KR20230095383A - Method for building reduced order model that combines linear and non-linear projection methods - Google Patents
Method for building reduced order model that combines linear and non-linear projection methods Download PDFInfo
- Publication number
- KR20230095383A KR20230095383A KR1020210184802A KR20210184802A KR20230095383A KR 20230095383 A KR20230095383 A KR 20230095383A KR 1020210184802 A KR1020210184802 A KR 1020210184802A KR 20210184802 A KR20210184802 A KR 20210184802A KR 20230095383 A KR20230095383 A KR 20230095383A
- Authority
- KR
- South Korea
- Prior art keywords
- model
- pod
- building
- artificial intelligence
- data
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 abstract description 7
- 239000003245 coal Substances 0.000 description 4
- 239000012530 fluid Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
본 발명의 목적은 많은 데이터를 포함하는 CAE 문제에서 인공지능 기술을 활용할 수 있도록 기존의 POD와 인공지능 방식을 혼합한 차수 감축 모델 구축 방법을 제공하는데 있는 것으로, 본 발명에 따른 선형 투영 및 비선형 투영 방식을 혼합한 차수 감축 모델 구축 방법은, 초기 조건 분석을 위해 관심 설비에 대해 운전 조건에 대한 CAE 해석을 수행하는 CAE 해석 단계; 상기 CAE 해석 단계에서 수행된 CAE 해석 데이터를 이용해 POD 모델을 구축하는 POD 모델 구축 단계; 상기 POD 모델 구축 단계에서 구축된 POD 모델의 예측치와 상기 CAE 해석 데이터의 오차를 계산하는 POD 모델 오차 산정 단계; 상기 POD 모델에서 상위 오차 격자를 추출하는 상위 오차 격자 추출 단계; 상기 상위 오차 격자 추출 단계에서 추출된 데이터를 이용하여 인공지능 모델을 구축하는 인공지능 모델 구축 단계; 및 상기 인공지능 모델 구축 단계에서 구축된 인공지능 모델의 예측치로부터 전체 도메인에 대한 데이터를 보간하는 전체 데이터 보간 단계;를 포함한다.An object of the present invention is to provide a method for constructing a reduced-order model that combines conventional POD and artificial intelligence methods so that artificial intelligence technology can be utilized in CAE problems involving a large amount of data. Linear projection and nonlinear projection according to the present invention A method of building a reduced-order model in which the mixed methods include: a CAE analysis step of performing CAE analysis on operating conditions for a facility of interest for initial condition analysis; A POD model building step of building a POD model using the CAE analysis data performed in the CAE analysis step; a POD model error calculation step of calculating an error between the predicted value of the POD model constructed in the POD model building step and the CAE analysis data; an upper error lattice extraction step of extracting an upper error lattice from the POD model; An artificial intelligence model building step of building an artificial intelligence model using the data extracted in the upper error grid extraction step; and a full data interpolation step of interpolating data for the entire domain from the predicted values of the artificial intelligence model built in the artificial intelligence model building step.
Description
본 발명은 차수 감축 모델 구축 기술에 속하는 것으로, 오차가 큰 적합 직교 분해(Proper Orthogonal Decomposition, 이하 'POD'라 함) 기반의 차수 감축 모델에 대해 인공지능 기법을 적용함으로써 좀 더 정확한 차수 감축 모델을 구축하는 방법에 관한 것이다.The present invention belongs to a reduced-order model construction technology, and a more accurate reduced-order model is obtained by applying an artificial intelligence technique to a reduced-order model based on Proper Orthogonal Decomposition (hereinafter referred to as 'POD') with a large error. It's about how to build.
차수 감축 모델은 CAE(Computer Aided Engineering) 해석을 기반으로 실시간 결과를 도출하는 디지털 트윈 기술에 적용되고 있다.The order reduction model is applied to digital twin technology that derives real-time results based on CAE (Computer Aided Engineering) analysis.
차수 감축 모델은 대체로 POD를 이용하여 구축되어 왔으나, 비선형성이 강한 부분에서는 POD의 선형 투영 기반 방식은 비교적 낮은 정확도를 나타 내었다.Order reduction models have generally been built using POD, but the linear projection-based method of POD showed relatively low accuracy in areas with strong nonlinearity.
