KR101997140B1

KR101997140B1 - 인공 지능을 이용한 격자 생성 장치 및 방법

Info

Publication number: KR101997140B1
Application number: KR1020170133942A
Authority: KR
Inventors: 이상진
Original assignee: 두산중공업 주식회사
Priority date: 2017-10-16
Filing date: 2017-10-16
Publication date: 2019-07-05
Also published as: KR20190042240A

Abstract

본 발명의 다양한 실시예는 인공 지능을 이용한 격자 생성 장치 및 방법을 개시한다.
이를 위해, 본 발명의 다양한 실시예는 각 구조물마다 도메인 형상과 지오메트릭 형상을 생성하고, 이를 기계 학습하여 파티션 형상을 결정하고, 추가적으로, 지오메트릭 형상과 그 내부 경계면을 기계 학습하여 적어도 하나의 격자점을 포함한 노드 위치를 결정함으로써, 각 구조물에 맞는 정렬 격자를 최적화하여 생성할 수 있다.

Description

인공 지능을 이용한 격자 생성 장치 및 방법{GRID GENERATION APPARATUS AND METHOD USING ARTIFICIAL INTELLIGENCE}

본 발명의 다양한 실시예는 격자 생성 장치 및 방법에 관한 것으로서, 더욱 상세하게는 유동 해석시 오차를 줄이고 정확성을 높일 수 있는 격자 생성 장치 및 방법에 관한 것이다.

일반적으로, 격자 생성 장치는 임의의 구조물을 STL(Stereolithography Tessellation Language) 파일로 만들고, STL 파일로 나타내어진 구조물의 유동 해석을 통해 비정렬 격자 및 정렬 격자와 같은 여러 형태의 격자를 생성할 수 있다.

여기서, 정렬 격자(structured grid)는 유동 해석 시, 비정렬 격자보다 유동 해석 속도가 빠르고, 좀 더 정확한 결과를 얻을 수 있는 장점을 갖지만, 자동화를 통해 생성되기에는 쉽지 않다.

즉, 기존의 격자 생성 장치는 구조물의 특정 형상(예: 블레이드군)에 대하여 디자인 파라미터를 정의하고, 정의된 디자인 파라미터를 통해 특정 형상에 대한 정렬 격자를 자동화 유동 해석 알고리즘을 통해 생성할 수 있지만, 다른 구조물에 대해서는 그 다른 구조들이 갖고 있는 구속 조건 때문에, 자동화된 정렬 격자를 생성하기란 쉽지 않았다.

이 처럼, 기존의 격자 생성 장치는 이미 마련된 디자인 파라미터로 표현하기 어려운 구조물에 대해서는 새로운 형태의 자동화 툴을 개발하여 적용해야만 한다. 이런 경우는 설계자의 경험에 의존하는 경향이 크기 때문에, 격자 생성에 소요되는 시간과 노력의 편차는 크며, 격자 생성 결과의 수준도 설계자의 경험에 따라 차이가 날 수 밖에 없었다.

한국공개특허 : 제2010-0079951호, 공개일자 : 2010년 07월 08일, 발명의 명칭 : 경계요소 격자 생성 방법 및 컴퓨터로 판독 가능한 저장매체.

전술한 문제점을 해결하기 위하여, 본 발명의 다양한 실시예는 인공 지능의 기계 학습을 통해 각 구조물에 맞는 격자를 자동적으로 생성하기 위한 장치 및 방법을 제공하는데 그 목적이 있다.

전술한 목적을 달성하기 위한, 본 발명의 일 실시예는 인공 지능을 이용한 유동 격자를 생성하기 위한 격자 생성 장치로서, 외부 유동 해석을 위한 각 구조물의 외부 경계면을 정의한 도메인 형상과 내부 유동 해석을 위한 상기 각 구조물의 내부 경계면을 정의한 지오메트릭 형상을 생성하는 형상 생성기; 및 상기 각 구조물마다 생성된 상기 도메인 형상과 상기 지오메트릭 형상을 기계 학습하여 상기 도메인 형상과 상기 지오메트릭 형상 사이의 적어도 하나의 공간을 나누는 파티션 형상을 결정하는 제1 기계 학습 처리기를 포함하는 격자 생성 장치를 제공한다.

일 실시예에서, 상기 격자 생성 장치는 상기 지오메트릭 형상과 그 내부 경계면을 따라 형성되는 적어도 하나의 격자점을 상기 각 구조물에 맞게 최적화하는 기계 학습을 통해 상기 각 구조물에 맞는 상기 적어도 하나의 격자점을 포함한 노드 위치를 결정하는 제2 기계 학습 처리기를 더 포함할 수 있다.

일 실시예에서, 상기 제1 인공 지능 처리기는 상기 형상 생성기에 의해 생성된 상기 도메인 형상과 지오메트릭 형상을 포함한 형상 데이터를 수신하는 수신부; 및 상기 수신된 도메인 형상과 지오메트릭 형상을 기계 학습하여 상기 파티션 형상을 결정하기 위한 파티션 학습 데이터를 축적하고, 상기 축적된 파티션 학습 데이터를 상기 각 구조물에 맞게 적용시키면서 상기 파티션 형상의 성능을 개선시키는 파티션 형상 모델링부를 포함할 수 있다.

일 실시예에서, 상기 파티션 형상 모델링부는 상기 수신된 형상 데이터와 상기 축적된 파티션 학습 데이터간 상호 작용에 의해 상기 파티션 학습 데이터의 보상을 최대화하는 방향으로 향상시킴으로써 상기 파티션 형상의 성능을 개선시키는 제1 강화학습 모델링부를 포함할 수 있다.

일 실시예에서, 상기 파티션 형상 모델링부는 상기 파티션 학습 데이터를 기준점들로 지정하고, 상기 형상 데이터가 상기 기준점들에 맞는지의 여부를 판단하여 상기 파티션 형상의 성능을 개선시키는 제1 지도학습 모델링부를 포함할 수 있다.

일 실시예에서, 상기 파티션 형상 모델링부는 상기 파티션 학습 데이터를 군집화하고, 상기 군집화된 파티션 학습 데이터의 범위 안에 상기 형상 데이터가 존재하는지를 판단하여 상기 파티션 형상의 성능을 개선시키는 제1 비지도학습 모델링부를 포함할 수 있다.

일 실시예에서, 상기 제2 기계 학습 처리기는 상기 형상 생성기에 의해 생성된 상기 지오메트릭 형상과 그 내부 경계면을 수신하는 수신부; 및 상기 수신된 지오메트익 형상과 그 내부 경계면을 기계 학습하여 상기 적어도 하나의 격자점을 결정하기 위한 노드 위치 학습 데이터를 축적하고, 상기 축적된 노드 위치 학습 데이터를 상기 각 구조물에 맞게 적용시키면서 상기 노드 위치의 성능을 개선시키는 노드 위치 모델링부를 포함할 수 있다.

일 실시예에서, 상기 노드 위치 모델링부는 상기 수신된 지오메트릭 형상과 그 내부 경계면 및 상기 축적된 노드 위치 학습 데이터간 상호 작용에 의해 상기 노드 위치 학습 데이터의 보상을 최대화하는 방향으로 향상시킴으로써 상기 노드 위치의 성능을 개선시키는 제2 강화학습 모델링부를 포함할 수 있다.

일 실시예에서, 상기 노드 위치 모델링부는 상기 노드 위치 학습 데이터를 기준점들로 지정하고, 상기 지오메트릭 형상의 내부 경계면이 상기 기준점들에 맞는지의 여부를 판단하여 상기 노드 위치의 성능을 개선시키는 제2 지도학습 모델링부를 포함할 수 있다.

