몰입 경계법을 이용한 연성 수영체의 움직임에 대한 뉴럴 오퍼레이터

Neural Operators for Immersed-Boundary Soft Swimmers Locomotion

고정밀 몰입 경계 시뮬레이션은 변형되는 수영체와 주변 유체의 복합적인 운동을 해결하지만, 계산 비용으로 인해 엔지니어링 설계, 파라미터 연구 및 제어에 필요한 반복적인 평가가 어렵습니다. 본 연구에서는 평면 및 입체 형태의 뱀 모양 수영체가 생성하는 유체 흐름을 시간적으로 예측하기 위한 뉴럴 오퍼레이터 기반 대리 모델(surrogate)을 개발했습니다. 이 대리 모델들은 적응형 유체-구조 시뮬레이션에서 추출된 규칙 간격 격자 데이터를 사용하여 학습되었으며, 수영체의 기하학적 구조와 레이놀즈 수를 조건으로 사용합니다. 평면 모델은 두 개의 속도 성분, 스칼라 회전율 및 압력을 동시에 예측하며, 다섯 가지의 보류 데이터 세트(held-out dataset)에 대해 전체 영역에서의 상대적인 L^2 오차는 3.51%입니다. 입체 형태 모델은 대상 수영체별로 세 개의 모델을 사용하며, 공통 다중 채널 입력 데이터를 가집니다. 하나의 모델은 3차원 속도를 예측하고, 다른 하나는 회전율을 예측하며, 또 다른 하나는 압력을 예측합니다. 이 모델들의 다섯 가지 보류 데이터 세트에서의 전체 영역 상대적인 L^2 오차는 각각 3.44%, 5.58% 및 19.2%입니다. 이러한 결과들은 움직이는 경계 수영체 유동에 대한 고정밀 뉴럴 대리 모델의 가능성을 보여주며, 압력 정확도와 물리적 일관성이 향후 개발의 주요 과제임을 시사합니다.

High-fidelity immersed-boundary simulation resolves the coupled motion of a deforming swimmer and its surrounding flow, but the resulting cost limits repeated evaluations for engineering design, parameter studies, and control. We develop neural-operator surrogates for temporal prediction of the hydrodynamic fields generated by planar and volumetric eel swimmers. The surrogates are trained on regular-grid fields exported from adaptive fluid--structure simulations and are conditioned on swimmer geometry and Reynolds number. The planar model jointly predicts two velocity components, scalar vorticity, and pressure. On five held-out high-Reynolds-number trajectories, its full-domain global relative L^2 error is 3.51 %. The volumetric formulation uses three target-specific models with a common multichannel input: one model predicts three-dimensional velocity, one predicts vorticity, and one predicts pressure. Their full-domain global relative L^2 errors on five held-out within-range trajectories are 3.44 %, 5.58 %, and 19.2 %. Together, the results demonstrate the feasibility of field-resolved neural surrogates for moving-boundary swimmer flows while identifying pressure accuracy and physical consistency as priorities for further development.