전산 유체 역학(Computational Fluid Dynamic, CFD)은 컴퓨터를 이용하여 유체의 흐름, 열 전달 및 물질 전달과 같은 물리적인 현상을 계산하고 예측하는데 사용되는 기술이다. 하지만 일반적으로 전산 유체 역학에서 사용하는 수학적 모델은 계산 비용이 높아 ...
전산 유체 역학(Computational Fluid Dynamic, CFD)은 컴퓨터를 이용하여 유체의 흐름, 열 전달 및 물질 전달과 같은 물리적인 현상을 계산하고 예측하는데 사용되는 기술이다. 하지만 일반적으로 전산 유체 역학에서 사용하는 수학적 모델은 계산 비용이 높아 슈퍼컴퓨터를 사용하더라도 실시간 예측을 하는 것은 불가능하다. 실시간 의사 결정이 필요한 경우 단순한 수학 모델을 사용한다. 또한 시간적 제약조건을 만족하기 위하여 계산 과정에서 사용되는 반복횟수에도 제한을 둔다. 하지만 이 경우 예측의 정확성이 크게 떨어진다. 화학물질의 대기 확산과 같은 문제는 전산 유체 역학에서 자주 다루어지는 문제이다. 산업 현장에서의 화학 물질 유출, 전시 상황에서의 생화학 무기 살포와 같은 문제는 피해 정도를 분석, 예측하기 위한 비용은 매우 높다. 화학 물질의 유출, 전파의 경우 정확도가 조금 떨어지더라도 빠르게 유체의 흐름을 파악하는 것은 반드시 필요한 기술이다. 최근 전산 유체 역학 분야에서 높은 계산 비용을 줄이기 위하여 딥러닝을 적용하는 연구가 발표된 바 있다. 전체 계산 과정에서 일부분만 합성곱인공 신경망을 적용하거나, 나비에-스토크스 방정식(Navier Stokes Equation)의 차원을 줄이려는 연구가 발표되었다. 생성적 인공 신경망을 이용하여 시뮬레이션 데이터의 해상도를 높이거나, 전체 시뮬레이션 데이터 중 손실된 일부를 복귀하는 연구도 발표된 적 있다. 하지만 유체의 변화 전체를 학습하여 유체의 미래 상태를 예측하기 위하여 인공 순환 신경망을 사용된 연구는 발표되지 않았다. 본 연구에서는 유체의 운동을 시뮬레이션하기 위하여 순환 신경망(Recurrent Neural Network, RNN)을 사용하여 비 점성 유체의 미래 상태를 예측하는 방법을 제안한다. 본 논문에서 제안하는 순환 신경망 FPredNet은 동영상 시뮬레이션을 위한 PredNet에서 유체의 흐름을 예측하기 위한 지형정보를 전달하기 위한 경로를 추가하고, 프레임을 건너뛰는 방식의 학습 방법을 사용하였다. FPredNet은 시뮬레이션 데이터를 이용하여 유체의 흐름을 학습하고, 빠르게 유체의 흐름을 예측하여 140초 후 미래의 상태까지 유체의 확산 범위 및 밀도를 파악 할 수 있다. 빠른 시뮬레이션을 위해 반복 회수를 줄인 선조건 켤레 기울기법(Preconditioned Conjugate Gradient Method, PCG)을 적용한 CFD 시뮬레이션 결과와 비교하였을 때, 모든 시간대에서 실제 데이터와의 유사도가 PCG를 사용한 방법보다 높았고, 시뮬레이션 속도는 약 30배 빨랐다.
