물리 기반 딥러닝을 통한 CFD·열수력 해석 가속 연구

Physics-informed deep learning for accelerating CFD and thermal–hydraulic simulations

연구 내용

잔차 기반 전이학습과 물리정보 손실을 결합하여 장시간 CFD 및 열수력 시뮬레이션을 빠르게 예측하는 연구

본 분야는 CFD 및 열수력 문제의 지배방정식 구조를 손실 함수와 네트워크 설계에 반영하여, 수치해석의 계산 부담을 줄이면서도 비물리적 예측을 억제하는 데 초점을 둡니다. FVM(유한체적법) 기반 네트워크 아키텍처로 격자 간 일관된 거동을 학습하고, residual 관측 및 physic-informed loss를 통해 과적합을 완화합니다. 또한 과거 상태를 이용한 다단계 시계열 예측과 데이터셋 크기 제약을 고려한 하이브리드 모델링을 수행하며, 열–유체 연산 블랙박스가 아닌 시뮬레이션 대체(서러게이트)로 확장하는 차별성을 확보합니다.

관련 프로젝트

0건

연구 흐름

초기에는 CNN 계열 접근의 한계를 분석하고, FVM 흐름 구조를 반영한 네트워크 아키텍처와 물리정보 손실로 unsteady CFD 가속 성능을 정립했습니다. 이후 2023년에는 residual 기반 physics-informed transfer learning으로 장시간 시뮬레이션 예측의 안정성과 일반화 방향을 확장했습니다. 최근에는 2026년 node assigned physics-informed neural networks 형태로 열–수력 시스템 모듈(CVH/FL/HS)을 구성하고, 이종 입력 길이와 시스템 수준 시뮬레이션을 반영하는 연구 흐름을 구축하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

장시간 CFD 예측 서러게이트
열수력 시스템 실시간 모니터링
다단계 시계열 예측 엔진
물리정보 기반 학습 프레임워크
계산비용 절감형 설계 평가
Residual 기반 모델 신뢰도 판정
운영 데이터 기반 보정 모델
시간영역 대체 해석기술
시뮬레이션 자동화 워크플로우
무인 운영을 위한 예측 알고리즘