Cheap2Rich: A Multi-Fidelity Framework for Data Assimilation and System Identification of Multiscale Physics - Rotating Detonation Engines

Motivation

• Known: SHRED(Shallow Recurrent Decoder) 프레임워크는 희소 센서 히스토리로부터 잠재 동역학을 학습해 전체 상태(full-state)를 재구성할 수 있음이 알려져 있으며, Koch의 1차원 축소모델(reduced-order model)은 RDE의 지배적인 detonation-front 전파 동역학을 저비용으로 근사하는 데 널리 사용되어 왔다.
• Gap: 기존 축소모델은 injector-driven unsteadiness, mixing, non-equilibrium loss 등 미세 스케일 물리를 무시하거나 지나치게 단순화하여 실제(고충실도) 물리와 구조적 불일치를 남기며, DA(data assimilation)를 강하게 비선형적이고 다중 안정(multistable)이며 희소·잡음 센서를 갖는 시스템의 latent learning에 결합하는 연구는 거의 이루어지지 않았다.
• Why: RDE와 같은 multi-scale 물리 시스템의 고충실도 시뮬레이션은 수백만 CPU-시간과 수개월이 소요되어 설계 탐색, 불확실성 정량화, 실시간 제어에 근본적 제약을 가하므로, 저비용 모델과 희소 센서만으로 고충실도 상태를 신속하고 해석 가능하게 복원하는 방법은 실질적 공학적 가치가 크다.
• Approach: SHRED 아키텍처를 시뮬레이션 데이터에 대해 학습시킨 뒤, 배포 시점에 저주파(LF) 성분을 경량 모델로 센서 유도 잠재분포에 맞추고, 고주파(HF) 보정을 센서 공간 잔차(residual)로부터 스펙트럴 희소성(spectral sparsity) 정규화를 통해 학습하는 두 갈래(pathway) 분해 방식을 사용한다.

Achievement

Figure 2. The Cheap2Rich architecture. (a) Simulation model provides full-state data X and sparse sensor measurements S.

1. 다중 충실도 재구성 성공: 희소 센서 측정만으로 고충실도 RDE 상태를 성공적으로 복원하며, LF+HF 결합 경로가 단순 저충실도 prior 대비 오차를 74.9% 감소시켰다.
2. 물리적으로 해석 가능한 discrepancy 분리: 학습된 HF 보정 성분이 three-wave 구조의 harmonics에 집중된 sparse Fourier content를 보이며, 이는 injector-modulated forcing과 일치하는 phase-locked 보정임을 규명했다.
3. 실용적 multi-fidelity bridge 구현: 초 단위로 실행되는 축소모델과 거의 무시할 수 있는 추가 비용의 네트워크 추론을 결합해, 수 주가 걸리는 고충실도 시뮬레이션 대비 실시간에 가까운 상태 재구성 및 missing-physics 식별을 가능하게 했다.

How

Figure 2. The Cheap2Rich architecture. (a) Simulation model provides full-state data X and sparse sensor measurements S.

• AFRL methane-oxygen RDRE(rotating detonation rocket engine)에 대해 AMReX 기반 compressible Navier-Stokes 및 species transport 방정식을 유한체적법(finite-volume)과 2차 SSP Runge-Kutta 시간적분으로 풀어 1.78억 셀, 3500 CPU, 2백만 CPU-시간 이상이 소요되는 고충실도 데이터를 생성.
• Cantera와 FFCMy-12 mechanism(12종, 38반응)을 이용한 상세 유한율 화학(finite-rate chemistry) 모사.
• 결과를 3차원 원통형 mesh(30000 포인트) 및 1차원 ring(100포인트)으로 투영하여 저차원 표현 확보, COM 프레임 및 min-max rescaling으로 전처리.
• Koch의 1차원 축소모델을 저비용 prior로 사용하고, 표준 SHRED 네트워크를 시뮬레이션 데이터에 학습시켜 센서 히스토리로부터 전체 상태 재구성.
• 배포 시 실제 센서 측정만 이용 가능한 상황을 모사하여, LF DA-SHRED 경로로 latent feature를 실제(reality)에 맞게 갱신하고, HF 경로는 센서 잔차 R을 처리해 미세 스케일 보정을 산출, 두 경로를 결합해 최종 재구성 ˜X'_{LF+HF} 생성.
• three-wave co-rotating configuration에서 오차 감소율 및 Fourier 스펙트럼 분석을 통해 injector-driven 물리와의 연관성 검증.

Originality

• 기존 SHRED 프레임워크에 배포 시점(deployment-time) data assimilation 메커니즘을 추가하여 LF/HF 두 경로로 명시적으로 분해한 것이 구조적으로 새로움.
• 축소모델(Koch's model)과 고충실도 시뮬레이션 간의 discrepancy를 단순 오차 보정이 아니라 spectrally sparse 정규화를 통해 물리적으로 해석 가능한(injector-driven forcing과 연관된) 성분으로 분리한 접근.
• RDE와 같이 압축성 유동, 충격파-detonation 상호작용, stiff chemistry, injector 결합이 뒤섞인 실제 multi-scale 공학 시스템에 DA-강화 latent learning을 적용한 최초 사례 중 하나로 제시됨.

Limitation & Further Study

• 검증이 단일 기하(AFRL RDRE)와 특정 3-wave co-rotating 작동 조건에 국한되어, 다른 작동점이나 injector 구성으로의 일반화 가능성은 추가 검증이 필요함.
• '실제 물리'로 사용된 것 역시 고충실도 시뮬레이션이며 실제 실험 센서 데이터에 대한 검증은 제시되지 않아, 실제 sim2real 성능은 미확인 상태임.
• HF 보정의 spectral sparsity 정규화 방식과 하이퍼파라미터 선택에 대한 민감도 분석이 부족해 보이며, 노이즈가 더 큰 실제 센서 환경에서의 강건성 검증이 필요함.
• 후속 연구로 다양한 injector 설계, 실제 실험 데이터, 실시간 제어 루프 통합 등으로의 확장이 요구됨.

Evaluation

총평: 저비용 축소모델과 희소 센서만으로 고충실도 multi-scale 물리를 해석 가능하게 복원하는 실용적이고 참신한 프레임워크로, RDE라는 도전적 실세계 시스템에 대한 검증이 인상적이나 단일 조건에 국한된 검증과 실제 실험 데이터 부재는 아쉬운 점이다.