본 논문에서는 흐르는 물에 의해 빙결 시뮬레이션 되어 방향성이 있는 얼음 형태를 안정적으로 모델링 할 수 있는 새로운 방법을 제시한다. 제안하는 얼음 모델링 프레임워크는 빙결 시뮬레이션에서 중요한 얼음의 성장 방향에 점성이 있는 유체의 흐름을 고려한다. 물 시뮬레이션 해법은 암시적 비압축성 유체 시뮬레이션에 새로운 점성 기법을 적용한 방법을 이용하고, 얼음의 방향과 글레이즈(Glaze) 효과는 제안하는 비등방성한 빙결 해법을 이용한다. 물 입자가 얼음 입자로 상태변화하는 조건은 습도와 물의 흐름에 따른 새로운 에너지 함수에 따라 계산된다. 습도는 오브젝트 표면의 가상 수막(Virtual water film)으로 근사되며, 유체의 흐름은 얼음의 성장 방향을 가이드하기 위해 우리의 비등방성한 빙결 해법에 통합된다. 결과적으로 점성이 있는 물의 흐름 방향에 따라 글레이즈와 방향성 있는 빙결 시뮬레이션 결과를 안정적으로 보여준다.

본 연구에서는 주어진 옷감 시료의 정적 드레이프 모양으로부터 해당 옷감을 시뮬레이션하기 위해 필요한 시뮬레이션 파라미터를 추정하는 데이터 기반 학습법을 제시한다. 정적 드레이프의 모양을 형성하기 위해 의류 산업계에서 옷감을 물성에 따라 분류하기 위해 사용하는 쿠식 드레이프 (Cusick's drape)에서 착안한 방법을 사용한다. 학습 모델의 입력 벡터는 특정 옷감의 정적 드레이프 모양에서 추출한 특징 벡터와 옷감의 밀도 값으로 구성되고, 출력 벡터는 해당 드레이프 결과를 도출하는 여섯가지 시뮬레이션 파라미터로 구성된다. 실제에 가깝고 편향되지 않은 학습 데이터를 생성하고자 먼저 400가지의 실제 니트 옷감에 대한 시뮬레이션 파라미터를 수집하고 이로부터 GMM (Gaussian mixture model) 생성 모델을 만든다. 다음, GMM 확률분포에 따라 대량의 시뮬레이션 파라미터를 무작위 샘플링한다. 샘플링된 각각의 시뮬레이션 파라미터에 대해 옷감 시뮬레이션을 수행하여 가상의 정적 드레이프 결과를 만들고 이로부터 특징 벡터를 추출한다. 생성된 데이터를 로그선형회기(log-linear regression) 모델로 피팅한다. 학습의 수치적 정확도를 검증하고 시뮬레이션 결과의 시각적 유사도를 비교하여 제시된 방법의 유용성을 확인한다.