일 실시예에서, 상기 노드 위치 모델링부는 상기 노드 위치 학습 데이터를 군집화하고, 상기 군집화된 노드 위치 학습 데이터의 범위 안에 상기 지오메트릭 형상의 내부 경계면이 존재하는지를 판단하여 상기 노드 위치의 성능을 개선시키는 제2 비지도학습 모델링부를 포함할 수 있다.

한편, 전술한 목적을 달성하기 위한, 본 발명의 다른 실시예는 격자 생성 장치에서 인공 지능을 이용한 유동 격자를 생성하기 위한 방법으로서, 외부 유동 해석을 위한 각 구조물의 외부 경계면을 정의한 도메인 형상과 내부 유동 해석을 위한 상기 각 구조물의 내부 경계면을 정의한 지오메트릭 형상을 입력받는 단계; 및 상기 입력된 도메인 형상과 지오메트릭 형상을 기계 학습하여 상기 도메인 형상과 상기 지오메트릭 형상 사이의 적어도 하나의 공간을 나누는 파티션 형상을 결정하는 단계를 포함하는 격자 생성 방법을 제공한다.

다른 실시예에서, 상기 격자 생성 방법은 상기 지오메트릭 형상과 그 내부 경계면을 기계 학습하여 상기 지오메트릭 형상의 경계면을 따라 형성되는 적어도 하나의 격자점을 포함한 노드 위치를 결정하는 단계를 더 포함할 수 있다.

다른 실시예에서, 상기 파티션 형상을 결정하는 단계는 상기 입력된 도메인 형상과 지오메트릭 형상을 기계 학습하여 상기 파티션 형상을 결정하기 위한 파티션 학습 데이터를 축적하고, 상기 축적된 파티션 학습 데이터를 상기 각 구조물에 맞게 적용시키면서 상기 파티션 형상의 성능을 개선시키는 단계를 포함할 수 있다.

다른 실시예에서, 상기 파티션 형상의 성능을 개선시키는 단계는 상기 입력된 형상 데이터와 상기 축적된 파티션 학습 데이터간 상호 작용에 의해 상기 파티션 학습 데이터의 보상을 최대화하는 방향으로 향상시킴으로써 상기 파티션 형상의 성능을 개선시키는 단계를 포함할 수 있다.

다른 실시예에서, 상기 파티션 형상의 성능을 개선시키는 단계는 상기 파티션 학습 데이터를 기준점들로 지정하고, 상기 형상 데이터가 상기 기준점들에 맞는지의 여부를 판단하여 상기 파티션 형상의 성능을 개선시키는 단계를 포함할 수 있다.

다른 실시예에서, 상기 파티션 형상의 성능을 개선시키는 단계는 상기 파티션 학습 데이터를 군집화하고, 상기 군집화된 파티션 학습 데이터의 범위 안에 상기 형상 데이터가 존재하는지를 판단하여 상기 파티션 형상의 성능을 개선시키는 단계를 포함할 수 있다.

다른 실시예에서, 상기 노드 위치를 결정하는 단계는 상기 지오메트릭 형상과 그 내부 경계면을 기계 학습하여 상기 적어도 하나의 격자점을 결정하기 위한 노드 위치 학습 데이터를 축적하고, 상기 축적된 노드 위치 학습 데이터를 상기 각 구조물에 맞게 적용시키면서 상기 노드 위치의 성능을 개선시키는 단계를 포함할 수 있다.

다른 실시예에서, 상기 노드 위치의 성능을 개선시키는 단계는 상기 지오메트릭 형상의 내부 경계면과 상기 축적된 노드 위치 학습 데이터간 상호 작용에 의해 상기 노드 위치 학습 데이터의 보상을 최대화하는 방향으로 향상시킴으로써 상기 노드 위치의 성능을 개선시키는 단계를 포함할 수 있다.

다른 실시예에서, 상기 노드 위치의 성능을 개선시키는 단계는 상기 노드 위치 학습 데이터를 기준점들로 지정하고, 상기 지오메트릭 형상의 내부 경계면이 상기 기준점들에 맞는지의 여부를 판단하여 상기 노드 위치의 성능을 개선시키는 단계를 포함할 수 있다.

다른 실시예에서, 상기 노드 위치의 성능을 개선시키는 단계는 상기 노드 위치 학습 데이터를 군집화하고, 상기 군집화된 노드 위치 학습 데이터의 범위 안에 상기 지오메트릭 형상의 내부 경계면이 존재하는지를 판단하여 상기 노드 위치의 성능을 개선시키는 단계를 포함할 수 있다.

이상과 같이, 본 발명의 다양한 실시예는 다양한 형태의 기계 학습을 통해 각 구조물에 맞는 정렬 격자를 최적화하여 생성함으로써, 경험이 없는 초보 설계자도 쉽게 본 장치에 접근하여 질이 높고, 정확도가 높은 정렬 격자를 손쉽게 생성할 수 있고, 유동 해석의 품질을 향상시켜, 해당 구조물에 맞는 성능 예측과 그 성능 예측에 대한 정확도를 높일 수 있다.

이상의 본 발명의 효과들은 위에 언급한 것으로만 제한되지 않으며, 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있는 다른 다양한 효과들을 포함한다.

이하에 첨부되는 도면들은 본 발명의 이해를 돕기 위한 것으로, 상세한 설명과 함께 발명들을 제공한다. 다만, 본 발명의 기술적 특징이 특정 도면에 한정되는 것은 아니며, 각 도면에서 개시하는 특징들은 서로 조합되어 새로운 발명으로 구성될 수 있다.
도 1은 본 발명의 실시예에 따른 격자 생성 장치를 개략적으로 나타낸 구성도이다.
도 2는 도 1의 격자 생성 장치에서 격자 생성에 필요한 임의의 구조물에 적용되는 형상 상태를 예시적으로 나타낸 도면이다.
도 3은 도 2의 격자 생성 장치에서 생성된 형상 상태 중 노드 위치를 확대하여 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 제1 기계 학습 처리기의 구성을 보다 구체적으로 나타낸 블럭 구성도이다.
도 5는 본 발명의 실시예에 따른 제2 기계 학습 처리기의 구성을 보다 구체적으로 나타낸 블럭 구성도이다.
도 6은 본 발명의 실시예에 따른 격자 생성 방법을 개략적으로 나타낸 순서도이다.
도 7은 본 발명의 실시예에 따른 도 6의 520 단계를 보다 구체으로 설명하기 위한 순서도이다.
도 8은 본 발명의 실시예에 따른 도 6의 530 단계를 보다 구체으로 설명하기 위한 순서도이다.

이하의 설명과 특허청구범위에서, '포함하다' 또는 '구비하다' 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소를 여러 구성요소 중의 하나로 갖추고 있음을 의미하는 것으로, 다른 구성 요소를 배제하고자 하는 것이 아니다.

이하의 설명과 특허청구범위에서 사용되는 구성요소에 대한 접미사인 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니며, 하드웨어 또는 소프트웨어 또는 하드웨어와 소프트웨어가 결합하여 수행하는 기능을 구분하여 특정 기능을 수행하는 하나의 단위 또는 블록을 의미할 수도 있다.

또한, 이하의 설명과 특허청구범위에서 사용되는 구조물은 구조물이 갖고 있는 전체 형상이거나 부분적인 형상일 수 있는 것으로 이해되어야 하며, 유동 해석이 필요한 모든 대상물을 그 구조물에 해당되는 것으로 이해되어야 한다.