전산 유체 역학(Computational Fluid Dynamic, CFD)은 컴퓨터를 이용하여 유체의 흐름, 열 전달 및 물질 전달과 같은 물리적인 현상을 계산하고 예측하는데 사용되는 기술이다. 하지만 일반적으로 전산 유체 역학에서 사용하는 수학적 모델은 계산 비용이 높아 슈퍼컴퓨터를 사용하더라도 실시간 예측을 하는 것은 불가능하다. 실시간 의사 결정이 필요한 경우 단순한 수학 모델을 사용한다. 또한 시간적 제약조건을 만족하기 위하여 계산 과정에서 사용되는 반복횟수에도 제한을 둔다. 하지만 이 경우 예측의 정확성이 크게 떨어진다. 화학물질의 대기 확산과 같은 문제는 전산 유체 역학에서 자주 다루어지는 문제이다. 산업 현장에서의 화학 물질 유출, 전시 상황에서의 생화학 무기 살포와 같은 문제는 피해 정도를 분석, 예측하기 위한 비용은 매우 높다. 화학 물질의 유출, 전파의 경우 정확도가 조금 떨어지더라도 빠르게 유체의 흐름을 파악하는 것은 반드시 필요한 기술이다. 최근 전산 유체 역학 분야에서 높은 계산 비용을 줄이기 위하여 딥러닝을 적용하는 연구가 발표된 바 있다. 전체 계산 과정에서 일부분만 합성곱 인공 신경망을 적용하거나, 나비에-스토크스 방정식(Navier Stokes Equation)의 차원을 줄이려는 연구가 발표되었다. 생성적 인공 신경망을 이용하여 시뮬레이션 데이터의 해상도를 높이거나, 전체 시뮬레이션 데이터 중 손실된 일부를 복귀하는 연구도 발표된 적 있다. 하지만 유체의 변화 전체를 학습하여 유체의 미래 상태를 예측하기 위하여 인공 순환 신경망을 사용된 연구는 발표되지 않았다. 본 연구에서는 유체의 운동을 시뮬레이션하기 위하여 순환 신경망(Recurrent Neural Network, RNN)을 사용하여 비 점성 유체의 미래 상태를 예측하는 방법을 제안한다. 본 논문에서 제안하는 순환 신경망 FPredNet은 동영상 시뮬레이션을 위한 PredNet에서 유체의 흐름을 예측하기 위한 지형정보를 전달하기 위한 경로를 추가하고, 프레임을 건너뛰는 방식의 학습 방법을 사용하였다. FPredNet은 시뮬레이션 데이터를 이용하여 유체의 흐름을 학습하고, 빠르게 유체의 흐름을 예측하여 140초 후 미래의 상태까지 유체의 확산 범위 및 밀도를 파악 할 수 있다. 빠른 시뮬레이션을 위해 반복 회수를 줄인 선조건 켤레 기울기법(Preconditioned Conjugate Gradient Method, PCG)을 적용한 CFD 시뮬레이션 결과와 비교하였을 때, 모든 시간대에서 실제 데이터와의 유사도가 PCG를 사용한 방법보다 높았고, 시뮬레이션 속도는 약 30배 빨랐다.
Computational Fluid Dynamics(CFD) is a technique to calculate and predict physical phenomena such as fluid flow, heat transfer using computer. In general, however, mathematical models used in computational fluid dynamics are expensive to compute, making it impossible to make real-time predictions ev...
Computational Fluid Dynamics(CFD) is a technique to calculate and predict physical phenomena such as fluid flow, heat transfer using computer. In general, however, mathematical models used in computational fluid dynamics are expensive to compute, making it impossible to make real-time predictions even with supercomputers. If you need real-time decision making with fluid flow, you can use a simplified mathematical model. And also you can limit the number of iterations used in the mathematical algorithm to satisfy the constraints. In this case, however, the accuracy of prediction is greatly reduced. Problems such as the diffusion of chemicals into the atmosphere are frequently addressed in computational fluid dynamics. Problems such as chemical spills at industrial sites and biological warfare are expensive to analyze and predict the extent of damage. In the case of biological warfare or chemical spills to the air, it is necessary to know the flow of fluid quickly even if the accuracy is slightly lower. In this study, we propose a fluid prediction neural network, FPredNet, which is constructed to predict the motion of fluid. FPredNet is a method to simulate non-viscid fluid using Recurrent Neural Network(RNN). Our model can learn the entire fluid flow through the simulation data and quickly predict the fluid flow to find the diffusion range and density of the fluid. Our model is about 30 times faster than PCG, which reduced the number of iterations for faster simulation, And similarity with the actual data was higher than PCG at all time steps.
Computational Fluid Dynamics(CFD) is a technique to calculate and predict physical phenomena such as fluid flow, heat transfer using computer. In general, however, mathematical models used in computational fluid dynamics are expensive to compute, making it impossible to make real-time predictions even with supercomputers. If you need real-time decision making with fluid flow, you can use a simplified mathematical model. And also you can limit the number of iterations used in the mathematical algorithm to satisfy the constraints. In this case, however, the accuracy of prediction is greatly reduced. Problems such as the diffusion of chemicals into the atmosphere are frequently addressed in computational fluid dynamics. Problems such as chemical spills at industrial sites and biological warfare are expensive to analyze and predict the extent of damage. In the case of biological warfare or chemical spills to the air, it is necessary to know the flow of fluid quickly even if the accuracy is slightly lower. In this study, we propose a fluid prediction neural network, FPredNet, which is constructed to predict the motion of fluid. FPredNet is a method to simulate non-viscid fluid using Recurrent Neural Network(RNN). Our model can learn the entire fluid flow through the simulation data and quickly predict the fluid flow to find the diffusion range and density of the fluid. Our model is about 30 times faster than PCG, which reduced the number of iterations for faster simulation, And similarity with the actual data was higher than PCG at all time steps.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.