이를 극복하기 위해, 비선형 투영 기반 방식의 인공지능 기술을 이용하면 비선형성이 강한 부분에 대하여 더욱 정확한 예측을 하는 차수 감축 모델을 구축할 수 있게 된다. 그러나, 인공지능 기술을 이용하는 차수 감축 모델은 그래픽 처리 장치의 메모리에 대한 한계로 인해 적은 양의 데이터를 포함하는 CAE 문제에만 적용될 수 있는 한계가 있다.In order to overcome this, it is possible to build an order reduction model that makes more accurate predictions for parts with strong nonlinearity by using nonlinear projection-based artificial intelligence technology. However, the order reduction model using artificial intelligence technology has limitations in that it can be applied only to CAE problems that include a small amount of data due to limitations on the memory of the graphic processing unit.
본 발명은 위와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 많은 데이터를 포함하는 CAE 문제에서 인공지능 기술을 활용할 수 있도록 기존의 POD와 인공지능 방식을 혼합한 차수 감축 모델 구축 방법을 제공하는데 있다.The present invention has been devised to solve the above problems, and an object of the present invention is to provide a method for building an order reduction model that combines conventional POD and artificial intelligence methods so that artificial intelligence technology can be used in CAE problems that include a lot of data. is in providing
위와 같은 과제를 해결하기 위한 본 발명에 따른 선형 투영 및 비선형 투영 방식을 혼합한 차수 감축 모델 구축 방법은, 초기 조건 분석을 위해 관심 설비에 대해 운전 조건에 대한 CAE 해석을 수행하는 CAE 해석 단계; 상기 CAE 해석 단계에서 수행된 CAE 해석 데이터를 이용해 POD 모델을 구축하는 POD 모델 구축 단계; 상기 POD 모델 구축 단계에서 구축된 POD 모델의 예측치와 상기 CAE 해석 데이터의 오차를 계산하는 POD 모델 오차 산정 단계; 상기 POD 모델에서 상위 오차 격자를 추출하는 상위 오차 격자 추출 단계; 상기 상위 오차 격자 추출 단계에서 추출된 데이터를 이용하여 인공지능 모델을 구축하는 인공지능 모델 구축 단계; 및 상기 인공지능 모델 구축 단계에서 구축된 인공지능 모델의 예측치로부터 전체 도메인에 대한 데이터를 보간하는 전체 데이터 보간 단계;를 포함한다.A method for building a reduced-order model that combines linear projection and nonlinear projection according to the present invention to solve the above problems includes a CAE analysis step of performing CAE analysis on operating conditions for a facility of interest for initial condition analysis; A POD model building step of building a POD model using the CAE analysis data performed in the CAE analysis step; a POD model error calculation step of calculating an error between the predicted value of the POD model constructed in the POD model building step and the CAE analysis data; an upper error lattice extraction step of extracting an upper error lattice from the POD model; An artificial intelligence model building step of building an artificial intelligence model using the data extracted in the upper error grid extraction step; and a full data interpolation step of interpolating data for the entire domain from the predicted values of the artificial intelligence model built in the artificial intelligence model building step.
바람직하게, 상기 인공지능 모델은 차수 감축 모델의 기능을 구현할 수 있는 모델이다.Preferably, the artificial intelligence model is a model capable of realizing the function of an order reduction model.
바람직하게, 상기 인공지능 모델은 오토인코더 모델이다.Preferably, the artificial intelligence model is an autoencoder model.
바람직하게, 상기 전체 데이터 보간 단계는 갭피-POD를 수행하여 전체 데이터를 보간한다.Preferably, in the entire data interpolation step, the entire data is interpolated by performing gappy-POD.
본 발명에 따른 선형 투영 및 비선형 투영 방식을 혼합한 차수 감축 모델 구축 방법에 의하면, POD와 인공지능 방식을 혼합함으로써 많은 데이터를 포함하는 CAE 문제에 있어서도 비선형성이 높은 영역에 대해 높은 정확도를 갖는 차수 감축 모델을 구축할 수 있게 된다.According to the order reduction model construction method by mixing the linear projection and nonlinear projection methods according to the present invention, by mixing the POD and the artificial intelligence method, even in a CAE problem including a lot of data, an order with high accuracy for a region with high nonlinearity A reduction model can be built.
도 1은 본 발명에 따른 차수 감축 모델 구축 방법의 수행 단계를 순차적으로 도시한 플로우 챠트이다.
도 2는 미분탄 버너에서 POD 모델의 예측에서 발생한 상위 오차에 대한 격자를 보여주는 도면이다.
