AI 유동·압력장 예측

AI 유동·압력장 예측

개요

AI 유동·압력장 예측

선체와 수중체 주위를 흐르는 물의 유동장과 표면 압력장은 선박의 저항·추진·캐비테이션 성능을 좌우하는 핵심 물리량입니다. 우리는 이 유동·압력장을 인공지능으로 빠르고 정확하게 예측하는 연구를 수행합니다.

전통적인 전산유체역학(CFD)은 정밀하지만 해석 한 건에 수 시간~수일이 걸려, 설계 초기의 대규모 형상 탐색에는 큰 부담이 됩니다. 우리는 CFD·실험 데이터로 학습한 딥러닝 대리모델(surrogate model)로 유동·압력장을 준실시간으로 예측하고, 그 예측의 정확도와 신뢰도까지 함께 끌어올립니다.

연구는 두 방향으로 진행됩니다.

표면 유동·압력장 예측은 선체 표면의 압력·속도·전단응력을 직접 예측합니다.
예측 정확도·신뢰도 향상은 예측의 정밀도를 높이고 불확실성을 정량화합니다.

인공지능 데리모델

준실시간 예측

정확도·신뢰도

SUBTOPIC 01

표면 유동·압력장 예측

01

선체·수중체 표면의 속도장, 압력 분포, 전단응력을 딥러닝으로 픽셀 단위까지 직접 예측해, CFD 없이 표면 물리량을 즉시 확보합니다.

CNN

U-Net

픽셀 단위 예측

바로가기 버튼

SUBTOPIC 02

예측 정확도·신뢰도 향상

02

저정확도 결과를 고정확도로 복원하고 예측 불확실성을 정량화하여, AI 예측을 믿고 쓸 수 있는 설계 도구로 완성합니다.

앙상블

불확실성 정량화

바로가기 버튼

표면 유동·압력장 예측

표면 물리량이 성능을 결정한다

선체 표면의 압력과 전단응력을 적분하면 곧 저항과 추력이 됩니다. 즉 표면 물리량을 빠르고 정확하게 아는 것이 성능 예측의 출발점입니다.

문제는 속도입니다. 고정밀 CFD는 형상 하나를 푸는 데 수 시간에서 수일이 걸립니다. 설계 초기에 수백~수천 개의 형상 후보를 훑어야 하는 상황에서는 이 비용이 그대로 병목이 됩니다.

최근 딥러닝 대리모델은 이 병목을 정면으로 겨냥합니다. 형상과 유동 조건을 입력하면 표면장을 즉시 출력하는 모델들은, 학습에 쓰이지 않은 새로운 형상에 대해서도 표면 압력·전단응력을 근사하고 한 건을 순식간에 추론해, 기존 해석기 대비 큰 폭의 속도 향상을 보여 줍니다.

우리 연구는 이 흐름 위에서, 선체와 수중체의 표면 유동·압력장을 이미지 회귀 문제로 두고 오토인코더 기반 대리모델로 예측합니다.

선형을 바꾸는 세 가지 접근

기준 선형을 바꾸는 방법은 크게 세 가지로 나뉩니다. 어떤 방식을 택하느냐에 따라 설계 자유도, 순정도(fairness) 유지, 배수량 같은 제약을 만족시키는 난이도가 달라집니다.

OFFSET

오프셋 기반

선도(Lines)의 오프셋 점이나 B-Spline·서피스의 제어점을 직접 옮겨 형상을 수정합니다. 자유롭고 정교하지만, 수정할 때마다 워터라인·횡단면 등 여러 곡선의 순정도를 일일이 확인해야 해 설계 시간이 많이 듭니다.

FORM PARAMETER

형상 파라미터 기반

주형계수·부심 위치 같은 형상 파라미터의 조합으로 선형을 정의·생성합니다. 기준 선형이 없어도 만들 수 있지만, 복잡한 형상을 표현하려면 설계변수(파라미터)가 급격히 늘어나는 한계가 있습니다.

MODIFICATION FN

파라메트릭 변환함수 기반

기존 선형에 변환함수로 정의한 변화량만 더해 간접적으로 변형합니다. 변환함수의 순정도가 유지되면 결과 선형의 순정도도 함께 보존되어, CFD 기반 최적화에 특히 유리합니다.

이 중 우리 연구는 순정도를 지키면서 배수량 같은 제약을 정확히 만족시킬 수 있는 파라메트릭 변환함수 방식을 중심으로 선형을 변형합니다. 다음 절에서 그 구체적인 기법을 소개합니다.

형상 후보를 체계적으로 만들어낸다

앞선 세 접근 중, 우리는 순정도와 배수량 제약을 함께 만족시키는 파라메트릭 변환 방식을 중심으로 기준 선형을 변형합니다. 범용 격자 변형(FFD)부터 순정도·배수량을 보장하는 변환곡선(SAC·횡단면)까지, 대리모델 학습용 형상군을 체계적으로 생성합니다.

FFD

자유형상변형(FFD)

형상을 제어격자로 감싸고 격자점을 움직여 표면 전체를 매끄럽게 변형합니다. 적은 제어변수로 전역·국소 변형을 모두 다룰 수 있어, 대리모델 학습용 형상군 생성에 널리 쓰입니다.

SAC CURVE

파라메트릭 변환곡선 (SAC)

횡단면적 곡선(SAC)을 B-Spline 변환곡선으로 수정하되, GC1 연속조건으로 곡선의 순정도를 유지하고 변형 과정에서 배수량이 자동으로 보존되도록 합니다.

SECTION SHAPE

횡단면 형상 변환

DLWL을 기준으로 U-V형 단면 형상을 변환곡선으로 조정합니다. 동일 단면적(배수량·LCB 유지) 제약 아래에서 단면 형상을 체계적으로 바꿉니다.