이하에서는, 격자 생성 장치 및 방법을 관련 도면을 참조하여 상세히 설명하고자 한다.

도 1은 본 발명의 실시예에 따른 격자 생성 장치를 개략적으로 나타낸 구성도이고, 도 2는 도 1의 격자 생성 장치에서 격자 생성에 필요한 임의의 구조물에 적용되는 형상 상태를 예시적으로 나타낸 도면이며, 도 3은 도 2의 격자 생성 장치에서 생성된 형상 상태 중 노드 위치를 확대하여 나타낸 도면이다. 언급된 도 2 및 도 3은 도 1를 설명할 때 보조적으로 인용된다.

도 1를 참조하면, 본 실시예에 따른 격자 생성 장치는 특정 유동 해석 알고리즘을 통해 특정 구조물에만 적용되는 것이 아닌, 범용적인 유동 해석 알고리즘과 인공 지능을 이용하여 각 구조물(10)에 맞는 최적화된 유동 격자(60)를 생성한다.

이때, 각 구조물(10)은 대형 구조물 또는 소형 구조물과 같이 그 크기에 제한되지 않고, 기계, 화학, 조선,전자 및 전기 분야 등에서 구조 설계가 필요한 제품 또는 플랜트를 포함하는 보다 넓은 개념을 일컫는다.

반면, 언급된 유동 격자(60)는 각 구조물(10)에 맞게 도메인 형상(20), 지오메트릭 형상(30) 등을 기계 학습하여 해당 학습 데이터를 축적하고, 축적된 해당 학습 데이터를 각 구조물(10)에 맞게 최적화하여 유동 격자(60)의 생성에 필요한 파티션 형상(40) 및/또는 지오메트릭 형상(30)의 경계면을 따라 형성되는 적어도 하나의 격자점(50)을 포함한 노드 위치(50A, 50B)를 최적화할 수 있다.

이때, 유동 격자(60)는 전술한 인공 지능의 기계 학습 알고리즘을 통해 유동 해석하여 만들어진 격자로서, 상기 격자는 정렬 격자인 것이 바람직하다.

전술한 인공 지능을 이용한 유동 격자(60)를 생성하기 위하여, 본 실시예에 따른 격자 생성 장치는 형상 생성기(100), 제1 기계 학습 처리기(200), 제2 기계 학습 처리기(300) 및 데이터베이스(400)를 포함할 수 있다.

일 실시예에서, 형상 생성기(100)는 각 구조물(10)의 형상을 입력 인터페이스를 통해 수신하여 데이터베이스(400)에 저장하고, 데이터베이스(400)에 저장된 각 구조물의 외부 경계면에 대한 외부 유동 해석을 위하여, 상기 각 구조물(10)의 외부 경계면을 정의한 도메인 형상(20)을 생성할 수 있다.

도메인 형상 생성에 필요한 유동 해석 알고리즘은 CFD(Computational Fluid Dynamics), CAE(Computer Aided Engineering) 해석프로그램, 유한차분법(Finite Difference Method), 유한요소법(Finite Element Method) 및 유한체적법(Finite Volume Method) 중 적어도 하나의 기법일 수 있지만, 반드시 이에 한정되지는 않는다.

이에 따라, 형상 생성기(100)는 전술한 유동 해석 알고리즘을 통해 각 구조물(10)의 외부 경계면을 정의한 도메인 형상(20)을 생성할 수 있으며, 언급된 도메인 형상(20)은 각 구조물(10)이 유동이 가능한 영역인 내부 경계면과 유동이 불가능한 장애 영역인 외부 경계면을 가질 경우, 각 구조물(10)의 외부 경계면을 대상으로 한다.

게다가, 형상 생성기(100)는 각 구조물의 내부 경계면에 대한 내부 유동 해석을 위하여 각 구조물(10)의 유동이 불가능한 장애 영역인 내부 경계면을 대상으로 지오메트릭 형상(30, '모델 형상'이라고도 지칭함)을 생성할 수 있다.

이러한 지오메트릭 형상(30)에 필요한 유동 해석 알고리즘도 전술한 CFD(Computational Fluid Dynamics), CAE(Computer Aided Engineering) 해석프로그램, 유한차분법(Finite Difference Method), 유한요소법(Finite Element Method) 및 유한체적법(Finite Volume Method) 중 적어도 하나의 기법일 수 있지만, 반드시 이에 한정되지는 않는다.

일 실시예에서, 제1 기계 학습 처리기(200)는 각 구조물(10)마다 생성된 도메인 형상(20)과 지오메트릭 형상(30)을 기계 학습하여 도메인 형상(20)과 지오메트릭 형상(30) 사이의 적어도 하나의 공간을 나누는 파티션 형상(40)을 결정(최적화)할 수 있다.

예를 들면, 제1 기계 학습 처리기(200)는 각 구조물(10)마다 생성된 도메인 형상(20)과 지오메트릭 형상(30)을 기계 학습한 후, 기계 학습된 형상 학습 데이터를 토대로, 해당 구조물(10)에 맞는 최적화된 파티션 형상(40)을 찾아낼 수 있다.

즉, 도 2 및 도 3에서와 같이, 제1 기계 학습 처리기(200)는 기계 학습을 통해 지오메트릭 형상(30)의 상측 내부 경계면과 도메인 형상(20)의 IA 내부 경계면 사이를 하나의 공간으로 나누고, 지오메트릭 형상(30)의 좌측 내부 경계면과 도메인 형상(20)의 ID 내부 경계면 사이를 하나의 공간으로 나누며, 지오메트릭 형상(30)의 우측 내부 경계면과 도메인 형상(20)의 IB 내부 경계면 사이를 하나의 공간으로 나누고, 지오메트릭 형상(30)의 하측 내부 경계면과 도메인 형상(20)의 IC 내부 경계면 사이를 하나의 공간으로 나눠진 것을 포함한 4개의 파티션 형상(40)을 결정할 수 있다.

이 처럼, 언급된 4개의 파티션 형상(40)은 각 구조물에 대한 여러 형상을 학습한 결과 데이터를 토대로 해당 구조물(10)에 최적화된 결과물일 수 있다. 가령, 다른 구조물에 대해 파티션 형상(40)을 만드는 경우는 전술한 4개의 파티션 형상(40)과는 다른 결과의 파티션 형상(40)이 만들어질 수 있음은 자명하다.

일 실시예에서, 제2 기계 학습 처리기(300)는 전술한 도메인 형상(20)의 외부 경계면과 지오메트릭 형상(30)의 내부 경계면을 잇는 선의 수를 결정하기 위하여, 지오메트릭 형상(30)의 경계면을 따라 형성되는 적어도 하나의 격자점(50)을 각 구조물(10)에 맞게 최적화하는 기계 학습을 통해 각 구조물(10)에 맞는 적어도 하나의 격자점(50)을 포함한 노드 위치(50A, 50B)를 결정할 수 있다.

이때, 적어도 하나의 격자점(50)을 포함한 노드 위치(50A, 50B)는 각 구조물(10)에 형성된 지오메트릭 형상(30)의 내부 경계면이 가지는 경사 정도 및/또는 각 구조물(10) 특성에 기초하여 제2 기계 학습 처리기(300)에서 기계 학습된 결과를 반영한 결과일 수 있다.