도 3은 상위 오차 격자 데이터를 학습할 인공지능 알고리즘에 대한 도면이다.
도 4는 미분탄 버너에서 본 발명에 따른 차수 감축 모델 구축 방법으로 개선된 온도 및 오차 분포를 재구성한 예를 보여주는 도면이다.1 is a flow chart sequentially showing the steps of a method for constructing an order reduction model according to the present invention.
2 is a diagram showing a lattice of upper errors generated in prediction of a POD model in a pulverized coal burner.
3 is a diagram of an artificial intelligence algorithm to learn upper error lattice data.
4 is a view showing an example of reconstructing improved temperature and error distribution in a pulverized coal burner by the order reduction model construction method according to the present invention.
아래에서는 본 발명에 따른 선형 투영 및 비선형 투영 방식을 혼합한 차수 감축 모델 구축 방법을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다.Hereinafter, a method for constructing a reduced-order model in which a linear projection method and a non-linear projection method are mixed according to the present invention will be described in detail with reference to the accompanying drawings. However, detailed descriptions of well-known functions and configurations that may unnecessarily obscure the gist of the present invention will be omitted.
도 1은 본 발명에 따른 선형 투영 및 비선형 투영 방식을 혼합한 차수 감축 모델 구축 방법의 수행 단계를 순차적으로 도시한 플로우 챠트이다.1 is a flow chart sequentially showing the steps of a method for constructing a reduced-order model in which a linear projection method and a non-linear projection method are mixed according to the present invention.
도 1을 참조하면, 본 발명에 따른 선형 투영 및 비선형 투영 방식을 혼합한 차수 감축 모델 구축 방법은 CAE 해석 단계(S100), POD 모델 구축 단계(S200), POD 모델 오차 산정 단계(S300), 상위 오차 격자 추출 단계(S400), 인공지능 모델 구축 단계(S500) 및 전체 데이터 보간 단계(S600)를 포함한다.Referring to FIG. 1, the method for building a reduced-order model combining linear projection and nonlinear projection according to the present invention includes a CAE analysis step (S100), a POD model construction step (S200), a POD model error calculation step (S300), It includes error grid extraction step (S400), artificial intelligence model building step (S500) and total data interpolation step (S600).
본 발명의 각 단계는 컴퓨터 상에서 본 발명이 구현되어 있는 프로그램에 의해 수행될 수 있다.Each step of the present invention can be performed by a program in which the present invention is implemented on a computer.
CAE 해석 단계(S100)는 초기 조건 분석을 위해 관심 설비에 대해 운전 조건에 대한 CAE 해석을 수행하는 단계이다. CAE 해석은, 예를 들어 CFD(Computational Fluid Dynamics)를 이용하여 관심 기기에 대해 샘플링된 운전 조건을 부여하여 수행할 수 있다. CAE 해석은 1차원부터 다차원 해석까지 다양하게 적용될 수 있다.The CAE analysis step (S100) is a step of performing CAE analysis on operating conditions for the facility of interest for initial condition analysis. CAE analysis may be performed by assigning sampled operating conditions to a device of interest using, for example, CFD (Computational Fluid Dynamics). CAE analysis can be applied in various ways from one-dimensional to multi-dimensional analysis.
POD 모델 구축 단계(S200)는 상기 CAE 해석 단계(S100)에서 수행된 CAE 해석 데이터를 이용해 POD 모델을 구축하는 단계이다. POD 모델을 이용하면 CAE 해석 데이터를 잘 대변할 수 있는 주성분 벡터를 추출하고, 각 운전 변수에 따라 POD 상수를 얻게 되어, 훨씬 적은 차원으로 신속한 데이터 연산을 진행할 수 있다('특허문헌 1' 참조).The POD model construction step (S200) is a step of building a POD model using the CAE analysis data performed in the CAE analysis step (S100). By using the POD model, principal component vectors that can represent the CAE analysis data are extracted, and POD constants are obtained according to each operating variable, so that rapid data calculation can be performed with much fewer dimensions (see 'Patent Document 1'). .
다음으로, POD 모델 오차 산정 단계(S300)는 상기 POD 모델 구축 단계(S200)에서 구축된 POD 모델의 예측치와 CAE 해석 데이터의 오차를 계산하는 단계이다.Next, the POD model error calculation step (S300) is a step of calculating the error between the predicted value of the POD model constructed in the POD model construction step (S200) and the CAE analysis data.
