물리 통합 신경 미분 모델을 이용한 침잠 경계 유동 예측

본 논문은 복잡한 침잠 경계(Immersed Boundary, IB) 흐름을 장기적으로 안정적으로 예측할 수 있는 물리‑통합 신경 미분 모델을 제안한다. 기존 고해상도 CFD는 미세 격자와 작은 시간 간격을 요구해 연산 비용이 급증하고, 순수 데이터‑드리븐 서러게이트는 롤아웃 시 누적 오차와 외삽(extrapolation) 상황에서의 취약성을 보인다. 이를 극복하기 위해 저자들은 두 가지 주요 흐름을 결합한다. 첫째, 물리‑보존 신경망(PPNN) 패러다임을 채택해 압력‑투영(pressure‑projection) 절차를 네트워크 구조에 그대로 매핑한다. 구체적으로, 유동 변수는 격자 기반 유한 차분 형태로 업데이트되며, 이때 사용되는 미분 연산은 고정된 커널을 갖는 컨볼루션 연산으로 구현돼 미분 가능성을 유지한다. 둘째, 전통적인 압력‑포아송 단계는 계산 비용이 크게 소요되는 병목 현상이므로, 이를 학습된 ConvResNet 블록으로 대체한다. 이 블록은 중간 속도 *u*⁎ 에 비선형 보정을 가하고, 이어서 압력 필드를 직접 예측함으로써 압력·속도 연계 조건을 암묵적으로 만족한다. 이러한 설계는 압력 연산을 선형 솔버에서 비선형 신경망으로 옮겨, 연산량을 크게 줄이면서도 물리적 일관성을 유지한다. 시간 전진은 크게 두 단계로 나뉜다. (1) 중간 속도 *u*⁎ 계산 단계에서는 학습 시간 간격 Δt (데이터셋 샘플링 간격)보다 훨씬 큰 값이 사용된다. 큰 Δt 은 직접 적용하면 CFL 조건을 위반해 수치 불안정성을 초래한다. 이를 해결하기 위해 저자들은 서브‑이터레이션 전략을 도입한다. Δt 을 N 개의 작은 서브‑스텝 δt=Δt/N 으로 나누어, 각 서브‑스텝마다 전통적인 유한 차분식 u_{n+1}=u_n+δt·