이 연구 주제는 관유동과 채널유동 같은 벽면 구속 난류에서 나타나는 코히런트 구조(coherent structures)의 형성과 배열, 그리고 이들이 평균 속도 분포의 로그 법칙과 어떻게 연결되는지를 밝히는 데 초점을 둔다. 특히 벽에 부착된 구조물의 자기유사성, 크기 분포, 그리고 레이놀즈 수 증가에 따른 대규모 운동의 발달을 정량적으로 분석함으로써, 고전적인 난류 이론을 실제 유동 구조의 관점에서 재해석하는 연구를 수행한다. 이는 난류의 보편적 스케일링 법칙을 구조적 관점에서 설명하려는 시도라는 점에서 학문적 의미가 크다. 연구실은 직접수치모사(DNS)를 핵심 도구로 활용하여 벽난류 내부의 속도 변동 구조, 와류 구조, 대규모 및 초대규모 운동의 공간적 조직을 추적한다. 관유동에서 벽 부착 구조를 추출해 로그 속도 법칙의 구조적 근거를 제시하고, 최소 계산영역을 활용한 난류 파이프 유동 해석을 통해 방위각 방향의 에너지 분포와 자기유사 구조의 특성을 밝히는 방식이 대표적이다. 또한 구조의 높이, 폭, 시간 스케일의 상관성을 분석하여 Townsend의 부착와류 가설과 연결되는 물리적 증거를 확보하고, 난류 에너지의 분포와 수송 메커니즘을 더 정밀하게 규명한다. 이러한 연구는 단순히 난류 현상을 설명하는 데 그치지 않고, 마찰저항 예측, 유동 제어, 항력 저감 전략 개발로 이어질 수 있다는 점에서 공학적 파급력이 크다. 벽난류의 핵심 구조를 이해하면 산업 배관, 열교환기, 터빈 유동, 운송체 표면 유동 등에서 나타나는 마찰 손실을 보다 정확히 예측할 수 있으며, 고레이놀즈수 조건에서의 모델링 정확도도 향상될 수 있다. 궁극적으로는 난류 이론과 실용 해석 기법 사이의 간극을 줄여, 고성능 전산유체해석 모델과 설계 지침 수립에 기여하는 기반 연구로 확장될 수 있다.

이 연구 주제는 고레이놀즈수 벽난류에서 서로 다른 크기의 난류 구조가 어떻게 상호작용하며, 그 과정에서 에너지가 큰 스케일에서 작은 스케일로 전달되는 에너지 캐스케이드 현상이 어떤 물리적 구조를 통해 실현되는지를 규명하는 데 목적이 있다. 난류는 다양한 시간·공간 스케일이 중첩된 복잡계이기 때문에, 멀티스케일 구조 간의 결합과 분리를 이해하는 것은 난류 이론의 핵심 과제 중 하나이다. 연구실은 이러한 문제를 벽면 근처의 작은 구조와 외층의 큰 구조가 서로 영향을 주고받는 내층-외층 상호작용의 관점에서 접근한다. 연구실의 관련 국가연구과제는 물리 공간에서 난류 구조 상호작용을 분석하여 에너지 캐스케이드의 실체를 밝히고, 이를 바탕으로 통합 스케일링 법칙을 제시하는 것을 목표로 한다. 이를 위해 DNS 기반의 고해상도 데이터에서 구조를 직접 추출하고, 구조 간 충돌, 중첩, 변형, 소산 과정을 추적하는 방법을 사용한다. 특히 대규모 스트릭의 충돌이 근벽 backflow 현상이나 극단적인 벽전단응력 사건을 유도하는 메커니즘을 분석함으로써, 난류 구조의 상호작용이 단순한 통계 현상이 아니라 국소적인 동역학 사건의 집합임을 보여준다. 이 연구는 난류의 보편 법칙을 정립하는 기초과학적 가치와 함께, 난류 모델 개선이라는 실용적 중요성도 가진다. 기존의 평균장 기반 모델은 멀티스케일 구조의 상호작용을 충분히 반영하지 못하는 경우가 많기 때문에, 구조 기반 해석 결과는 LES나 RANS 모델의 보정과 고도화에 유용하게 쓰일 수 있다. 또한 항력 저감, 벽면 유동 제어, 고효율 유체기계 설계와 같은 응용 분야에서 어떤 스케일의 구조를 제어해야 하는지에 대한 구체적 단서를 제공할 수 있어, 향후 정밀 유동제어 기술로의 연결 가능성이 높다.