본 발명에서는 기존 차수 감축 모델과 달리, 두 단계에 걸쳐 차수 감축 모델을 구축하게 된다. 첫 번째 단계에서는 POD 모델을 구축하고 CAE 해석 데이터와의 오차를 계산하며, 두 번째 단계에서는 첫 번째 단계에서 일정 기준 이상의 오차를 보이는 공간의 격자를 추출하여 인공지능 학습을 진행한다. 두 번째 단계를 진행하기 위해, 첫 번째 단계에서의 예측 오차를 계산해야 한다.In the present invention, unlike the existing order reduction model, the order reduction model is built in two steps. In the first step, a POD model is built and errors with CAE analysis data are calculated, and in the second step, artificial intelligence learning is performed by extracting a grid of spaces showing errors above a certain standard in the first step. To proceed with the second step, we need to calculate the prediction error from the first step.
다음으로, 상위 오차 격자 추출 단계(S400)는 POD 모델에서 상위 오차 격자를 추출하는 단계이다. 오차 격자 추출 기준은 최종 차수 감축 모델의 정확도 기준에 따라 선정할 수 있으며, 도 2는 미분탄 버너 사례에 적용된 총 420,000개의 공간 격자 중 POD 모델의 상위 오차를 보이는 60,000개의 공간 격자를 보여준다.Next, in the step of extracting the upper error grid (S400), the upper error grid is extracted from the POD model. The error grid extraction criterion can be selected according to the accuracy criterion of the final order reduction model, and FIG. 2 shows 60,000 spatial grids showing the upper error of the POD model among a total of 420,000 spatial grids applied to the pulverized coal burner case.
다음으로, 인공지능 모델 구축 단계(S500)는 상기 상위 오차 격자 추출 단계(S400)에서 추출된 데이터를 이용하여 인공지능 모델을 구축하는 단계이다. 여기서, 인공지능 모델로는 차수 감축 모델의 기능을 구현할 수 있는 모델로 선정해야 한다. Next, the artificial intelligence model building step (S500) is a step of building an artificial intelligence model using the data extracted in the upper error lattice extraction step (S400). Here, as an artificial intelligence model, a model that can implement the function of an order reduction model should be selected.
도 3은 인공지능 모델 구축 단계에 따른 오토인코더(Autoencoder)의 학습 방법을 예시로 보여준다. 흔히 사용되는 인공지능 차수 감축 모델로 오토인코더 모델이 있다. 오토인코더 모델은 CAE 해석 데이터를 저차원의 데이터로 압축시켜 데이터 처리를 용이하게 진행할 수 있다. 또한, 압축된 데이터를 다시 원래의 고차원 CAE 해석 데이터로 변환시키는 역할을 수행할 수 있다.3 shows an example of an autoencoder learning method according to an artificial intelligence model construction step. An autoencoder model is a commonly used artificial intelligence order reduction model. The autoencoder model compresses CAE analysis data into low-dimensional data so that data processing can be performed easily. In addition, it can play a role of converting compressed data back into original high-dimensional CAE analysis data.
다음으로, 전체 데이터 보간 단계(S600)는 상기 인공지능 모델 구축 단계(S500)에서 구축된 인공지능 모델의 예측치로부터 전체 도메인에 대한 데이터를 보간하는 단계이다. Next, the entire data interpolation step (S600) is a step of interpolating data for the entire domain from the predicted values of the artificial intelligence model built in the artificial intelligence model building step (S500).
데이터 보간 단계는 갭피-POD(Gappy-POD)를 수행하여 전체 데이터를 보간 할 수 있다. 갭피-POD는 POD 기반 방법의 일부로서, 소수의 데이터만을 이용하여 원본 데이터를 보간할 수 있는 기법이다. 인공지능 모델 구축 단계(S500)에서 구축된 모델로 원하는 운전 조건에 대해 데이터를 출력하고, 이 데이터를 갭피-POD를 이용해 전체 데이터를 복원한다.In the data interpolation step, entire data may be interpolated by performing Gappy-POD. Gappy-POD is a part of the POD-based method and is a technique that can interpolate original data using only a small number of data. The model built in the artificial intelligence model construction step (S500) outputs data for the desired driving conditions, and restores the entire data using this data using Gappy-POD.