예를 들면, 도 3에서와 같이, 지오메트릭 형상(30)의 상측 내부 경계면에 해당하는 노드 위치(50A)는 지오메트릭 형상(30)의 상측 내부 경계면의 꼭지점을 향할수록 밀집된 복수의 격자점(50)을 구비하고, 지오메트릭 형상(30)의 상측 내부 경계면의 하부로 향할수록 밀집되지 않은 복수의 격자점(50)을 구비하며, 지오메트릭 형상(30)의 하측 내부 경계면의 꼭지점을 향할수록 밀집된 복수의 격자점(50)을 구비하고, 지오메트릭 형상(30)의 하측 내부 경계면의 상부로 향할수록 밀집되지 않은 복수의 격자점(50)을 구비할 수 있다.

이와 같이, 본 실시예에서는 파티션 형상(40)과 지오메트릭 형상(30)의 노드 위치 등이 인공 지능의 기계 학습을 통해 각 구조물(10)에 최적화되어 결정되면, 파티션 형상(40)과 지오메트릭 형상(30)의 노드 위치 등에 따라 생성되는 유동 격자(60), 예컨대 정렬 격자의 품질이 향상될 수 있다.

언급된 품질은 해당 구조물에 맞는 성능 예측과 그 성능 예측에 대한 정확도를 의미할 수 있다. 생성되는 유동 격자(60)의 품질은 통상적으로 널리 알려진 왜도(skewness) 및 찌그러짐(distortion) 등과 관련되므로, 이들을 고려하여 파티션 형상(40)의 수와 지오메트릭 형상(30)의 노드 위치 수 등이 결정될 수 있을 것이다.

일 실시예에서, 데이터베이스(400)는 전술한 형상 생성기(100), 제1 기계 학습 처리기(200) 및 제2 기계 학습 처리기(300)에서 처리된 데이터와 기계 학습을 통해 학습된 데이터를 저장하고, 이들 데이터와 관련한 프로그램 또는 명령어를 더 저장할 수 있다.

언급된 데이터베이스(400)는 컴퓨터 판독 가능한 기록 매체를 포함하는 개념으로서, 협의의 데이터베이스뿐만 아니라, 파일 시스템에 기반한 데이터 기록 등을 포함하는 넓은 의미의 데이터베이스도 포함하여 지칭하며, 단순한 로그의 집합이라도 이를 검색하여 데이터를 추출할 수 있다면 본 발명에서 말하는 데이터베이스의 범주안에 포함될 수 있다.

이하에서는, 전술한 인공 지능의 기계 학습을 적용하는 제1 기계 학습 처리기(200) 및 제2 기계 학습 처리기(300)에 대해 보다 구체적으로 설명하기로 한다.

도 4는 본 발명의 실시예에 따른 제1 기계 학습 처리기의 구성을 보다 구체적으로 나타낸 블럭 구성도이다.

도 4를 참조하면, 본 실시예에 따른 제1 기계 학습 처리기(200)는 수신부(210), 파티션 형상 모델링부(220) 및 제어부(230)를 포함할 수 있다.

먼저, 일 실시예에서, 수신부(210)는 형상 생성기(100)로부터 각 구조물(10)의 형상 데이터를 유선 통신 또는 내부 통신을 통해 수신하고, 형상 생성기(100)에 의해 생성된 도메인 형상(20)과 지오메트릭 형상(30)을 포함한 형상 데이터를 유선 통신 또는 내부 통신을 통해 수신할 수 있다. 언급된 유선 통신 또는 내부 통신은 통상적으로 널리 알려진 통신 방식이므로 이에 대한 설명은 생략하기로 한다.

또는, 본 실시예에 따른 수신부(210)는 각 구조물(10)의 데이터를 입력 인터페이스를 통해 입력받고, 입력 인터페이스를 통해 전술한 도메인 형상(20)과 지오메트릭 형상(30)을 포함한 형상 데이터를 직접 입력받을 수도 있다.

일 실시예에서, 파티션 형상 모델링부(220)는 수신부(210)를 통해 수신되거나 입력된 도메인 형상(20)과 지오메트릭 형상(30)을 포함한 형상 데이터를 기계 학습하여 파티션 형상(40)을 결정하기 위한 파티션 학습 데이터를 축적할 수 있고, 축적된 파티션 학습 데이터를 각 구조물(10)에 맞게 적용시키면서 파티션 형상을 결정하고, 더 나아가 파티션 형상(40)의 성능을 개선시킬 수 있다. 이때, 축적된 파티션 학습 데이터는 데이터베이스(400)에 저장됨은 물론이다.

여기서, 본 실시예에 따른 파티션 형상 모델링부(220)는 전술한 파티션 형상(40)의 구체적인 성능 개선을 위하여, 제1 강화학습 모델링부(221), 제1 지도학습 모델링부(222) 및 제1 비지도학습 모델링부(223)를 포함할 수 있다.

제1 강화학습 모델링부(221)는 수신부(210)로부터 수신되거나 입력된 구조물(10) 데이터와 형상 데이터 및 데이터베이스(400)에 축적된 파티션 학습 데이터간 상호 작용에 의해 파티션 학습 데이터의 보상을 최대화시키고, 보상된 파티션 학습 데이터를 해당하는 구조물(10)에 맞게 적용함으로써, 이미 결정된 파티션 형상(40)의 성능을 계속하여 개선시킬 수 있다.

일 실시예에서, 제1 지도학습 모델링부(222)는 데이터베이스(400)에 축적된 파티션 학습 데이터를 기준점들로 지정하고, 도메인 형상(20)과 지오메트릭 형상(30)을 포함한 형상 데이터가 파티션 학습 데이터의 기준점들에 맞는지의 여부를 판단하여, 이미 결정된 파티션 형상(40)의 성능을 개선시킬 수도 있다.

예를 들면, 제1 지도학습 모델링부(222)는 형상 데이터가 파티션 학습 데이터의 기준점들에 맞으면, 축적된 파티션 학습 데이터가 정확성이 높은 것으로 간주하여 이 정확성이 높은 파티션 학습 데이터를 해당 구조물(10)에 적용시킴으로써, 파티션 형상의 성능을 개선시킬 수 있고, 형상 데이터가 파티션 학습 데이터의 기준점들에 맞지 않으면, 축적된 파티션 학습 데이터의 정확성이 떨어진 것으로 간주하여 해당 파티션 학습 데이터를 해당 구조물(10)에 적용시키지 않는다.

일 실시예에서, 제1 비지도학습 모델링부(223)는 데이터베이스(400)에 축적된 파티션 학습 데이터를 군집화하고, 군집화된 파티션 학습 데이터의 범위 안에 형상 데이터가 존재하는지를 판단하여, 이미 결정된 파티션 형상(40)의 성능을 개선시킬 수도 있다.

예를 들면, 제1 비지도학습 모델링부(223)는 도메인 형상(20)과 지오메트릭 형상(30)을 포함한 형상 데이터가 군집화된 파티션 학습 데이터의 범위 안에 있으면, 형상 데이터가 파티션 학습 데이터에 충분히 반영되고 있음을 입증하므로, 축적된 파티션 학습 데이터를 해당 구조물(10)에 맞게 적용시킴으로써, 이미 결정된 파티션 형상(40)의 성능을 개선시킬 수 있고, 형상 데이터가 군집화된 파티션 학습 데이터의 범위 안에 있지 않으면, 파티션 학습 데이터가 불충분하므로, 잘못된 해당 파티션 학습 데이터를 해당 구조물(10)에 적용시키지 않는다.

마지막으로, 본 실시예에 따른 제어부(230)는 전술한 수신부(210) 및 파티션 형상 모델링부(220)에서 처리된 데이터 흐름, 수신부(210) 및 파티션 형상 모델링부(220)간 주고받는 데이터 흐름과 형상 생성기(100)와 제1 기계 학습 처리기(200)간 주고받는 데이터 흐름 등을 처리할 수 있다. 이러한 제어부(230)는 전술한 수신부(210) 및 파티션 형상 모델링부(220)를 포함하여 구성시킬 수도 있다.

