기계학습을 이용한 잠수함의 표면 압력 및 마찰 응력 분포 예측 모델 = Machine-Learning-Based Prediction Model for Surface Pressure and Wall Shear Stress Distributions of a Submarine

다국어 초록 (Multilingual Abstract)

Recent AI-based prediction models have been developed to directly learn CFD simulation results, rather than being limited to predicting integrated hydrodynamic coefficients. Unlike conventional surrogate models commonly used in simulation-based design, these approaches enable real-time prediction of not only integral quantities such as resistance coefficients but also spatial distributions of pressure and wall shear stress. As a result, they are expected to be particularly useful in ship hydrodynamic design, where local pressure and flow distributions play a critical role.
In this study, a positional-encoding-based data processing method is proposed to address the reduced prediction accuracy of a conventional U-Net-based pressure distribution model in regions surrounding protruding appendages. The performance of the proposed approach is evaluated through comparative analysis. Simulation results show that the proposed U-Net with positional encoding (U-Net+PE) reduces both training and validation losses for surface pressure and wall shear stress on the sail compared to the CNN-only model, whereas losses increase for other parts.
To further reduce errors in the remaining parts, the projection grid seam is relocated from the 12 o’clock position to the 6 o’clock position during training.
With this modification, losses decrease for all components except for the wall shear stress on the main body, top rudder, and sail, where they remain slightly higher than those of the CNN-only model.

국문 초록 (Abstract)

최근 AI를 기반으로 한 예측모델은 유체력계수 뿐 아니라 CFD 해석 결과를 그대로 학습할 수 있도록 연구되고 있다. 이는 시뮬레이션 기반 설계에서 자주 사용되던 예측모델과 달리, 적분치(저항계수 등)뿐만 아니라 압력의 분포나 전단 응력의 분포를 실시간으로 예측할 수 있기 때문에 선박 유체 설계와 같이 압력의 분포나 유속의 분포가 중요한 분야에서 활용될 수 있을 것으로 사료된다. 본 연구는 기존의 U-Net을 기반으로 한 압력 분포 모델이 돌출된 부가물 주변에서 낮은 정확도를 보이는 문제를 해결하기 위하여 Positional encoding을 기반으로 한 데이터 처리 기법을 제안하였으며 이에 따라 향상된 결과를 비교하였다. 시뮬레이션 결과, 제안한 U-Net+PE는 CNN 단독 대비 sail의 표면 압력과 마찰 응력에서 학습 및 검증 손실이 감소하였으나, 다른 파트에서는 손실이 증가하였다. 이후 다른 파트의 손실을 줄이기 위해서 seam을 12시에서 6시로 재배치하여 학습을 진행할 경우 main, top rudder, sail의 마찰 응력에서만 손실이 단독 CNN에서보다 크고 다른 모든 부분에서 줄었다.

목차 (Table of Contents)

• 1. 서론 2
• 2. 대상 선형 및 전처리 4
• 2.1. 대상 함형 및 계산 조건 4
• 2.2. 대상 함형 변형 5
• 2.3. 지배방정식 및 격자 시스템 7
• 2.4. 학습용 선형 데이터 전처리 8
• 3. 인공지능 학습 9
• 3.1. U-Net 9
• 3.2. 포지셔널 인코딩(PE) 10
• 3.3. Seam의 위치 재배치 14
• 3.4. 인공지능 학습 15
• 3.5. 평가 프로토콜 및 실험 설계 17
• 4. 결론 22
• 참고문헌 23
• Abstract 24