도 4는 본 발명에서 제시한 차수 감축 모델을 이용하여 미분탄 버너 사례에 적용하였으며, 기존 차수 감축 모델의 상대오차 3.5%와 비교하여 상대오차 0.3%로 개선된 성능을 보여준다.4 shows the improved performance with a relative error of 0.3% compared to the relative error of 3.5% of the existing order reduction model, which was applied to the pulverized coal burner case using the order reduction model proposed in the present invention.
본 명세서와 첨부된 도면에 개시된 실시 예들은 본 발명의 기술적 사상을 쉽게 설명하기 위한 목적으로 사용된 것일 뿐, 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 따라서, 본 기술분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.The embodiments disclosed in this specification and the accompanying drawings are only used for the purpose of easily explaining the technical spirit of the present invention, and are not used to limit the scope of the present invention described in the claims. Therefore, those of ordinary skill in the art will understand that various modifications and equivalent other embodiments are possible therefrom.
S100: CAE 해석 단계
S200: POD 모델 구축 단계
S300: POD 모델 오차 산정 단계
S400: 상위 오차 격자 추출 단계
S500: 인공지능 모델 구축 단계
S600: 전체 데이터 보간 단계S100: CAE analysis step
S200: POD model building step
S300: POD model error calculation step
S400: Upper Error Grid Extraction Step
S500: AI model construction phase
S600: Full data interpolation step
Claims (4)
상기 CAE 해석 단계에서 수행된 CAE 해석 데이터를 이용해 POD 모델을 구축하는 POD 모델 구축 단계;
상기 POD 모델 구축 단계에서 구축된 POD 모델의 예측치와 상기 CAE 해석 데이터의 오차를 계산하는 POD 모델 오차 산정 단계;
상기 POD 모델에서 상위 오차 격자를 추출하는 상위 오차 격자 추출 단계;
상기 상위 오차 격자 추출 단계에서 추출된 데이터를 이용하여 인공지능 모델을 구축하는 인공지능 모델 구축 단계; 및
상기 인공지능 모델 구축 단계에서 구축된 인공지능 모델의 예측치로부터 전체 도메인에 대한 데이터를 보간하는 전체 데이터 보간 단계;
를 포함하는, 선형 투영 및 비선형 투영 방식을 혼합한 차수 감축 모델 구축 방법.A CAE analysis step of performing CAE analysis on operating conditions for the facility of interest for initial condition analysis;
A POD model building step of building a POD model using the CAE analysis data performed in the CAE analysis step;
a POD model error calculation step of calculating an error between the predicted value of the POD model constructed in the POD model building step and the CAE analysis data;
an upper error lattice extraction step of extracting an upper error lattice from the POD model;
An artificial intelligence model building step of building an artificial intelligence model using the data extracted in the upper error grid extraction step; and
a full data interpolation step of interpolating data for all domains from predicted values of the artificial intelligence model built in the artificial intelligence model building step;
A method for building a reduced-order model that combines linear projection and non-linear projection methods.
상기 인공지능 모델은 차수 감축 모델의 기능을 구현할 수 있는 모델인 것을 특징으로 하는, 선형 투영 및 비선형 투영 방식을 혼합한 차수 감축 모델 구축 방법.The method of claim 1,
Characterized in that the artificial intelligence model is a model capable of implementing the function of the order reduction model, a method for building a reduced order model that mixes linear projection and nonlinear projection methods.
상기 인공지능 모델은 오토인코더 모델인 것을 특징으로 하는, 선형 투영 및 비선형 투영 방식을 혼합한 차수 감축 모델 구축 방법.The method of claim 2,
Characterized in that the artificial intelligence model is an autoencoder model, a method of building an order reduction model that combines linear projection and nonlinear projection methods.
