복잡한 난류 유동 및 열전달 현상을 모델링하기 위해, 본 연구는 인공신경망(ANN)과 wrapper 방법에 기반한 축소 모델링 접근법을 분석하고 개발하는 것을 목표로 한다. 이 접근법은, 그들 사이에 비선형성이 존재하는 경우에도 중복되거나 무관한 매개변수를 제거하는 측면에서 상관관계 기반 필터 방법과 같은 다른 방법들에 비해 장점이 있다. 다만, ANN 학습의 과적합과 무작위성은 특히 물리적 차원이 더 높은 경우, 선택 시행마다 불일치한 부분집합을 산출할 수 있다는 단점이 있다. 본 연구는 기존의 몇 가지 ANN 기반 wrapper 방법을 분석하고, 각 제거 단계에서 총 미분 손실(total derivative) 또는 방향성 일관성(directional consistency)을 최소화하기 위해 그래디언트 기반 부분집합 선택 지수에 기초한 수정된 방법을 개발한다. 매개변수 축소 성능과 시행 간 일관성을 검토하기 위해, 이 방법들을 (1) 제조된 부분집합 선택(manufactured subset selection) 문제, (2) 난류 거품 유동에서 거품 크기(bubble size) 모델링, (3) 덕트 유동에서 공간적으로 변하는 난류 프란틀 수(spatially varying turbulent Prandtl number) 모델링에 적용한다. 그 결과, 총 미분 손실을 최소화하는 그래디언트 기반 부분집합 선택은 다른 ANN 기반 wrapper 방법들에 비해 시행 간 일관성을 향상시키는 동시에 불필요한 매개변수는 성공적으로 제거하는 것으로 나타났다. 축소된 난류 프란틀 수 모델에서는 그래디언트 기반 부분집합 선택이 다른 방법들에 비해 검증 케이스에서 예측 성능을 개선한다. 또한 축소된 매개변수 부분집합은 다른 방법들에 비해 훈련 속도가 약간 증가하는 경향을 보였다.

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