이와 같이, 본 실시예에서는 강화 학습, 지도 학습 및 비지도 학습 알고리즘 중 어느 하나의 기계 학습 알고리즘을 통해 해당 구조물(10)에 맞는 파티션 형상(40)을 결정하고, 계속하여 파티션 형상(40)의 성능을 개선시킴으로써, 이들을 유동 격자(60)의 생성에 반영하여 유동 격자 생성에 필요한 정밀도를 크게 높일 수 있다.

도 5는 본 발명의 실시예에 따른 제2 기계 학습 처리기의 구성을 보다 구체적으로 나타낸 블럭 구성도이다.

도 5를 참조하면, 본 실시예에 따른 제2 기계 학습 처리기(300)는 수신부(310), 노드 위치 모델링부(320) 및 제어부(330)를 포함할 수 있다.

먼저, 일 실시예에서, 수신부(310)는 형상 생성기(100)로부터 각 구조물(10)의 데이터를 유선 통신 또는 내부 통신을 통해 수신하고, 형상 생성기(100)에 의해 생성된 지오메트릭 형상(30)과 그 내부 경계면을 유선 통신 또는 내부 통신을 통해 수신할 수 있다. 언급된 유선 통신 또는 내부 통신은 통상적으로 널리 알려진 통신 방식이므로 이에 대한 설명은 생략하기로 한다.

또는, 본 실시예에 따른 수신부(310)는 각 구조물(10)의 데이터를 입력 인터페이스를 통해 직접 입력받을 수 있고, 입력 인터페이스를 통해 전술한 지오메트릭 형상(30)과 그 내부 경계면을 직접 입력받을 수도 있다.

일 실시예에서, 노드 위치 모델링부(320)는 수신부(310)를 통해 수신되거나 입력 인터페이스를 통해 입력된 지오메트릭 형상(30)과 그 내부 경계면을 기계 학습하여 적어도 하나의 격자점(50)을 결정하기 위한 노드 위치 학습 데이터를 축적할 수 있고, 축적된 노드 위치 학습 데이터를 각 구조물(10)에 맞게 적용시키면서 적어도 하나의 격자점(50)을 포함한 노드 위치(50A, 50B)를 결정할 수 있고, 더 나아가, 이미 결정된 노드 위치(50A, 50B)의 성능을 개선시킬 수 있다. 이때, 축적된 노드 위치 학습 데이터는 데이터베이스(400)에 저장됨은 물론이다.

여기서, 본 실시예에 따른 노드 위치 모델링부(320)는 전술한 노드 위치(50A, 50B)의 구체적인 성능 개선을 위하여, 제2 강화학습 모델링부(321), 제2 지도학습 모델링부(322) 및 제2 비지도학습 모델링부(323)를 포함할 수 있다.

제2 강화학습 모델링부(321)는 수신부(310)로부터 수신되거나 입력된 지오메트릭 형상(30)의 내부 경계면과 데이터베이스(400)에 축적된 노드 위치 학습 데이터간 상호 작용에 의해 노드 위치 학습 데이터의 보상을 최대화시키고, 보상된 노드 위치 학습 데이터를 해당하는 구조물(10)에 맞게 적용함으로써, 이미 결정된 노드 위치(50A, 50B)의 성능을 계속하여 개선시킬 수 있다.

일 실시예에서, 제2 지도학습 모델링부(322)는 데이터베이스(400)에 축적된 노드 위치 학습 데이터를 기준점들로 지정하고, 지오메트릭 형상(30)의 내부 경계면이 노드 위치 학습 데이터의 기준점들에 맞는지의 여부를 판단하여, 이미 결정된 노드 위치(50A, 50B)의 성능을 개선시킬 수도 있다.

예를 들면, 제2 지도학습 모델링부(322)는 지오메트릭 형상(30)의 내부 경계면이 노드 위치 학습 데이터의 기준점들에 맞으면, 축적된 노드 위치 학습 데이터가 정확성이 높은 것으로 간주하여 이 정확성이 높은 노드 위치 학습 데이터를 해당 구조물(10)에 적용시킴으로써, 노드 위치(50A, 50B)의 성능을 개선시킬 수 있고, 지오메트릭 형상(30)의 내부 경계면이 노드 위치 학습 데이터의 기준점들에 맞지 않으면, 축적된 노드 위치 학습 데이터의 정확성이 떨어진 것으로 간주하여 해당 노드 위치 학습 데이터를 해당 구조물(10)에 적용시키지 않는다.

일 실시예에서, 제2 비지도학습 모델링부(323)는 데이터베이스(400)에 축적된 노드 위치 학습 데이터를 군집화하고, 군집화된 노드 위치 학습 데이터의 범위 안에 지오메트릭 형상(30)의 내부 경계면이 존재하는지를 판단하여 이미 결정된 노드 위치(50A, 50B)의 성능을 개선시킬 수도 있다.

예를 들면, 제2 비지도학습 모델링부(323)는 지오메트릭 형상(30)의 내부 경계면이 군집화된 노드 위치 학습 데이터의 범위 안에 있으면, 지오메트릭 형상(30)의 내부 경계면이 노드 위치 학습 데이터에 충분히 반영되고 있음을 입증하므로, 축적된 노드 위치 학습 데이터를 해당 구조물(10)에 맞게 적용시킴으로써, 이미 결정된 노드 위치(50A, 50B)의 성능을 개선시킬 수 있고, 지오메트릭 형상(30)의 내부 경계면이 군집화된 노드 위치 학습 데이터의 범위 안에 있지 않으면, 노드 위치 학습 데이터가 불충분하므로, 잘못된 해당 노드 위치 학습 데이터를 해당 구조물(10)에 적용시키지 않는다.

마지막으로, 본 실시예에 따른 제어부(330)는 전술한 수신부(310) 및 노드 위치 모델링부(320)에서 처리된 데이터 흐름, 수신부(310) 및 노드 위치 모델링부(320)간 주고받는 데이터 흐름과 형상 생성기(100)와 제2 기계 학습 처리기(300)간 주고받는 데이터 흐름 등을 처리할 수 있다. 이러한 제어부(330)는 전술한 수신부(310) 및 노드 위치 모델링부(320)를 포함하여 구성시킬 수도 있다.

이와 같이, 본 실시예에서는 강화 학습, 지도 학습 및 비지도 학습 알고리즘 중 어느 하나의 기계 학습 알고리즘을 통해 해당 구조물(10)에 맞는 노드 위치(50A, 50B)를 결정하고, 계속하여 노드 위치(50A, 50B)의 성능을 개선시킴으로써, 이들을 유동 격자 생성에 반영하여 유동 격자 생성에 필요한 정밀도를 크게 높일 수 있다.

도 6은 본 발명의 실시예에 따른 격자 생성 방법을 개략적으로 나타낸 순서도이다. 전술한 도 2 및 3은 도 6을 설명할 때 인용된다.

도 6을 참조하면, 본 실시예에 따른 격자 생성 방법은 격자 생성 장치를 통해 각 구조물(10)에 맞는 유동 격자(60)를 생성하기 위하여 510 단계 내지 530 단계를 포함할 수 있다.

언급된 격자 생성 장치는 인공 지능의 기계 학습을 수행하여 각 구조물에 맞는 유동 격자(60)를 생성하는 장치를 일컫으며, 처리된 데이터를 데이터베이스(400)에 저장시킬 수 있다. 이러한 격자 생성 장치에 의해 실현되는 도 6의 510 단계 내지 도 530 단계는 다음과 같다.