상기 전체 데이터 보간 단계는 갭피-POD를 수행하여 전체 데이터를 보간하는 것을 특징으로 하는, 선형 투영 및 비선형 투영 방식을 혼합한 차수 감축 모델 구축 방법.The method of claim 1,
The overall data interpolation step is characterized by interpolating the entire data by performing gappy-POD, the order reduction model construction method mixing the linear projection and nonlinear projection methods.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184802A KR20230095383A (en) | 2021-12-22 | 2021-12-22 | Method for building reduced order model that combines linear and non-linear projection methods |
| PCT/KR2022/021052 WO2023121336A1 (en) | 2021-12-22 | 2022-12-22 | Method for constructing reduced-order model by mixedly using linear projection and nonlinear projection schemes |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210184802A KR20230095383A (en) | 2021-12-22 | 2021-12-22 | Method for building reduced order model that combines linear and non-linear projection methods |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230095383A true KR20230095383A (en) | 2023-06-29 |
Family
ID=86903151
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210184802A KR20230095383A (en) | 2021-12-22 | 2021-12-22 | Method for building reduced order model that combines linear and non-linear projection methods |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230095383A (en) |
| WO (1) | WO2023121336A1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102048243B1 (en) | 2019-09-09 | 2019-11-25 | 주식회사 페이스 | Method for Building Reduced Order Model by Combining CAE Simulation and Measurement Data through Coupled-POD |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11433977B2 (en) * | 2019-11-25 | 2022-09-06 | Akselos S.A. | Methods and systems for component-based reduced order modeling for industrial-scale structural digital twins |
| KR102266279B1 (en) * | 2019-12-18 | 2021-06-17 | 포항공과대학교 산학협력단 | Method for Building Reduced Order Model for Implementing Transient State |
| KR102261942B1 (en) * | 2020-12-24 | 2021-06-07 | 주식회사 페이스 | Method to construct a Digital Twin by combining Reduced Order Models, Measurement Data and Machine Learning Techniques for a Multiphysical Engineering System |
-
2021
- 2021-12-22 KR KR1020210184802A patent/KR20230095383A/en not_active Application Discontinuation
-
2022
- 2022-12-22 WO PCT/KR2022/021052 patent/WO2023121336A1/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102048243B1 (en) | 2019-09-09 | 2019-11-25 | 주식회사 페이스 | Method for Building Reduced Order Model by Combining CAE Simulation and Measurement Data through Coupled-POD |
Non-Patent Citations (1)
| Title |
|---|
| L. Agostini, "Exploration and prediction of fluid dynamical systems using auto-encoder technology", Physics of Fluids, 2020 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023121336A1 (en) | 2023-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bazilevs et al. | Isogeometric analysis using T-splines | |
| Tóth et al. | Discretisation of linear parameter-varying state-space representations | |
| US20200134918A1 (en) | Methods of high-definition cellular level set in b-splines for modeling and topology optimization of three-dimensional cellular structures | |
| Ji et al. | Exchange of parametric bridge models using a neutral data format | |
| RU2519331C2 (en) | Method of calculating physical value, numerical analysis method, programme for calculating physical value, numerical analysis programme, device for calculating physical value and numerical analysis device | |
| Bassi et al. | Agglomeration-based physical frame dG discretizations: an attempt to be mesh free | |
| US20080162090A1 (en) | System, methods, and computer readable media, for product design using t-spline deformation | |
| US7518606B2 (en) | System and method for generating curved pipe objects for computer aided design models | |
| Sattler et al. | Interoperability aims in building information modeling exchanges: A literature review | |
| Bracco et al. | Trigonometric generalized T-splines | |
| Maraş et al. | Topological error correction of GIS vector data | |
| Zhao et al. | Adaptive mesh refinement method for solving optimal control problems using interpolation error analysis and improved data compression | |
| Douma et al. | Controller tuning freedom under plant identification uncertainty: double Youla beats gap in robust stability | |
| KR20230095383A (en) | Method for building reduced order model that combines linear and non-linear projection methods | |
| Koleśnik et al. | Fuzzy calculator–useful tool for programming with fuzzy algebra | |
| Chen | A digital-discrete method for smooth-continuous data reconstruction | |
| Bonaventura et al. | A self adjusting multirate algorithm based on the TR-BDF2 method | |
| Li et al. | An investigation on image compression using the trigonometric Bézier curve with a shape parameter | |
| Dehghan et al. | A fourth‐order central Runge‐Kutta scheme for hyperbolic conservation laws | |
| US8457935B2 (en) | Data processing method for sampling data from sets of original data | |
| Nonaka et al. | A three-dimensional, unsplit godunov method for scalar conservation laws | |
| Kostorz et al. | Non‐intrusive reduced order modeling: Geometrical framework, high‐order models, and a priori analysis of applicability | |
| Kondybayeva et al. | Tricubic interpolation in scientific data visualization problems | |
| CN117172161B (en) | Flow field simulation method and device, computer equipment and storage medium | |
| Eguillon et al. | MISSILES: An efficient resolution of the co-simulation coupling constraint on nearly linear differential systems through a global linear formulation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |