핵심 개념
물리 정보 신경망(PINN)을 사용하여 수평 속도 성분에서 수면 높이를 추론할 수 있다.
초록
이 논문에서는 물리 정보 신경망(PINN) 모델을 제시하여 수평 속도 성분에서 수면 높이와 수직 속도 성분을 추론하는 방법을 소개한다. 이 모델은 KRISO 컨테이너선(KCS)의 켈빈 파동 패턴을 사용하여 검증되었다. KCS 켈빈 파동은 OpenFOAM의 두 상 체적 유동(VoF) 전산유체역학(CFD) 시뮬레이션을 사용하여 생성되었다. 또한 이 논문은 신경망의 스펙트럼 편향 현상을 해결하기 위해 푸리에 특징 분해를 사용하는 것을 제안한다. 푸리에 특징 분해 계층을 사용하면 모델이 고주파와 저주파 성분을 동시에 학습할 수 있었다.
통계
수치 파도 탱크의 길이와 높이는 39 x 15 x 6 m³이며, 격자 해상도는 120 x 60 x 4 셀이다.
KCS 모델의 프루드 수는 0.26이다.
시뮬레이션은 20초 동안 수행되었으며, 초기 시간 단계는 0.001초이다.
인용구
"PINN 아키텍처는 수평 속도 성분(u1, u2)의 저주파 솔루션만 예측할 수 있었고 켈빈 파동 패턴으로 인한 고주파 솔루션을 학습하지 못했다."
"FF-PINN 아키텍처는 수평 속도 성분(u1, u2)의 고주파/저주파 솔루션을 모두 학습할 수 있었고, 수직 속도 성분 u3과 수면 높이 η를 OpenFOAM 솔루션과 잘 일치하도록 추론할 수 있었다."