먼저, 510 단계에서, 격자 생성 장치는 외부 유동 해석을 위한 각 구조물(10)의 외부 경계면을 정의한 도메인 형상(20)과 내부 유동 해석을 위한 각 구조물(10)의 내부 경계면을 정의한 지오메트릭 형상(30)을 입력 인터페이스를 통해 입력받을 수 있다. 이때, 상기 입력은 타 장치로부터 수신되는 것을 포함하는 개념일 수 있다.

언급된 도메인 형상(20)과 지오메트릭 형상(30)은 CFD(Computational Fluid Dynamics), CAE(Computer Aided Engineering) 해석프로그램, 유한차분법(Finite Difference Method), 유한요소법(Finite Element Method) 및 유한체적법(Finite Volume Method) 중 적어도 하나의 유동 해석 알고리즘을 통해 생성되는 것이 바람직하지만, 이에 반드시 한정되지는 않는다.

520 단계에서, 격자 생성 장치는 각 구조물(10)마다 생성된 도메인 형상(20)과 지오메트릭 형상(30)을 기계 학습하여 도메인 형상(20)과 지오메트릭 형상(30) 사이의 적어도 하나의 공간을 나누는 파티션 형상(40)을 결정(최적화)할 수 있다.

예를 들면, 격자 생성 장치는 각 구조물(10)마다 생성된 도메인 형상(20)과 지오메트릭 형상(30)을 기계 학습한 후, 기계 학습된 형상 학습 데이터를 토대로, 해당 구조물(10)에 맞는 최적화된 파티션 형상(40)을 찾아낼 수 있다.

즉, 도 2 및 도 3에서와 같이, 격자 생성 장치는 전술한 기계 학습을 통해 지오메트릭 형상(30)의 상측 내부 경계면과 도메인 형상(20)의 IA 내부 경계면 사이를 하나의 공간으로 나누고, 지오메트릭 형상(30)의 좌측 내부 경계면과 도메인 형상(20)의 ID 내부 경계면 사이를 하나의 공간으로 나누며, 지오메트릭 형상(30)의 우측 내부 경계면과 도메인 형상(20)의 IB 내부 경계면 사이를 하나의 공간으로 나누고, 지오메트릭 형상(30)의 하측 내부 경계면과 도메인 형상(20)의 IC 내부 경계면 사이를 하나의 공간으로 나눠진 것을 포함한 4개의 파티션 형상(40)을 결정할 수 있다.

530 단계에서, 격자 생성 장치는 전술한 지오메트릭 형상(30)의 내부 경계면을 기계 학습하여 지오메트릭 형상(30)의 내부 경계면을 따라 형성되는 적어도 하나의 격자점(50)을 포함한 노드 위치(50A, 50B)를 결정할 수 있다.

이때, 적어도 하나의 격자점(50)을 포함한 노드 위치(50A, 50B)는 각 구조물(10)에 형성된 지오메트릭 형상(30)의 내부 경계면이 가지는 경사 정도 및/또는 각 구조물(10) 특성 등에 기초하여 제2 기계 학습 처리기(300)에서 기계 학습된 결과를 반영한 결과일 수 있다.

도 7은 본 발명의 실시예에 따른 도 6의 520 단계를 보다 구체으로 설명하기 위한 순서도이다.

도 7를 참조하면, 본 실시예에 따른 격자 생성 방법의 520 단계를 실현하는 격자 생성 장치는 전술한 도메인 형상(20)과 지오메트릭 형상(30)을 포함한 형상 데이터를 기계 학습하여 파티션 형상(40)을 결정하기 위한 파티션 학습 데이터를 축적할 수 있고, 축적된 파티션 학습 데이터를 각 구조물(10)에 맞게 적용시켜 이미 결정된 파티션 형상(40)의 성능을 개선시킬 수 있다.

이를 위해, 본 실시예에 따른 520 단계는 격자 생성 장치를 통해 실현되는 521 단계 내지 523 단계를 포함할 수 있다.

먼저, 521 단계에서, 격자 생성 장치는 전술한 도메인 형상(20)과 지오메트릭 형상(30)을 포함한 형상 데이터와 데이터베이스(400)에 축적된 파티션 학습 데이터간 상호 작용에 의해 파티션 학습 데이터의 보상을 최대화시키고, 보상된 파티션 학습 데이터를 해당하는 구조물(10)에 맞게 적용함으로써, 이미 결정된 파티션 형상(40)의 성능을 계속하여 개선시킬 수 있다.

522 단계에서, 격자 생성 장치는 데이터베이스(400)에 축적된 파티션 학습 데이터를 기준점들로 지정하고, 도메인 형상(20)과 지오메트릭 형상(30)을 포함한 형상 데이터가 파티션 학습 데이터의 기준점들에 맞는지의 여부를 판단하여, 이미 결정된 파티션 형상(40)의 성능을 개선시킬 수도 있다.

예를 들면, 격자 생성 장치는 형상 데이터가 파티션 학습 데이터의 기준점들에 맞으면, 축적된 파티션 학습 데이터가 정확성이 높은 것으로 간주하여 이 정확성이 높은 파티션 학습 데이터를 해당 구조물(10)에 적용시킴으로써, 파티션 형상의 성능을 개선시킬 수 있고, 형상 데이터가 파티션 학습 데이터의 기준점들에 맞지 않으면, 축적된 파티션 학습 데이터의 정확성이 떨어진 것으로 간주하여 해당 파티션 학습 데이터를 해당 구조물(10)에 적용시키지 않는다.

523 단계에서, 격자 생성 장치는 데이터베이스(400)에 축적된 파티션 학습 데이터를 군집화하고, 군집화된 파티션 학습 데이터의 범위 안에 형상 데이터가 존재하는지를 판단하여, 이미 결정된 파티션 형상(40)의 성능을 개선시킬 수도 있다.

예를 들면, 격자 생성 장치는 도메인 형상(20)과 지오메트릭 형상(30)을 포함한 형상 데이터가 군집화된 파티션 학습 데이터의 범위 안에 있으면, 형상 데이터가 파티션 학습 데이터에 충분히 반영되고 있음을 입증하므로, 축적된 파티션 학습 데이터를 해당 구조물(10)에 맞게 적용시킴으로써, 이미 결정된 파티션 형상(40)의 성능을 개선시킬 수 있고, 형상 데이터가 군집화된 파티션 학습 데이터의 범위 안에 있지 않으면, 파티션 학습 데이터가 불충분하므로, 잘못된 해당 파티션 학습 데이터를 해당 구조물(10)에 적용시키지 않는다.

이와 같이, 본 실시예에서는 강화 학습, 지도 학습 및 비지도 학습 알고리즘 중 어느 하나의 기계 학습 알고리즘을 통해 해당 구조물(10)에 맞는 파티션 형상(40)을 결정하고, 계속하여 파티션 형상(40)의 성능을 개선시킴으로써, 이들을 유동 격자 생성에 반영하여 유동 격자 생성에 필요한 정밀도를 크게 높일 수 있다.

도 8은 본 발명의 실시예에 따른 도 6의 530 단계를 보다 구체으로 설명하기 위한 순서도이다.

도 8를 참조하면, 본 실시예에 따른 격자 생성 방법의 530 단계를 실현하는 격자 생성 장치는 전술한 지오메트릭 형상(30)과 그 내부 경계면을 기계 학습하여 적어도 하나의 격자점(50)을 결정하기 위한 노드 위치 학습 데이터를 축적할 수 있고, 축적된 노드 위치 학습 데이터를 각 구조물(10)에 맞게 적용시켜 이미 결정된 적어도 하나의 격자점(50)을 포함한 노드 위치(50A, 50B)의 성능을 개선시킬 수 있다.

