중앙처리장치(CPU)의 성능이 빠르게 향상되고 있음에도 불구하고, CFD를 이용한 화학 반응 유동의 시뮬레이션 계산 비용은 많은 경우 여전히 감당하기 어렵다. 유동장 예측에서 이미지 처리에 특화된 합성곱 신경망(CNN)을 적용하는 연구가 진행되어 왔으나, 최근 CFD에 적합하도록 신경망 설계를 개발할 필요성이 대두되었다. 본 연구에서는 고유한 네트워크 아키텍처와 물리 기반 손실 함수를 통해 유한체적법(FVM)을 도입하는 신경망 모델을 개발하여 CFD 시뮬레이션을 가속하였다. 개발된 네트워크 모델은 모든 격자에 동일한 지배 방정식이 적용되는 CFD 유동장의 특성을 고려함으로써, CNN이 많은 유동장 이미지(>10,000)를 요구하는 것과 달리 단지 두 개의 이전 유동장만으로 미래의 유동장을 예측할 수 있다. 개발된 모델의 성능은 비반응 유동과 반응 유동 시뮬레이션의 CFD 시계열 데이터(역류(counterflow) 및 20개의 상세 화학반응을 포함한 수소 화염)를 사용하여 평가하였다. 그 결과, (a) FVM 기반 네트워크 아키텍처가 기존 MLP 모델에 비해 다단계 시계열 예측의 정확도를 유의하게 향상시켰고, (b) 물리 기반 손실 함수가 비물리적 과적합 문제를 방지하여 궁극적으로 시계열 예측 오차를 감소시켰으며, (c) 비지도 방식으로 계산된 잔차(residuals)를 관찰함으로써 네트워크 정확도를 모니터링할 수 있음을 확인하였다. 또한 반응 유동 데이터셋에서는 본 네트워크 모델의 계산 속도가 CFD 해석기보다 약 10배 빠른 것으로 측정되었다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.