이렇게 생성된 형상군은 대리모델의 입력이자 학습 데이터가 됩니다. 형상을 규칙적으로 변형하고(변형 기법) → 표면장을 즉시 예측하며(대리모델) → 성능으로 평가하는 흐름이 이어질 때, 비로소 넓은 설계 공간을 빠르게 탐색할 수 있습니다.

FFD

U-V변환

SHIFTING

FFD

1/3

오토인코더로 표면장을 이미지처럼 예측한다

표면 물리량 예측은 형상을 이미지로 인코딩한 뒤, 표면 위 압력·전단응력 분포를 하나의 출력 이미지로 되돌리는 '이미지 회귀' 문제로 다룹니다. 이때 널리 쓰이는 학습 구조가 오토인코더(인코더-디코더)입니다.

오토인코더는 입력을 인코더로 저차원 특징(잠재표현)으로 압축했다가, 디코더로 다시 목표 출력으로 복원하는 인코더-디코더 신경망입니다. 압축 단계에서 형상의 본질적인 특징만 남기고, 복원 단계에서 그 특징을 원하는 물리량 지도로 펼쳐 냅니다.

표면장 예측에서는 입력으로 선체 형상을(격자·이미지 형태), 출력으로 그 표면의 물리량 분포를 둡니다. 즉 '형상 → 표면 물리량'의 대응 관계를 데이터로 학습해, 학습에 쓰이지 않은 새로운 형상에 대해서도 표면 압력·전단응력을 곧바로 예측하도록 만드는 것이 이 방법의 핵심입니다.

ENCODER

형상 특징 압축

입력 형상을 합성곱으로 훑어 저차원 잠재표현으로 압축합니다. 선수·선미·부가물 같은 형상 특징이 이 단계에서 요약됩니다.

DECODER

물리량 지도 복원

압축된 잠재표현을 다시 펼쳐, 표면 위 압력·전단응력·속도 분포를 격자 이미지로 복원합니다.

REGRESSION

이미지 회귀 학습

CFD 해석 결과를 정답으로 삼아, 예측한 표면장과 정답 사이의 오차를 최소화하도록 신경망을 학습합니다.

CFD 없이 성능 핵심 물리량을 직시

표면 압력·전단응력을 직접 얻으면 저항과 추진 성능을 곧바로 추정할 수 있습니다. 유동장 전체를 계산하지 않고도 설계에 가장 중요한 물리량을 확보하는 것이 핵심입니다.

01 계산 비용 절감

수 시간~수일의 CFD를 수 초 수준의 추론으로 대체합니다.

02 형상 탐색 확장

더 많은 형상 후보를 같은 시간 안에 비교할 수 있습니다.

03 설계 반복 가속

표면 물리량 확보 속도가 설계 반복(iteration) 속도를 좌우합니다.

예측 정확도·신뢰도 향상

빠른 예측을 넘어, 믿을 수 있는 예측으로

AI 예측이 설계·해석 현장에서 실제로 쓰이려면 정확도뿐 아니라 신뢰도에도 답할 수 있어야 합니다. "얼마나 정확한가"와 "얼마나 믿어도 되는가"는 서로 다른 질문입니다.

계산이 빠른 저해상도·저정확도 해석은 세부 구조를 놓치기 쉽습니다. 최근에는 딥러닝 초해상(super-resolution) 기법으로 저해상 유동장을 고해상으로 복원하는 연구가 활발하며, CNN 기반 복원이 전통적인 bicubic·bilinear 보간보다 더 정확하다는 결과가 보고되고 있습니다.

한편 단일 예측값만으로는 그 예측을 얼마나 신뢰할지 알 수 없습니다. 최신 흐름은 딥 앙상블과 베이지안 기법으로, 데이터 자체의 불확실성(aleatoric)과 모델의 불확실성(epistemic)을 나누어 정량화하는 방향으로 나아가고 있습니다.

우리는 이 두 축 — 초해상 복원과 불확실성 정량화 — 을 함께 연구해, AI 예측을 설계 의사결정에 쓸 수 있는 도구로 완성합니다.

복원하고, 결합하고, 정량화한다

저해상 입력을 고정확도로 되살리고, 여러 모델의 예측을 결합해 평균과 편차를 함께 산출합니다.

그 결과 예측은 단일 값이 아니라 신뢰구간을 가진 값이 됩니다.

SUPER-RES

고정확도 복원

계산이 빠른 저해상도 해석 결과를 입력받아, U-Net 초해상 기법으로 고정확도 유동장을 재구성합니다.

ENSEMBLE

앙상블 예측

독립적으로 학습한 여러 모델의 예측을 결합해, 예측의 평균과 함께 모델 간 편차를 산출합니다.

UQ

불확실성 정량화

예측을 단일 값이 아닌 신뢰구간과 함께 제공해, 불확실성이 큰 영역을 지도처럼 드러냅니다.

적은 계산으로 더 정밀하게, 위험은 관리 가능하게

두 축의 연구는 곧바로 두 가지 실질적 이점으로 이어집니다.

01 저해상도 입력

계산이 빠른 저해상도(저정확도) 해석 결과를 입력으로 받습니다.

02 고정확도 복원

U-Net 초해상 기법으로 고정확도 유동장을 재구성합니다.

03 앙상블 예측

여러 모델의 예측을 결합해 평균과 편차를 함께 산출합니다.

04 불확실성 정량화

예측을 신뢰구간과 함께 제공합니다.

더 높은 정확도 — 저해상도 결과로부터 고정확도 유동장을 복원해, 적은 계산으로 정밀한 예측을 얻습니다.

위험 관리 — 예측에 신뢰구간을 부여해, 불확실성이 큰 영역을 사전에 파악하고 설계 의사결정의 위험을 관리합니다.