이를 위해, 본 실시예에 따른 530 단계는 격자 생성 장치를 통해 실현되는 531 단계 내지 533 단계를 포함할 수 있다.

먼저, 531 단계에서, 격자 생성 장치는 지오메트릭 형상(30)과 그 내부 경계면 및 데이터베이스(400)에 축적된 노드 위치 학습 데이터간 상호 작용에 의해 노드 위치 학습 데이터의 보상을 최대화시키고, 보상된 노드 위치 학습 데이터를 해당하는 구조물(10)에 맞게 적용함으로써, 이미 결정된 노드 위치(50A, 50B)의 성능을 계속하여 개선시킬 수 있다.

532 단계에서, 격자 생성 장치는 데이터베이스(400)에 축적된 노드 위치 학습 데이터를 기준점들로 지정하고, 지오메트릭 형상(30)의 내부 경계면이 노드 위치 학습 데이터의 기준점들에 맞는지의 여부를 판단하여, 이미 결정된 노드 위치(50A, 50B)의 성능을 개선시킬 수도 있다.

예를 들면, 격자 생성 장치는 지오메트릭 형상(30)의 내부 경계면이 노드 위치 학습 데이터의 기준점들에 맞으면, 축적된 노드 위치 학습 데이터가 정확성이 높은 것으로 간주하여 이 정확성이 높은 노드 위치 학습 데이터를 해당 구조물(10)에 적용시킴으로써, 노드 위치(50A, 50B)의 성능을 개선시킬 수 있고, 지오메트릭 형상(30)의 내부 경계면이 노드 위치 학습 데이터의 기준점들에 맞지 않으면, 축적된 노드 위치 학습 데이터의 정확성이 떨어진 것으로 간주하여 해당 노드 위치 학습 데이터를 해당 구조물(10)에 적용시키지 않는다.

533 단계에서, 격자 생성 장치는 데이터베이스(400)에 축적된 노드 위치 학습 데이터를 군집화하고, 군집화된 노드 위치 학습 데이터의 범위 안에 지오메트릭 형상(30)의 내부 경계면이 존재하는지를 판단하여 이미 결정된 노드 위치(50A, 50B)의 성능을 개선시킬 수도 있다.

예를 들면, 격자 생성 장치는 지오메트릭 형상(30)의 내부 경계면이 군집화된 노드 위치 학습 데이터의 범위 안에 있으면, 지오메트릭 형상(30)의 내부 경계면이 노드 위치 학습 데이터에 충분히 반영되고 있음을 입증하므로, 축적된 노드 위치 학습 데이터를 해당 구조물(10)에 맞게 적용시킴으로써, 이미 결정된 노드 위치(50A, 50B)의 성능을 개선시킬 수 있고, 지오메트릭 형상(30)의 내부 경계면이 군집화된 노드 위치 학습 데이터의 범위 안에 있지 않으면, 노드 위치 학습 데이터가 불충분하므로, 잘못된 해당 노드 위치 학습 데이터를 해당 구조물(10)에 적용시키지 않는다.

이상에서 설명된 격자 생성 방법은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 매체에 기록될 수 있다.

컴퓨터 판독 가능한 매체는 프로세서에 의해 액세스 가능한 임의의 매체일 수 있다. 이러한 매체는 휘발성 및 비휘발성 매체 둘 다, 착탈식과 비착탈식 매체, 저장 매체 및 컴퓨터 저장 매체를 포함할 수 있다.

저장 매체는 RAM, 플래시 메모리, ROM, EPROM, 전기적으로 소거 가능한 판독 전용 메모리("EEPROM"), 레지스터, 하드 디스크, 착탈식 디스크, 콤팩트 디스크 판독 전용 메모리("CD-ROM"), 또는 공지된 임의의 기타 형태의 저장 매체를 포함할 수 있다.

컴퓨터 저장 매체는, 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 그 밖의 데이터와 같은 정보를 저장하기 위한 임의의 방법이나 기술로 구현되는 착탈형(removable)과 고정형(non-removable), 및 휘발성과 비휘발성 매체를 포함한다.

이러한 컴퓨터 저장 매체는 RAM, ROM, EPROM, EEPROM, 플래시 메모리, 다른 고체 메모리 기술, CDROM, 디지털 다용도 디스크(DVD), 또는 다른 광 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

이상과 같이 본 발명을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면, 본 발명의 기술적 사상과 필수적 특징을 유지한 채로 다른 형태로도 실시될 수 있음을 인지할 수 있을 것이다.

따라서 이상에서 기술한 실시예들은 단지 예시적인 것일 뿐이며, 본 발명의 범위를 앞의 실시예들로만 제한하고자 하는 것이 아니다. 또한, 도면에 도시된 순서도들은 본 발명을 실시함에 있어서 가장 바람직한 결과를 얻기 위해 예시적으로 도시한 순서에 불과하며, 다른 단계들이 더 추가되거나 일부 단계들이 삭제될 수 있음은 물론이다.

본 발명의 범위는 특허청구범위에 의하여 규정되어질 것이지만, 특허청구범위 기재사항으로부터 직접적으로 도출되는 구성은 물론 그와 등가인 구성으로부터 도출되는 모든 변경 또는 변형된 형태 또한 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.

10 : 구조물 20 : 도메인 형상
30 : 지오메트릭 형상 40 : 파티션 형상
50 : 격자점 50A, 50B: 노드 위치
100 : 형상 생성기 200 : 제1 기계 학습 처리기
210 : 수신부 220 : 파티션 형상 모델링부
221 : 제1 강화학습 모델링부 222 : 제1 지도학습 모델링부
223 : 제1 비지도학습 모델링부 230 : 제어부
300 : 제2 기계 학습 처리기 310 : 수신부
320 : 노드 위치 모델링부 321 : 제2 강화학습 모델링부
322 : 제2 지도학습 모델링부 323 : 제2 비지도학습 모델링부
330 : 제어부 400 : 데이터베이스