이 연구 주제는 난류 유동장에서 나타나는 복잡한 공간 구조를 비지도 딥러닝으로 학습하고, 이를 통해 기존 전산유체해석의 계산 부담을 줄이면서도 중요한 물리 정보를 유지하는 방법을 개발하는 데 초점을 둔다. 난류는 매우 높은 자유도를 가지므로 전체 유동장을 직접 계산하는 데 막대한 계산 자원이 요구되는데, 연구실은 생성모델을 활용해 이러한 문제를 해결하고자 한다. 특히 코히런트 구조의 공간적 조직과 통계적 특성을 학습 가능한 형태로 재구성함으로써, 데이터 기반 유체역학의 새로운 가능성을 탐색한다. 구체적으로는 채널 난류의 단면 유동장을 학습하는 비지도 생성적 적대 신경망(GAN)을 적용하여, 순간 유동장 생성과 구조 특성 복원을 수행한다. 이 과정에서 단순한 평균 통계량뿐 아니라 저속 영역의 굴곡 운동, 와류 구조의 배치, 큰 구조 주변의 조직화 패턴까지 재현 가능한지를 검증한다. 이러한 접근은 고레이놀즈수 조건에서 요구되는 긴 계산영역 문제를 완화하고, 복잡한 경계조건이 필요한 문제에서 유입 난류 생성기(inflow turbulence generator)로 활용될 가능성을 보여준다. 즉, 딥러닝을 단순한 예측 도구가 아니라 물리 구조를 압축·생성하는 계산 프레임워크로 활용하는 것이다. 이 연구의 의의는 인공지능과 전산유체공학의 융합을 통해 난류 해석의 효율성과 확장성을 동시에 확보한다는 데 있다. 앞으로 더 높은 레이놀즈수, 복잡 형상, 비정상 경계조건을 가지는 실제 공학 문제에 대해, 물리적으로 타당한 데이터 생성과 모델 보조 해석이 가능해질 수 있다. 또한 학습된 잠재공간을 이용하면 난류 구조의 유형 분류, 이상 유동 탐지, 저차원 모델 구축 등으로도 확장할 수 있어, 차세대 CFD의 핵심 기술 기반으로 발전할 잠재력이 크다.

이 연구 주제는 고압 가스 분사에 의해 액체금속이 미세 분말로 분열되는 가스 아토마이제이션 과정에서, 난류 와류 구조가 1차 분열(primary breakup)에 미치는 영향을 규명하는 데 중점을 둔다. 금속 분말의 입도와 구형도는 적층제조, 분말야금, 고기능 소재 제조 공정의 품질을 결정하는 핵심 요소이므로, 액적이 언제 어떻게 분리되고 구형화되는지를 이해하는 것은 매우 중요하다. 연구실은 난류 제트와 액적 표면의 상호작용을 구조적으로 분석함으로써 분열 현상의 근본 메커니즘을 설명하고자 한다. 이를 위해 환형 슬릿형 근접결합 노즐에서 용융 알루미늄과 질소 가스를 대상으로 대와동모사(LES)를 수행하고, 순간 유동장에서 개별 액적을 추출하여 섬유형, 리가멘트형, 구형 액적으로 분류하는 접근을 취한다. 특히 강한 와류 구조와 액적의 중첩 빈도, 액적의 생애 동안 경험하는 분열 횟수, 표면 법선 와도 변화, Weber 수 범위를 정량화하여 난류 구조가 분열을 촉진하는 과정을 해석한다. 이러한 분석은 단순한 평균 유동장 해석을 넘어, 액적이 실제로 어떤 유동 사건에 노출될 때 분열되는지를 보여준다는 점에서 설계 친화적인 정보를 제공한다. 연구 결과는 고품질의 미세 구형 금속분말 생산을 위한 노즐 구조 개선과 공정 최적화에 직접적으로 기여할 수 있다. 예를 들어 재순환 영역과 강한 와류가 형성되는 위치를 제어하면 불필요한 비정상 분열을 줄이거나 원하는 입도 분포를 유도할 가능성이 있다. 따라서 이 연구는 난류 유동의 기초 이해를 제조 공정 최적화와 연결하는 대표적인 응용 유체공학 연구이며, 향후 금속 분말 제조뿐 아니라 분무, 연소, 코팅, 냉각 공정 등 액적 분열이 핵심인 다양한 산업 문제로도 확장될 수 있다.