다중스케일 유동 예측을 위한 Fourier 기반 프리컨디셔너‑솔버 네트워크

초록

본 논문은 고대비 다공성 매질에서 Darcy 방정식을 풀기 위해 Fourier 프리컨디셔너와 계층형 다중스케일 신경망을 결합한 FP‑HMsNet을 제안한다. 대규모 KLE‑생성 데이터셋(≈17만 샘플)으로 학습한 결과, 테스트 MSE 0.0036, MAE 0.0375, R² 0.9716을 달성했으며, 잡음 강인성 및 전처리·다중스케일 경로의 기여를 입증하였다. 이 모델은 기존 방법 대비 오류 감소, 수렴 속도 향상, 계산 복잡도 O(N²logN)으로 실시간 지하 유동 예측에 적합함을 보인다.

상세 분석

FP‑HMsNet은 두 단계의 핵심 모듈로 구성된다. 첫 번째는 Fourier 기반 프리컨디셔너(Fourier Preconditioner)로, 고대비 투과성 필드 κ(x)를 주파수 영역에서 변환해 전역적인 스펙트럼 정보를 강조한다. 이 과정은 고주파 성분을 보존하면서도 입력 차원을 크게 늘리지 않으며, 전통적인 ILU·다중그리드 프리컨디셔너와 달리 선형‑로그 복합 복잡도 O(N²logN)를 유지한다. 두 번째는 계층형 다중스케일 컨볼루션 네트워크(Hierarchical Multiscale Net)로, 각 레벨에서 지역적인 GMsFEM 기반 스냅샷 공간을 학습하고, 스펙트럼 전처리된 특징을 다중해상도 필터링한다. 이 구조는 저주파 전역 흐름과 고주파 국부 변동을 동시에 포착한다는 점에서 기존 FNO‑단일망보다 표현력이 뛰어나다.

이론적 분석에서는 Lipschitz‑제한 레이어와 변분 형식의 결합을 통해 안정성(Lipschitz 연속성)과 수렴성(잔차가 지수적으로 감소)을 증명하였다. 특히 고대비 조건(κ비율 > 10⁴) 하에서도 프리컨디셔너가 시스템 행렬의 스펙트럼 클러스터링을 유도해 조건수를 크게 낮추어, CG‑계열 솔버의 반복 횟수를 30 % 이상 감소시켰다. 오류 경계는 전역 L² 오차 ≤ C·h^{α}+C’·N^{-β} 형태로 제시되며, 여기서 α,β는 네트워크 깊이와 Fourier 차원 축소 비율에 의존한다.

실험에서는 102 757개의 학습 샘플, 34 252개의 검증·테스트 샘플을 사용했으며, 다양한 잡음 레벨(σ = 0~0.1)에서도 MSE 변동이 0.0004 이하로 안정적이었다. Ablation study는 (1) 프리컨디셔너 제거 시 MAE가 0.062로 66 % 상승, (2) 다중스케일 경로를 단일 스케일로 축소했을 때 R²가 0.928으로 감소함을 보여, 두 모듈이 성능에 기여함을 명확히 한다. 또한, 기존 GMsFEM‑기반 수치 해법 대비 5배 빠른 추론 속도와, 최신 HANO·FNO 대비 2배 이상 낮은 오류를 기록하였다. 이러한 결과는 FP‑HMsNet이 고대비 다공성 매질의 다중스케일 유동을 실시간으로 예측할 수 있는 SOTA 솔루션임을 입증한다.