리놀즈 수를 입력으로 하는 파라미터화 물리 기반 신경망 유체해석기

초록

본 논문은 리놀즈 수(Re)를 네트워크 입력으로 포함한 파라미터화 PINN(Physics‑Informed Neural Network) 모델을 제안한다. 2차원 뚜껑 구동 캐비티 흐름을 대상으로, 저 Re 구간에서는 순수 PINN만으로도 넓은 Re 범위의 속도·압력장을 정확히 재현하고, 고 Re 구간에서는 전이 학습과 제한된 CFD 데이터(희소 감독)를 결합한 하이브리드 방식을 도입해 예측 정확도를 회복한다. 결과는 OpenFOAM 기반 고정밀 CFD와의 정량적 비교에서 높은 일치도를 보이며, 파라미터화된 PINN이 연속적인 흐름 해를 하나의 모델로 제공함을 입증한다.

상세 분석

이 연구는 기존 PINN이 “고정 파라미터”라는 한계에 머물러 있다는 점을 정확히 짚어낸다. 특히 유체역학에서 가장 중요한 비차원 수인 리놀즈 수를 입력 변수로 명시함으로써, 네트워크가 물리적 매개변수와 해 공간 사이의 연속적인 매핑을 학습하도록 설계했다. 로그 변환 후 정규화된 Re 입력은 tanh 활성화 함수와의 시너지 효과를 내며, 큰 동적 범위의 Re를 효율적으로 다룰 수 있게 한다.

네트워크 구조는 10개의 은닉층에 각각 80개의 뉴런을 배치하고, Glorot 초기화와 tanh 활성화를 사용해 학습 안정성을 확보했다. 내부 콜로케이션 포인트와 경계 포인트를 무작위(몬테카를로) 샘플링함으로써 고주파 잔차에 대한 편향을 최소화하고, Adam‑L‑BFGS 두 단계 최적화를 적용해 전역 탐색과 정밀 수렴을 동시에 달성했다.

저 Re(≤~200) 구간에서는 순수 PINN이 물리 손실과 경계 손실만으로도 충분히 수렴한다. 이는 확산 항이 지배적이고 비선형 대류항이 약해 손실 함수가 비교적 균형을 이루기 때문이다. 그러나 Re가 증가하면서 대류항이 지배적으로 변하고, PDE 잔차가 급격히 스티프해지면서 최적화가 불안정해진다. 저자들은 이를 “stiffness‑induced optimization imbalance”라 명명하고, 두 가지 대응책을 제시한다. 첫째, 손실 가중치를 적응적으로 조정해 대류와 확산 잔차의 스케일을 맞춘다. 둘째, 전이 학습(transfer learning)과 희소 CFD 감독을 결합한 하이브리드 프레임워크를 도입한다. 구체적으로, 저 Re 구간에서 학습된 가중치를 초기값으로 사용하고, 고 Re 구간에서 몇 개의 대표적인 Re(예: 500, 800, 1000)에 대해 고정밀 OpenFOAM 시뮬레이션 데이터를 소량(수백 포인트) 제공한다. 이 데이터는 물리 손실에 추가되는 데이터 손실 항으로 포함되어, 네트워크가 고 Re에서의 급격한 변화(2차원 회전, 2차 소용돌이 등)를 정확히 포착하도록 돕는다.

실험 결과는 두드러진데, 파라미터화 PINN이 훈련에 포함되지 않은 Re(예: 300, 700)에서도 높은 정확도를 유지한다는 점이다. 특히 속도 중심선 프로파일과 압력 분포는 기존 Ghia et al., Botella & Peyret, Erturk et al.의 벤치마크와 평균 절대 오차가 1% 이하로 일치한다. 고 Re에서의 외삽(Extrapolation)도 제한된 범위 내에서는 괜찮은 성능을 보이며, 이는 파라미터화된 네트워크가 물리적 연속성을 내재하고 있기 때문이다.

또한, 모델 파라미터 수(≈ 6×10⁴)와 학습 시간(≈ 8시간, 1 GPU) 대비, 전통적인 CFD(동일 격자, 128×128, 10⁴ 시간 단계) 대비 10배 이상 빠른 추론 속도를 기록한다. 이는 실시간 혹은 대규모 파라미터 스윕이 요구되는 설계 최적화, 제어, 디지털 트윈 등에 바로 적용 가능함을 시사한다.

마지막으로, 저자들은 파라미터화 PINN의 한계도 언급한다. 현재는 2차원 정적 흐름에 국한되었으며, 복잡한 경계 조건(예: 움직이는 물체)이나 난류 모델링에는 추가적인 물리 손실(예: LES/ RANS 방정식) 및 더 정교한 샘플링 전략이 필요하다. 또한, 로그‑정규화된 Re 입력이 매우 높은 Re(>10⁴)에서는 여전히 스케일링 문제를 일으킬 수 있어, 다중 스케일 네트워크 설계가 요구된다.