FlowReconBench: 희소 센서로부터의 학습 및 고전 흐름 재구성에 대한 정확도, 보정(calibration) 및 비용 분석

희소 센서로부터 전체 흐름장(flow field)을 재구성하려면 측정되지 않은 영역과 물리 변수에 대한 사전 가정이 필요합니다. 하지만 학습된 모델이 고전적 추정기보다 언제 우수한지, 그리고 예측의 어떤 측면을 신뢰할 수 있는지 여전히 불분명합니다. FlowReconBench는 세 가지 영역(regime)에서 열 가지 학습된 방법과 다섯 가지 고전적 방법을 평가합니다. 이 영역은 레이놀즈 수에 따른 층류 실린더 후류, 2차원 Kolmogorov 난류, 그리고 대규모 3차원 (3D) 등방성 난류입니다. 모든 방법들은 누출 제어 분할(leakage-controlled splits)과 센서 추출 방식을 공유하며, 채널별 오차(per-channel error), 앙상블 확산도(ensemble spread), 보정(calibration), 스펙트라 및 비용을 기준으로 점수가 매겨집니다. 최고 성능의 방법은 각 영역마다 달라집니다. 고전적 방법들은 저차원 및 밀집 센싱 영역에서 강력한 성능을 보입니다. 실린더 후류에서는 관찰되지 않은 압력까지 포함하여 선형 확률 추정(linear stochastic estimation)과 가비 적절 직교 분해(gappy proper orthogonal decomposition)가 최고 성능을 기록했습니다. 3D 환경에서는 역거리 가중치법(inverse-distance weighting)이 관측된 채널에서 최고의 학습된 방법들과 견줄 만한 성능을 보였습니다. 데이터 기반 방법들은 센서 밀도가 감소하거나 센서 관측성이 떨어질 때 우위를 점하게 됩니다.

Kolmogorov 흐름의 경우, 연속 순위 확률 점수(continuous ranked probability score)와 오차는 서로 다른 방법 순위를 보여줍니다. 생성 모델(generative models)은 더 넓지만 분산이 낮은 앙상블을 제공하는 반면, 결정론적 모델(deterministic models)은 점별 오차를 우선시합니다. 생성 모델은 샘플러 예산(sampler budget)을 통해 이러한 상충 관계를 균형 있게 맞추며, 더 큰 예산은 높은 계산 비용으로 인해 앙상블 품질을 향상시키는 효과가 있습니다.

3D 환경에서 스케일링 테스트는 질의 가능한 방법들(queryable methods)이 메모리 측면에서 평탄한 반면, 전체 그리드 구성 방법들은 메모리가 부족해지는 것을 보여줍니다. 4개의 필드 중 단지 2개만 관측하는 경우 문제는 운동학적으로 과도하게 제약되지 않은 상태가 되지만, 잠재 모델(latent model)은 지상 진실(ground truth)과의 구조적 유사성을 재현할 수 있습니다.