VAE를 활용한 압축기 개방 팁 간극 흐름 예측 보정 연구
CFD Correction of Open Tip Clearance Flow in a Compressor Cascade Using VAE Latent Space Adaptation
arXiv압축기 캐스케이드의 개방 팁 간극 흐름에 대한 CFD 예측과 실제 실험 데이터 사이의 오차를 줄이는 비침습적 보정 기법을 개발했습니다.
- 변이형 오토인코더(VAE)와 잠재 공간 어댑터 방식을 활용하여, 희소한 실험 관측치만으로도 높은 정확도의 흐름장 예측이 가능합니다.
- RANS 솔버 자체를 수정하거나 인공적인 고해상도 데이터를 구축할 필요 없이, 기존 CFD 모델의 성능을 효과적으로 개선했다는 점이 핵심입니다.
- 다만, 이 방법은 VAE 기반 어댑터를 오직 제한된 수의 CFD-실험 쌍 데이터만을 사용하여 학습한다는 기술적 한계를 가집니다.
압축기 캐스케이드의 개방 팁 간극 흐름(open tip clearance flow)에 대한 CFD 예측은 실험 결과와 불일치하는 경향이 있으며, 고해상도의 실험적 참값 데이터 확보가 어렵다는 문제가 있다. 본 연구는 이러한 문제를 해결하기 위해 변이형 오토인코더(VAE) 기반의 비침습적 보정 방법을 제안한다. 이 방법은 기존 RANS 솔버를 수정하거나 인공적인 고해상도 실험 레이블을 구축할 필요 없이, CFD 예측과 희소한 실험 관측치를 결합하여 흐름장 일치도를 개선하는 것을 목표로 한다.
먼저 VAE는 166개의 샘플링된 CFD 총압 손실 필드 데이터셋을 사용하여 저차원의 통계적 표현을 학습시키는 데 사용된다. 이후 VAE 모델은 고정(frozen)되고, 단지 12쌍의 CFD-실험 운전 조건만을 활용하여 저랭크 잠재 공간 어댑터가 훈련된다. 이 과정에서 관측 연산자(observation operator)를 사용하여 수정된 고해상도 필드를 실험 관측 공간에 매핑하며, 실제 측정 위치와 측정된 피치별 창 내에서만 감독을 적용할 수 있다.
실험 결과에 따르면, 현재의 12겹 교차 검증(12-fold cross-validation)을 통해 성능 개선이 확인되었다. 평균 절대 오차(MAE)는 0.1335에서 0.0473으로 감소했으며, 제곱근 평균 제곱 오차(RMSE)는 0.1717에서 0.0621로 줄어들었다. 또한 상대 $L_2$ 오차 역시 0.5108에서 0.1871로 개선되어, 제안된 방법이 CFD 예측과 희소한 실험 관측치 간의 일치도를 높이는 데 효과적임을 보여준다.
용어 풀이
- 매개변수
- 모델이 학습하면서 조정한 내부 숫자. 개수가 많을수록 대체로 모델이 크고 무거워요.