본 연구는 블록 구조 격자에서 정상 상태 비압축성 유동을 해결하기 위해 유한 차분 정보 기반 그래프 네트워크(FDGN)라는 새로운 프레임워크를 제안합니다.
기존의 전산 유체 역학(CFD) 방법은 계산 비용이 많이 들고, 특히 복잡한 기하학적 형상을 가진 유동 문제를 해결하는 데 어려움을 겪습니다. 최근 딥러닝의 발전으로 물리 정보 기반 신경망(PINN)과 같은 새로운 방법이 등장했지만, 이러한 방법은 여전히 계산 효율성과 정확성 측면에서 개선의 여지가 있습니다. 본 연구에서는 이러한 문제를 해결하기 위해 FDGN이라는 새로운 프레임워크를 제안합니다.
FDGN은 유동 필드의 특징을 추출하기 위해 그래프 네트워크를 사용하고, 유한 차분법(FDM)을 사용하여 비정형 영역에서 물리적 제약 조건을 처리합니다. 특히, 본 연구에서는 그래프 컨볼루션 기반 FDM(GC-FDM)을 제안하여 비정형 그래프 출력에 대한 미분 가능한 FDM 연산을 가능하게 합니다.
제안된 방법의 성능을 평가하기 위해 리드 구동 캐비티 유동 및 단일 및 이중 원형 실린더 주위의 유동을 포함한 다양한 유동 사례에 대한 수치 실험을 수행했습니다. 그 결과, FDGN은 다양한 경계 조건에서 CFD 솔버에 비해 속도 필드 예측에서 10^-3 수준의 상대 오차를 달성했습니다. 또한, FDGN은 PINN에 비해 학습 비용을 약 20% 줄였습니다.
본 연구에서 제안된 FDGN은 블록 구조 격자에서 정상 상태 비압축성 유동을 해결하기 위한 효율적이고 정확한 프레임워크입니다. 특히, GC-FDM을 사용하여 비정형 영역에서 미분 가능한 FDM 연산을 가능하게 함으로써 기존 방법의 한계를 극복했습니다. 본 연구의 결과는 복잡한 유체 유동 문제를 해결하기 위한 딥러닝 기반 방법의 개발에 기여할 것으로 기대됩니다.
To Another Language
from source content
arxiv.org
Głębsze pytania