으로 급부상했지만, 고차원 자유도와 엄격한 물리 제약을 만족시키는 모델을 찾는 일은 여전히 어려움이 있다. 특히 LES에서는 필터링된 저해상도(LES) 데이터만을 이용해 DNS 수준의 미세 구조를 복원해야 하는데, 기존의 CNN 기반 회귀 모델은 일반화와 외삽에서 한계를 보인다. **2. GAN 및 물리‑인포드 GAN 개념** 생성적 적대 신경망(GAN)은 제너레이터와 디스크리미네이터가 최소극대 게임을 수행하며 데이터 분포를 학습한다. 전통적인 GAN은 이미지 분야에서 성공했지만, 물리적 일관성을 보장하기 위해 손실 함수에 물리 제약을 추가하는 물리‑인포드 네트워크가 최근 제안되었다. 본 연구는 이러한 아이디어를 초해상도 GAN(ESRGAN) 구조에 적용해 PIESRGAN을 설계한다. **3. PIESRGAN 아키텍처** - **제너레이터**: 3‑D Conv 레이어와 LeakyReLU를 기본으로 하며, Residual‑in‑Residual Dense Block(RRDB)을 핵심으로 한다. RRDB는 Dense Block 내부의 모든 레이어를 서로 연결하고, 블록 간에 잔차 스케일링(β_RSF=0.2)을 적용해 학습 안정성을 높인다. 배치 정규화는 제거해 난류 특유의 고주파 구조가 왜곡되지 않도록 한다. 입력과 출력은 동일한 16×16×16 서브박스이며, 출력은 에너지 스펙트럼이 고주파 쪽으로 강화된 형태이다. - **디스크리미네이터**: 초기 Conv3D 블록은 BN 없이 구성하고, 이후 7개의 Conv3D+BN 블록을 쌓아 깊이를 늘린다. 마지막에는 1024 차원의 완전 연결 레이어와 Dropout(0.4)으로 과적합을 방지한다. Relativistic adversarial loss를 채택해 실제와 생성 샘플 간의 상대적 진위 판단을 학습한다. **4. 손실 함수 및 물리‑인포드 제약** 총 손실 L = β₁L_adv + β₂L_pixel + β₃L_gradient + β₄L_continuity 로 정의한다. - L_adv: Relativistic adversarial loss. - L_pixel: 재구성된 장과 목표 장 간의 MSE. - L_gradient: 장의 공간 미분(그라디언트) MSE, 고주파 구조 보존에 기여. - L_continuity: ∇·u = 0 조건을 강제하는 연속성 손실, 무압축성 흐름의 물리적 일관성을 확보한다. **5. 구현 및 학습 세부 사항** 학습 데이터는 DNS에서 추출한 16³ 서브박스를 32 배치 크기로 사용했으며, RMSProp 옵티마이저와 zero‑mean, unit‑variance 정규화를 적용했다. 전체 코드는 GitHub에 공개되어 재현성을 높였다. **6. 두 단계 학습 전략** 1단계: 고해상도 DNS(‘H’)와 필터링된 LES(‘F’) 데이터를 이용해 제너레이터와 디스크리미네이터를 동시에 학습한다. 2단계: 고Reynolds LES(‘~F’) 데이터를 제너레이터에만 공급해 추가 학습한다. 이때 DNS 기반 손실(L_pixel, L_gradient)은 사용할 수 없으므로 L_adv와 L_continuity가 주된 구동력이다. 이렇게 하면 네트워크가 고주파 구조를 스스로 생성하도록 유도하면서도 물리적 제약을 유지한다. **7. a priori 테스트** - 데이터: 4096³ 격자 DNS(최대 Re≈88)와 그 필터링 버전. - 결과: 1단계만 사용했을 때는 훈련 범위 내(Re≤75)에서는 높은 재구성 정확도, 훈련 외(Re=88)에서는 작은 스케일이 부족했다. - 2단계 학습(‘~F’ 데이터 포함) 후에는 Re≈250까지 외삽이 가능해졌으며, 스칼라와 속도 모두 스펙트럼 상에서 고주파 에너지와 구조를 정확히 복원했다. **8. a posteriori 테스트 – Spray A LES** - 대상: ECN Spray A 케이스(고Re, 다상 스프레이, 복합 연소). - 적용: PIESRGAN을 서브필터 모델로 사용해 필터링된 LES 방정식의 미완성 항(응력·소스)을 재구성하고, 이를 LES 타임스텝에 적용했다. - 성능: 기존 모델 대비 연소 시작 시점, 스프레이 분무·증발 패턴, 온도·종(species) 분포가 실험 데이터와 더 가까워졌다. 또한, 에너지 스펙트럼에서 고주파 손실이 크게 감소했으며, 계산 비용은 DNS 대비 1~2% 수준으로 유지되었다. **9. 논의 및 한계** PIESRGAN은 물리‑인포드 손실을 통해 물리적 일관성을 보장하면서도 GAN의 강력한 생성 능력을 활용한다는 점에서 혁신적이다. 두 단계 학습은 고Reynolds 환경에서도 일반화 가능성을 보여준다. 그러나 현재는 3개의 속도 성분과 하나의 수동 스칼라만을 다루며, 복잡한 화학 메커니즘·다상 상호작용에 대한 확장은 추가 연구가 필요하다. 또한, GAN 특성상 학습 불안정성 및 모드 붕괴 위험이 존재하므로, 손실 가중치와 학습 스케줄에 대한 민감도 분석이 요구된다. **10. 결론 및 향후 연구** 본 논문은 물리‑인포드 초해상도 GAN을 이용해 LES 서브그리드 모델링을 구현하고, 정적·동적 테스트와 실제 연소 LES에 적용해 높은 정확도와 효율성을 입증하였다. 향후 연구는 (1) 다중 스칼라·다중 화학 종을 포함한 전반적인 연소 모델링, (2) 압축성 난류와 고마하 수치에 대한 확장, (3) 실시간 LES‑GAN 연동을 통한 온라인 서브그리드 업데이트, (4) 물리‑인포드 손실의 자동 튜닝 및 불확실성 정량화 등을 목표로 할 수 있다.