한국전산구조공학회논문집 (Journal of the Computational Structural Engineering Institute of Korea)

  • 제37권5호
  • /
  • Pages.337-344
  • /
  • 2024
  • /
  • 1229-3059(pISSN)
  • /
  • 2287-2302(eISSN)
한국전산구조공학회 (Computational Structural Engineering Institute of Korea)
권호 표지
DOI QR코드

DOI QR Code

매니폴드 데이터 증강기법 기반의 딥러닝 방법론을 적용한 축소 모델 개발

Development of a Reduced Order Model using a Deep Learning-based Manifold-Augmented Approach

  • 천성우 (전북대학교 항공우주공학과) ;
  • 김혜진 (전북대학교 항공우주공학과) ;
  • 류석희 (경상국립대학교 기계항공공학부) ;
  • 조해성 (전북대학교 항공우주공학과) ;
  • 이학진 (경상국립대학교 기계항공공학부)
  • Seongwoo Cheon (Department of Aeropsace Engineering, Jeonbuk National University) ;
  • Hyejin Kim (Department of Aeropsace Engineering, Jeonbuk National University) ;
  • Seokhee Ryu (Department of Mechanical Aerospace Engineering, Gyeongsang National University) ;
  • Haeseong Cho (Department of Aeropsace Engineering, Jeonbuk National University) ;
  • Hakjin Lee (Department of Mechanical Aerospace Engineering, Gyeongsang National University)
  • 투고 : 2024.07.10
  • 심사 : 2024.08.27
  • 발행 : 2024.10.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

본 논문에서는 저 레이놀즈 수 영역에서 에어포일의 공기역학적 성능을 예측하기 위한 딥러닝 기반의 축소 모델을 제시하였다. 딥러닝 기반 축소 모델에서 CFD 해석 결과의 높은 차원의 데이터를 효율적으로 다루기 위해 변이형 오토인코더를 결합한 합성곱 신경망을 적용하였다. 부호화 거리 함수를 통해 에어포일의 형상과 유동 조건을 이미지 데이터화 하고, 이에 대해 합성곱 신경망을 매개변수화 하였다. 또한, 전산유체역학 해석의 계산 비용으로 인한 부족한 훈련 데이터를 극복하기 위해 투영 기반의 비선형 매니폴드 데이터 증강기법을 개발하였다. NACA 4계열 에어포일은 해석 예제로 고려하여 제안하는 프레임워크의 내삽과 외삽 정확도를 평가하였으며 매니폴드 데이터 증강기법을 적용하여 프레임워크의 정확도 향상을 확인하였다.

This study presents a deep learning-based framework to predict the aerodynamic performance of low Reynolds number airfoils. The framework employs a convolutional neural network (CNN) combined with a variational autoencoder (VAE) to efficiently handle large datasets. Moreover, the signed distance function is used as the network input to represent the airfoil configuration in the image data and parameterize the CNN. A novel generative model based on projection-based manifold learning is proposed to overcome the data mining limitation of computational fluid dynamics which may incur significant computational costs. The interpolation and extrapolation accuracy of the proposed framework is evaluated using the NACA 4-digit airfoil configuration.The results show improved accuracy via data augmentation performed by the proposed generative model.

키워드

과제정보

본 연구는 2022년 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원(No.2022M1A3C2076483)을 받아 수행되었습니다.

참고문헌

  1. Balla, K., Sevilla, R., Hassan, O., Morgan, K. (2021) An Application of Neural Networks to the Prediction of Aerodynamic Coefficients of Aerofoils and Wings, Appl. Math. Model., 96, pp.456~479.
  2. Bhatnagar, S., Afshar, Y., Pan, S., Duraisamy K., Kaushik, S. (2019) Prediction of Aerodynamic Flow Fields using Convolutional Neural Networks, Comput. Mech., 64, pp.525~545.
  3. Chadebec, C., Allassonniere, S. (2021) Data Augmentation with Variational Autoencoders and Manifold Sampling, In Deep Generative Models, and Data Augmentation, Labelling, and Imperfections: First Workshop, DGM4MICCAI 2021, and First Workshop, DALI 2021, Held in Conjunction with MICCAI 2021, Proceedings 1, pp.184~192.
  4. Chadebec, C., Allassonniere, S. (2022) A Geometric Perspective on Variational Autoencoders, Adv. Neural Inf. Proc. Syst., 35, pp.19618~19630.
  5. Geelen, R., Wright, S., Willcox, K. (2023) Operator Inference for Non-Intrusive Model Reduction with Quadratic Manifolds, Comput. Methods App. Mech. & Eng., 403, p.115717.
  6. Jia, X., Li, C., Ji, W., Gong, C. (2022) A Hybrid Reduced-Order Model Combing Deep Learning for Unsteady Flow, Phys. Fluids, 34(9), p.097112.
  7. Lee, S., Jang, K., Cho, H., Kim, H., Shin, S. (2021) Parametric Non-Intrusive Model order Reduction for Flow-Fields using Unsupervised Machine Learning, Comput. Methods Appl. Mech. & Eng., 384, p.113999.
  8. Mumuni, A., Mumuni, F. (2022) Data Augmentation: A Comprehensive Survey of Modern Approaches, Array, 16, p.100258. 
  9. Salimans, T., Goodfellow, I., Zaremba, W., Cheung, V., Radford, A., Chen, X. (2016) Improved Techniques for Training GANs, Adv. Neural Inf. Proc. Syst., 29.
  10. Spalart, P.R., Venkatakrishnan, V. (2016) On the Role and Challenges of CFD in the Aerospace Industry, The Aeronaut. J., 120(1223), pp.209~232.
  11. Xia, B., Sun, D.-W. (2002) Applications of Computational Fluid Dynamics (CFD) in the Food Industry: A Review, Comput. & Electron. Agric., 34(1-3), pp.5~24.