A comparative study on machine learning methods for spatially varying parameters in turbulent flows
- 주제(키워드) turbulent flow , spatially varying parameters , machine learning , out-of-data , K-fold cross validation , SGD(stochastic gradient descent)
- 발행기관 서강대학교 일반대학원
- 지도교수 강성원
- 발행년도 2021
- 학위수여년월 2021. 2
- 학위명 석사
- 학과 및 전공 일반대학원 기계공학과
- UCI I804:11029-000000065852
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권보호를 받습니다.
초록/요약
공간적으로 변하는 난류 유동 인자들의 예측은 RANS (Reynolds-averaged Navier-Stokes) 또는 LES (large eddy simulation) 등 난류 모델을 이용한 유동 해석에 유용하게 활용될 수 있다. 본 연구에서는 실험 기반 난류 기포 유동 데이터와 wedge channel 형상에서의 난류 열전달 DNS 데이터를 활용하여 공간적으로 변하는 난류 인자들을 다양한 machine learning 기법들과 K겹 교차 검증을 통해 hyper parameter들을 결정하고 결정된 hyper parameter들을 기반으로 학습한 모델들을 비교 분석했다. 특히 모델들의 학습에 사용되지 않은 데이터를 예측하는 out-of-data 혹은 범위 바깥의 out-of-range data의 성능 평가에 중점을 두고 진행하였다. 인공신경망의 경우 일반적으로 가장 널리 쓰이는 momentum 기반의 Adam algorithm과 full-batch training기반 방법과 mini-batch training 기반의 SGD (stochastic gradient descent) algorithm을 비교해서 generalization performance 관점에서 차별성을 확인하였다.
more