데이터베이스 연구회지(SIGDB)
Current Result Document :
| 한글제목(Korean Title) |
Attention U-Net 신경망을 활용한 유체의 미래 상태 예측 기법 |
| 영문제목(English Title) |
A method for predicting the future state of fluids using Attention U-Net neural networks |
| 저자(Author) |
이창건
김일주
Changgeon Lee
Iljoo Kim
|
| 원문수록처(Citation) |
VOL 37 NO. 12 PP. 0003 ~ 0015 (2021. 12) |
한글내용
(Korean Abstract) |
전산 유체 역학 시뮬레이션은 항공기, 건물, 자동차 등 유체와 관련된 다양한 디자인 분야에서 활용이 되어지고 있으나, 오랜 실행 시간과 많은 비용이 발생하는 나비에-스토크스 방정식의 사용으로 인해 개발에 많은 시간이 소요된다. 또한 위험 물질이 확산되는 환경과 같이 즉각적인 유체 흐름의 분석이 필요한 분야에서는 활용이 어렵기 때문에 최대한 정확도를 보존하면서 빠르게 예측하는 기술이 매우 중요하게 여겨지고 있다.
이를 위해 본 연구에서는 Attention U-Net 신경망을 기반으로 유체의 흐름을 예측하는 방법론을 제안하고 테스트한다. 장애물을 인식하여 빠르게 7초 후 미래의 유체 흐름을 예측하는 방법으로 테스트를 진행하였고, 그 결과 기존 시뮬레이션 소프트웨어 및 CNN모델을 사용하였을 때 대비 정확도는 최대한 보존하면서 실행속도는 약 85배 빠른 결과를 얻을 수 있었다. |
영문내용
(English Abstract) |
Computational Fluid Dynamics (CFD) simulation is used in various fluid-related fields such as aircrafts, buildings, or automobiles design and it consumes a lot of development time due to the use of Navier Stokes equation, which incur a long execution time with high cost. In addition, it is difficult to use it in such environments as the hazardous substance or epidemic diffusion where the fluid flow must be predicted immediately. In the situations, it is important and critical to predict as quickly as possible while preserving accuracy. Hence in this study, to address the issues, we suggest and test a method that uses Attention U-Net neural network to predict the future state of the fluid in a terrain with obstacles. As a result, compared to the existing simulation software or simple CNN method, the suggested approach shows the execution speed is 85 times faster while preserving the competitive accuracy.
|
| 키워드(Keyword) |
딥러닝
합성곱 신경망
전산 유체 역학
나비에-스토크스 방정식
유체 시뮬레이션
Computational fluid dynamics
Navier Stokes equation
deep learning
convolutional neural network
fluid simulation
|
| 파일첨부 |
PDF 다운로드
|
