소수 샷 및 물리 복원 가능한 심볼릭 회귀 기반 난류 모델

초록

본 논문은 제한된 DNS 데이터(주기적 언덕 유동)만을 이용해 심볼릭 회귀(SR)로 일반화된 유효 점성 가설을 정규화한 새로운 난류 모델을 제시한다. 훈련에 사용된 흐름 구성은 소수 샷(few‑shot) 형태이며, 학습된 모델은 전형적인 k‑ω‑SST 베이스라인을 다양한 흐름(평판, NACA0012, NASA Rotor 37)에서 능가한다. 또한 물리적 조건에 따라 모델이 자동으로 베이스라인으로 복원되는 “물리 복원” 특성을 보인다.

상세 분석

이 연구는 데이터‑드리븐 난류 모델링의 두 가지 핵심 한계—일반화 능력과 물리적 신뢰성—를 동시에 해결하려는 시도로 평가된다. 첫째, 저자들은 “소수 샷” 개념을 명확히 정의한다. 여기서 소수 샷은 학습에 사용되는 흐름 구성의 수가 적다는 의미이며, 데이터 포인트 자체의 양이 아니라 서로 다른 물리적 현상을 포괄하는 흐름 케이스의 다양성을 강조한다. 이를 통해 훈련 비용을 크게 낮추면서도 모델이 새로운 흐름에 적용될 때 전체적인 성능 향상을 목표로 한다.

둘째, 논문은 일반화된 유효 점성 가설(general effective‑viscosity hypothesis)을 정규화(normalized) 형태로 재정의한다. 기존 가설은 텐서 기반 전개에서 각 텐서의 스케일이 다르기 때문에 학습이 불안정하고 과적합 위험이 있었다. 정규화된 텐서 ˆTi와 정규화된 계수 ˆgi는 Frobenius 노름이 1이 되도록 스케일을 맞추어, 계수의 절대값만으로 각 항의 상대적 중요도를 직관적으로 판단할 수 있게 한다. 이는 심볼릭 회귀가 탐색 공간을 효율적으로 축소하고, 물리적 의미를 유지한 식을 도출하는 데 기여한다.

셋째, 입력 피처는 두 부류로 나뉜다. (i) 텐서 불변량 I1‑I17은 정규화된 변형률·회전 텐서, 압력·난류에너지 기울기 텐서 등을 이용해 구성했으며, (ii) 추가 피처 qβ는 Q‑기준, 벽 거리 기반 레이놀즈 수, 시간‑스케일 비율 등 전통적인 무차원 파라미터를 포함한다. 이러한 풍부한 피처 집합은 SR이 복잡한 비선형 관계를 포착하도록 돕는다.

넷째, 심볼릭 회귀 엔진으로는 PySR을 사용했으며, 다중 인구(evolutionary) 전략, 변이·교배·단순화·상수 최적화 등을 통해 3‑tensor(SR 3T)와 5‑tensor(SR 5T) 모델을 각각 도출했다. SR 5T는 추가 텐서 T5를 제외하고 T1‑T4·T6을 활용했으며, 정규화된 계수의 크기를 통해 근벽 영역에서는 거의 0에 수렴하도록 설계돼, 물리적 조건(예: 근벽에서의 Boussinesq 가정)이 만족될 때 자동으로 베이스라인 k‑ω‑SST와 동일한 점성 모델을 구현한다.

다섯째, 검증 결과는 설득력 있다. 주기적 언덕 흐름에서는 SR 5T가 기존 k‑ω‑SST보다 재현 오차를 15 % 이상 감소시켰으며, 평판 흐름에서는 근벽 전단 응력과 속도 프로파일이 거의 일치했다. NACA0012 에어포일과 NASA Rotor 37 압축기에서는 압력계와 유동 분리 영역에서 베이스라인보다 높은 정확도를 보였으며, 특히 고속·압축성 흐름에서 SR 5T가 점성 항을 억제해 비정상적인 과점성을 방지했다.

마지막으로, “물리 복원” 특성은 모델이 학습된 데이터와 물리적 제약 사이에서 스스로 전환한다는 점에서 혁신적이다. 근벽 근처와 비와류 영역에서 ˆgi가 거의 0이 되면서 모델이 자동으로 k‑ω‑SST와 동일한 형태로 수렴한다. 이는 별도의 차폐 함수나 추가 네트워크 없이도 물리적 신뢰성을 확보할 수 있음을 의미한다. 전체적으로 이 논문은 소수 샷 학습, 정규화된 텐서 기반 회귀, 그리고 물리 복원 메커니즘을 결합해 데이터‑드리븐 난류 모델의 실용성을 크게 향상시킨다.