Convolutional Neural Network for 2D Flow Estimation Problem

Abstract

Convolutional Neural Network (CNN) is a branch of Artificial Neural Network (ANN), which is a computing model especially dealing with N-dimensional grided data. Since its efficiency in network-training and forward calculation, it has various applications in computing problems. This thesis employs CNN model to estimate the pressure drop of an internal channel flow using the fluid velocity field of 2D channel. The networks are trained using two trial data sets generated by numerical simulations. Therefore, it was available to customize the trial data sets in an inclusion relationship and to be sampled using several chosen parameters to estimate the pressure drop. And hence, the final network has generalization ability despite the use of small set of data. Also, the network parameters are adjusted to improve the network. The accuracy of the numerical method for simulations was considered to determine the reasonable upper bound for the precision of the estimation. Therefore, a CNN trained by a small set of simulation data would provide an efficient and useful baseline for solving this problem for real data.;Convolutional Neural Network (CNN)는 인공 신경망의 한 갈래로, N dimensional 격자형 데이터에 특화된 계산 모델이다. CNN은 모델 학습과 결과값 도출에 용이하다는 장점으로 인해 다양한 계산 문제들에 활용되고 있다. 이 논문은 CNN 모델을 이용하여, 관을 따라 흐르는 유체의 2D 단면 상의 속도장으로부터 유체의 압력 강하 정도를 예측한다. 네트워크 학습을 위해 수치 시뮬레이션으로부터 얻어진 데이터 집합이 제공된다. 따라서, 데이터 집합들 간 포함관계가 성립하고 각 데이터가 관련 파라미터에 대한 가정 하에서 샘플링되도록 학습 데이터셋을 맞춤 제작할 수 있었다. 이를 통해 적은 수의 데이터로부터 일반화 능력을 지닌 최종 네트워크를 얻고자 한다. 또한, 네트워크 성능을 향상시키기 위해 네트워크 파라미터를 조정한다. 예측의 정확도에 대한 합당한 상한으로 수치 방법의 정확도를 고려한다. 결과적으로, 적은 수의 시뮬레이션 데이터로부터 학습된 CNN이 실제 데이터를 적용시킨 문제를 푸는 경우에 대한 효율적이고 유용한 기준을 제공하도록 한다.