물리정보 내재형 비선형 차원축소를 이용한 고속 흐름 필드 저차원 모델링

초록

본 논문은 비선형 매니폴드 학습에 물리 파라미터를 암묵적으로 삽입하여 흐름장 예측 정확도를 높이는 IPE‑ML 기법을 제안한다. 초기 매니폴드 좌표를 Isomap·LLE 등으로 얻은 뒤, 가우시안 프로세스 회귀(GPR) 모델을 이용해 물리 파라미터와 좌표 사이의 관계를 학습하고, L‑BFGS 최적화로 좌표를 물리 정보에 맞게 미세조정한다. 최종적으로 조정된 좌표와 역매핑을 통해 고차원 흐름장을 재구성한다. 트랜소닉 RAE2822와 초음속 육각형 에어포일 사례에서 기존 ML+GPR 대비 충격파와 국부 오차가 크게 감소함을 보였다.

상세 분석

본 연구는 기존 비선형 차원축소 기반 ROM이 데이터‑주도적으로 매니폴드 좌표를 생성하고 물리 파라미터는 단순 보간에만 활용한다는 한계를 정확히 짚어낸다. 이를 극복하기 위해 ‘암묵적 물리 삽입(Implicit Physics Embedding)’이라는 새로운 프레임워크를 도입했으며, 핵심 아이디어는 물리 파라미터(α, M 등)를 입력으로 하는 GPR 서러게이트 모델을 초기 매니폴드 좌표와 연결시킨 뒤, 예측 좌표와 실제 좌표 간의 L2 손실을 최소화하도록 매니폴드 좌표 자체를 최적화하는 것이다. 이 과정에서 L‑BFGS가 사용되며, 손실 함수의 그래디언트가 명시적으로 구해질 수 있어 효율적인 수렴이 가능하다.

매니폴드 학습 단계에서는 Isomap과 LLE 두 가지 대표적인 비선형 차원축소 기법을 적용해 초기 좌표( Y⁰ )를 얻는다. Isomap은 지오데식 거리를 보존해 전역적인 비선형 구조를 포착하고, LLE는 국부적인 선형 관계를 유지한다. 두 방법 모두 고차원 CFD 샘플을 저차원 d‑차원 공간에 투사하지만, 물리 파라미터와의 연관성은 반영되지 않는다.

그 후 GPR 서러게이트 모델을 구축해 물리 파라미터 Θ → 매니폴드 좌표 Y⁰ 를 학습한다. GPR은 베이지안 회귀 특성상 불확실성 추정이 가능하고, 매니폴드 좌표가 연속적·부드러운 함수임을 가정하기에 적합하다. 최적화 단계에서는 현재 서러게이트 모델이 예측한 좌표 Ŷ와 실제 좌표 Y⁰ 사이의 차이를 최소화하도록 Y를 업데이트한다. 이때 매니폴드 좌표 자체가 물리 파라미터에 의해 조정되므로, 물리적 변동이 매니폴드 구조에 직접 반영된다. 최적화가 끝나면 조정된 좌표 *Y와 재학습된 GPR *f가 확보된다.

역매핑 단계에서는 커널 리치 회귀(KRR) 기반의 비선형 재구성 방식을 사용한다. Matérn 커널을 채택해 RBF보다 유연한 거리 척도를 제공하고, 릿지 정규화를 통해 과적합을 방지한다. 이렇게 얻어진 *Y와 *f를 이용해 새로운 파라미터 Θₚ에 대한 매니폴드 좌표를 예측하고, 역매핑을 통해 전체 흐름장 Xₚ를 복원한다.

실험에서는 트랜소닉 RAE2822와 초음속 육각형 에어포일 두 케이스를 선정했다. 트랜소닉 경우 충격파 위치와 강도가 파라미터 변화에 민감한데, IPE‑ML은 기존 ML+GPR 대비 충격파 관련 L₂ 오류를 30 % 이상 감소시켰다. 초음속 경우에도 국부적인 오차가 제한된 영역에 국한되어 전체 평균 오차가 크게 낮아졌다. 이는 물리 파라미터가 매니폴드 구조에 내재화됨으로써 비선형 현상을 더 정확히 포착한 결과라 할 수 있다.

한편, 본 방법은 GPR 학습 및 L‑BFGS 최적화가 추가 비용을 요구한다는 점에서 전통적인 데이터‑주도 매니폴드 학습보다 연산량이 늘어날 수 있다. 또한 매니폴드 차원 d와 GPR 하이퍼파라미터 선택이 결과에 민감하게 작용하므로, 자동화된 차원 선택 및 하이퍼파라미터 튜닝 기법이 향후 연구 과제로 남는다. 전반적으로 물리 정보와 비선형 차원축소를 통합한 IPE‑ML은 고속·고압 흐름과 같은 강한 비선형 현상을 다루는 ROM에 새로운 방향을 제시한다.