물리 공간에서의 멀티스케일 난류 구조 상호작용 분석을 통한 고 레이놀즈수 벽 난류 유동에서의 에너지 케스케이드 현상 연구
고 레이놀즈수 멀티스케일 난류 구조 상호작용 분석을 통한 energy cascade 현상 규명 및 unified scaling law 제시
벽 난류
직접수치모사
난류 구조
에너지 케스케이스
난류 이론
2
주관|
2020년 5월-2023년 2월
|50,000,000원
물리 정보 기반 딥러닝을 통한 난류 경계층 생성
(1) 순환신경망(RNN) 및 LSTM 신경망을 이용한 저 레이놀즈수 유동 재건 및 예측
RNN은 연속적인 시계열 데이터 예측에 적합한 모델로 출력을 다시 입력으로 받는 순환 뉴런으로 구성.
LSTM은 RNN의 한 종류로 은닉층에 대한 기억 기능 혹은 제거 기능이 존재하기에 RNN의 장기 의존성 문제를 해결하고 신경망 학습을 빠르게 하는 장점 존재.
TensorFlow의 RNN 알고리즘 및 시간에 대한 역전파 알고리즘을 사용하여 다음 시간 스탭에서의 난류 유동장을 예측.
(2) POD 기반 난류 구조 물리 정보가 반영된 인공신경망 구축
RNN과 POD (Proper Orthogonal Decomposition)를 결합하여 시간에 따른 난류 유동장 예측하는 인공신경망 구축.
POD는 난류 구조를 분석하는 하나의 방법으로 POD 모드의 선형적 관계를 통해 유동장을 재구축 할 수 있음. POD 상수는 시간적 정보, 모드 공간적 정보 포함하고 있음.
특히 POD를 통해 재구축된 유동장의 경우 고 레이놀즈수 유동 내 난류 구조의 특성을 지님.
속도장을 input으로 output을 POD 상수로 하는 신경망 모델을 개발, 시간에 따른 난류 유동장 재구축.
(3) 횡방향 영역 확장을 통한 유입 난류 생성 및 고 레이놀즈수 DNS 수행
Convolution layer 내 sampling rate을 조절하여 reshape 시 유입 난류의 횡방향 도메인 확장.
인공신경망을 통하여 예측한 유입 난류의 검증은 독립적인 TBL DNS 데이터와 비교를 통해 평가함.
계층 구조 특성과 함께 자기 상사성을 가지는 난류 구조의 기하학적 크기 변화에 기반하여 유동 방향 도메인 크기를 변화시키며 난류 경계층 DNS 수행.
Minimal flow unit (MFU) 내부 난류 구조 추출 및 에너지 스펙트럼 비교를 통한 난류 구조 기반 TBL MFU 현상 규명.
