불안정한 부분 공동화(unsteady partial cavitation)의 분리(detachment) 메커니즘을 이해하고 식별하는 것은, 재진입 제트(re-entrant jets)와 응축 전선(condensation fronts)이 연속적으로 지배하는 현상(기포 충격/bubbly shocks 또는 응축 충격/condensation shocks라고도 함)을 효과적으로 제어하고 공동화 흐름을 활용하는 데 필수적이다. 본 연구에서는 축대칭 밴추리(axisymmetric Venturi)에서 부분 공동화의 발달 단계를, 차원축소(dimensionality reduction)와 비지도 군집화(unsupervised clustering)를 통합함으로써, 사전 라벨링 또는 경험적 가정을 필요로 하지 않는 기계학습 기반 프레임워크를 제안한다. 고속 이미징으로 얻은 공동화 유동장(cavitating flow field) 스냅샷을 σ = 0.56에서 분석하였으며, 이를 스펙트럴 고유직교분해(spectral proper orthogonal decomposition)와 t-분포 확률적 이웃 임베딩(t-distributed stochastic neighbor embedding)을 결합하여 처리하였다. 이 방법은 유동장의 차원을 104,320에서 3으로 감소시키면서, 공동화 진화의 지배적 시공간(spatiotemporal) 특징을 보존하였다. 이후, 세 가지 비지도 군집화 알고리즘인 밀도 피크 군집화(density peaks clustering, DPC), K-평균(K-means, KM), 평균이동(mean shift, MS)을 각각 적용하여 서로 다른 공동화 발달 단계를 식별하였다. 그중 DPC는 가장 우수한 성능을 보였으며, 공동화 개시(cavitation inception), 박막 공동화(sheet cavity) 성장, 재진입 제트 발달(re-entrant jet development), 국소 박막 공동화의 박리(local sheet cavity shedding), 응축 전선 전파가 동반된 구름 붕괴(cloud collapse accompanied by condensation front propagation), 잔여 공동의 급격한 후퇴(rapid retraction of residual cavity) 등 총 6단계를 성공적으로 식별하였다. 반면 KM과 MS 모두 첫 번째 단계와 여섯 번째 단계를 명확히 구분하지 못했으며, KM은 또한 네 번째 단계와 여섯 번째 단계를 구별하는 데 있어 모호함을 보였다. DPC의 견고성은 σ = 0.49 및 0.60에서도 추가로 검증되었는데, 여기서도 응축 전선의 전파와 그 전선이 목(throat)에 도달하는 핵심 특성을 정확히 포착하였다. 전반적으로 본 연구는 자동 공동화 단계 식별을 위한 강건하고 데이터 기반의 방법론을 제시함으로써, 복잡한 공동화 유동의 동역학에 대한 새로운 통찰을 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.