AI 유동·압력장 예측

00. OVERVIEW

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

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

01. 배경 - SURFACE FLOW & PRESSURE

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 속도를 입력하면 표면장을 즉시 출력하는 최신 모델들은, 학습에 쓰이지 않은 새로운 형상에 대해서도 표면 압력을 결정계수 R²≈0.98 수준으로 재현하고 한 건을 0.1초대에 추론하며, 기존 해석기 대비 수백 배의 속도 향상을 보고하고 있습니다.

우리 연구는 이 흐름 위에서, 선체와 수중체의 표면 유동·압력장을 픽셀 단위 이미지 회귀로 직접 예측하는 대리모델을 구축합니다.

시각화 자료

01. 방법 - APPROACH

이미지 회귀로 표면장을 예측한다

형상을 격자·이미지로 인코딩한 뒤, 표면 위 물리량 분포를 하나의 출력 이미지로 회귀합니다.

단순 CNN에서 시작해 U-Net 계열로, 다시 선형군 전반으로 모델을 넓혀 왔습니다.

CNN

표면 속도장 예측

선체 표면의 유동장을 픽셀 단위로 회귀 예측하는 대리모델에서 출발했습니다. 형상-물리량의 대응 관계를 데이터로 학습합니다.

U-NET

인코더-디코더 복원

스킵 커넥션이 국소적인 형상 디테일을 보존해, 수중체 형상 조건에 따른 표면 압력장을 더 선명하게 복원합니다.

GENERALIZE

선형군 일반화

단일 형상이 아닌 선형군(shape family) 전반에 걸쳐 압력·전단응력을 동시에 예측합니다. 부가물 주변 정확도를 보강하는 기법도 함께 다룹니다

이미지

01. 결과 - OUTCOME

CFD 없이 성능 핵심 물리량을 즉시

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

CNN

보류

이미지

01. 참고 논문 - REFERENCE

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.

시각화 자료

02. 방법 - APPROACH

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.

이미지

02. 결과 - OUTCOME

적은 계산으로 더 정밀하게, 위험은 관리 가능하게

두 축의 연구는 곧바로 두 가지 실질적 이점으로 이어집니다.