Claims

인공 지능을 이용한 유동 격자를 생성하기 위한 격자 생성 장치로서,
외부 유동 해석을 위한 각 구조물의 외부 경계면을 정의한 도메인 형상과 내부 유동 해석을 위한 상기 각 구조물의 내부 경계면을 정의한 지오메트릭 형상을 생성하는 형상 생성기; 및
상기 각 구조물마다 생성된 상기 도메인 형상과 상기 지오메트릭 형상을 기계 학습하여 상기 도메인 형상과 상기 지오메트릭 형상 사이의 적어도 하나의 공간을 나누는 파티션 형상을 결정하는 제1 기계 학습 처리기;
를 포함하는, 격자 생성 장치.
제1항에 있어서,
상기 지오메트릭 형상과 그 내부 경계면을 따라 형성되는 적어도 하나의 격자점을 상기 각 구조물에 맞게 최적화하는 기계 학습을 통해 상기 각 구조물에 맞는 상기 적어도 하나의 격자점을 포함한 노드 위치를 결정하는 제2 기계 학습 처리기;
를 더 포함하는, 격자 생성 장치.
제1항에 있어서,
상기 제1 기계 학습 처리기는,
상기 형상 생성기에 의해 생성된 상기 도메인 형상과 지오메트릭 형상을 포함한 형상 데이터를 수신하는 수신부; 및
상기 수신된 도메인 형상과 지오메트릭 형상을 기계 학습하여 상기 파티션 형상을 결정하기 위한 파티션 학습 데이터를 축적하고, 상기 축적된 파티션 학습 데이터를 상기 각 구조물에 맞게 적용시키면서 상기 파티션 형상의 성능을 개선시키는 파티션 형상 모델링부;
를 포함하는, 격자 생성 장치.
제3항에 있어서,
상기 파티션 형상 모델링부는,
상기 수신된 형상 데이터와 상기 축적된 파티션 학습 데이터간 상호 작용에 의해 상기 파티션 학습 데이터의 보상을 최대화하는 방향으로 향상시킴으로써 상기 파티션 형상의 성능을 개선시키는 제1 강화학습 모델링부;
를 포함하는, 격자 생성 장치.
제3항에 있어서,
상기 파티션 형상 모델링부는,
상기 파티션 학습 데이터를 기준점들로 지정하고, 상기 형상 데이터가 상기 기준점들에 맞는지의 여부를 판단하여 상기 파티션 형상의 성능을 개선시키는 제1 지도학습 모델링부;
를 포함하는, 격자 생성 장치.
제3항에 있어서,
상기 파티션 형상 모델링부는,
상기 파티션 학습 데이터를 군집화하고, 상기 군집화된 파티션 학습 데이터의 범위 안에 상기 형상 데이터가 존재하는지를 판단하여 상기 파티션 형상의 성능을 개선시키는 제1 비지도학습 모델링부;
를 포함하는, 격자 생성 장치.
제2항에 있어서,
상기 제2 기계 학습 처리기는,
상기 형상 생성기에 의해 생성된 상기 지오메트릭 형상과 그 내부 경계면을 수신하는 수신부; 및
상기 수신된 지오메트익 형상과 그 내부 경계면을 기계 학습하여 상기 적어도 하나의 격자점을 결정하기 위한 노드 위치 학습 데이터를 축적하고, 상기 축적된 노드 위치 학습 데이터를 상기 각 구조물에 맞게 적용시키면서 상기 노드 위치의 성능을 개선시키는 노드 위치 모델링부;
를 포함하는, 격자 생성 장치.
제7항에 있어서,
상기 노드 위치 모델링부는,
상기 수신된 지오메트릭 형상과 그 내부 경계면 및 상기 축적된 노드 위치 학습 데이터간 상호 작용에 의해 상기 노드 위치 학습 데이터의 보상을 최대화하는 방향으로 향상시킴으로써 상기 노드 위치의 성능을 개선시키는 제2 강화학습 모델링부;
를 포함하는, 격자 생성 장치.
제7항에 있어서,
상기 노드 위치 모델링부는,
상기 노드 위치 학습 데이터를 기준점들로 지정하고, 상기 지오메트릭 형상의 내부 경계면이 상기 기준점들에 맞는지의 여부를 판단하여 상기 노드 위치의 성능을 개선시키는 제2 지도학습 모델링부;
를 포함하는, 격자 생성 장치.
제7항에 있어서,
상기 노드 위치 모델링부는,
상기 노드 위치 학습 데이터를 군집화하고, 상기 군집화된 노드 위치 학습 데이터의 범위 안에 상기 지오메트릭 형상의 내부 경계면이 존재하는지를 판단하여 상기 노드 위치의 성능을 개선시키는 제2 비지도학습 모델링부;
를 포함하는, 격자 생성 장치.
격자 생성 장치에서 인공 지능을 이용한 유동 격자를 생성하기 위한 방법으로서,
외부 유동 해석을 위한 각 구조물의 외부 경계면을 정의한 도메인 형상과 내부 유동 해석을 위한 상기 각 구조물의 내부 경계면을 정의한 지오메트릭 형상을 포함한 형상 데이터를 입력받는 단계; 및
상기 입력된 도메인 형상과 지오메트릭 형상을 기계 학습하여 상기 도메인 형상과 상기 지오메트릭 형상 사이의 적어도 하나의 공간을 나누는 파티션 형상을 결정하는 단계;
를 포함하는, 격자 생성 방법.
제11항에 있어서,
상기 지오메트릭 형상과 그 내부 경계면을 기계 학습하여 상기 지오메트릭 형상의 경계면을 따라 형성되는 적어도 하나의 격자점을 포함한 노드 위치를 결정하는 단계;
를 더 포함하는, 격자 생성 방법.
제11항에 있어서,
상기 파티션 형상을 결정하는 단계는,
상기 입력된 도메인 형상과 지오메트릭 형상을 기계 학습하여 상기 파티션 형상을 결정하기 위한 파티션 학습 데이터를 축적하고, 상기 축적된 파티션 학습 데이터를 상기 각 구조물에 맞게 적용시키면서 상기 파티션 형상의 성능을 개선시키는 단계;
를 포함하는, 격자 생성 방법.
제13항에 있어서,
상기 파티션 형상의 성능을 개선시키는 단계는,
상기 입력된 형상 데이터와 상기 축적된 파티션 학습 데이터간 상호 작용에 의해 상기 파티션 학습 데이터의 보상을 최대화하는 방향으로 향상시킴으로써 상기 파티션 형상의 성능을 개선시키는 단계;
를 포함하는, 격자 생성 방법.
제13항에 있어서,
상기 파티션 형상의 성능을 개선시키는 단계는,
상기 파티션 학습 데이터를 기준점들로 지정하고, 상기 형상 데이터가 상기 기준점들에 맞는지의 여부를 판단하여 상기 파티션 형상의 성능을 개선시키는 단계;
를 포함하는, 격자 생성 방법.
제13항에 있어서,
상기 파티션 형상의 성능을 개선시키는 단계는,
상기 파티션 학습 데이터를 군집화하고, 상기 군집화된 파티션 학습 데이터의 범위 안에 상기 형상 데이터가 존재하는지를 판단하여 상기 파티션 형상의 성능을 개선시키는 단계;
를 포함하는, 격자 생성 방법.
제12항에 있어서,
상기 노드 위치를 결정하는 단계는,
상기 지오메트릭 형상과 그 내부 경계면을 기계 학습하여 상기 적어도 하나의 격자점을 결정하기 위한 노드 위치 학습 데이터를 축적하고, 상기 축적된 노드 위치 학습 데이터를 상기 각 구조물에 맞게 적용시키면서 상기 노드 위치의 성능을 개선시키는 단계;
를 포함하는, 격자 생성 방법.
제17항에 있어서,
상기 노드 위치의 성능을 개선시키는 단계는,
상기 지오메트릭 형상의 내부 경계면과 상기 축적된 노드 위치 학습 데이터간 상호 작용에 의해 상기 노드 위치 학습 데이터의 보상을 최대화하는 방향으로 향상시킴으로써 상기 노드 위치의 성능을 개선시키는 단계;
를 포함하는, 격자 생성 방법.
제17항에 있어서,
상기 노드 위치의 성능을 개선시키는 단계는,
상기 노드 위치 학습 데이터를 기준점들로 지정하고, 상기 지오메트릭 형상의 내부 경계면이 상기 기준점들에 맞는지의 여부를 판단하여 상기 노드 위치의 성능을 개선시키는 단계;
를 포함하는, 격자 생성 방법.
제17항에 있어서,
상기 노드 위치의 성능을 개선시키는 단계는,
상기 노드 위치 학습 데이터를 군집화하고, 상기 군집화된 노드 위치 학습 데이터의 범위 안에 상기 지오메트릭 형상의 내부 경계면이 존재하는지를 판단하여 상기 노드 위치의 성능을 개선시키는 단계;
를 포함하는, 격자 생성 방법.