점진적 특이값 분해(iSVD)를 통한 이력 인식 적응형 차수 축소 모델

차수 축소 모델 (Reduced-order models, ROMs)은 고차원 동역학 시뮬레이션 (high-dimensional dynamical simulations)을 가속화할 수 있지만, 온라인 동역학 (online dynamics)이 오프라인 학습 데이터 (offline training data)가 나타내는 범위를 벗어날 경우 정확도가 저하되는 경우가 많습니다. 본 연구에서는 점진적 특이값 분해 (incremental singular value decomposition, iSVD)에 기반한 투영 기반 적응형 ROM 프레임워크를 개발하였으며, 여기서 간헐적인 전체 차수 연산자 평가 (full-order operator evaluations)는 온라인 기저 업데이트 (online basis updates)를 위한 수정 스냅샷 (correction snapshots)을 제공합니다. 여기서 고려되는 침투형 ROM (intrusive ROMs)은 기저 (basis)에 의해 완전히 매개변수화되므로, 각 업데이트는 축소된 연산자 (reduced operators)와 하이퍼-리덕션 (hyper-reduction) 메커니즘으로 자연스럽게 전파됩니다. iSVD는 진화하는 특이 구조 (singular structure)를 통해 관찰된 동역학의 인코딩된 이력을 유지하며, 이러한 의미에서 이력 인식 (history-aware) 특성을 갖습니다. 우리는 복잡도가 증가하는 세 가지 비선형 문제, 즉 1차원 점성 Burgers 방정식 (viscous Burgers equation), Sod 충격관 (Sod shock tube), 그리고 강성(stiff)을 가진 1차원 10종 성분 회전식 엔진 (rotating detonation engine, RDE)에 대해 이 방법을 연구합니다. Burgers 문제는 방법을 분석하고 iSVD를 다른 대안적 기저 적응 규칙들과 비교하는 데 사용되었으며, 이력 인식 업데이트가 즉각적 업데이트 (instantaneous updates)보다 성능이 뛰어나고 iSVD가 가장 강력한 전반적 성능을 제공함을 보여줍니다. Sod 및 RDE 사례는 이러한 장점들이 더 까다로운 압축성 유동 (compressible-flow) 설정에서도 지속됨을 입증합니다. RDE 문제의 경우, iSVD 적응형 ROM은 예측 정확도와 계산 효율성 모두에서 현재의 최첨단(state-of-the-art)인 직접 적응형 ROM (Direct adaptive ROM) 베이스라인보다 개선된 성능을 보여줍니다. 비용 분석에 따르면, 지배적인 온라인 비용은 수정 스냅샷을 얻기 위해 전체 차수 모델 (full-order model)과 상호작용하는 데서 발생하며, iSVD 업데이트 자체는 무시할 수 있는 수준입니다. 이러한 결과는 iSVD를 축소된 부분 공간 (reduced subspaces)의 온라인 학습을 위한 효과적인 메커니즘으로 식별하며, 초기 학습 창보다 수 자릿수 더 긴 시간 지평(horizons) 동안 예측력을 유지하는 ROM을 향한 경로를 제시합니다.