KR102171600B1 - Flow analysis data processing device and computer trogram that performs each step of the device - Google Patents
Flow analysis data processing device and computer trogram that performs each step of the device Download PDFInfo
- Publication number
- KR102171600B1 KR102171600B1 KR1020190177826A KR20190177826A KR102171600B1 KR 102171600 B1 KR102171600 B1 KR 102171600B1 KR 1020190177826 A KR1020190177826 A KR 1020190177826A KR 20190177826 A KR20190177826 A KR 20190177826A KR 102171600 B1 KR102171600 B1 KR 102171600B1
- Authority
- KR
- South Korea
- Prior art keywords
- analysis data
- flow analysis
- grid point
- flow
- grid
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
Description
본 발명은, 유동해석 데이터를 처리 및 가시화하는 기술에 관한 것으로, 더욱 상세하게는 대용량의 유동해석 데이터에서 유동 특징을 잘 보여줄 수 있는 최적의 스트림라인을 빠르게 선택 및 전시하여 유동 흐름을 최적으로 가시화할 수 있는 기술에 관한 것이다.The present invention relates to a technology for processing and visualizing flow analysis data, and more particularly, to optimally visualize the flow flow by quickly selecting and displaying an optimal stream line that can show the flow characteristics well in a large amount of flow analysis data. It's all about the skills you can do.
유동해석 데이터를 해석 및 처리하여 유동의 흐름을 가시화하기 위한 여러 처리 기법들 중 가장 많이 활용되고 있는 기법 중 하나로는, 스트림라인 기법이 있다.One of the most widely used techniques among several processing techniques to visualize the flow of flow by analyzing and processing flow analysis data is the streamline technique.
스트림라인 기법은, 유동해석 데이터에서 공간 전역에 걸친 유동의 흐름을 묘사할 수 있고 직관적으로 유동 흐름을 이해할 수 있도록 하는 장점 때문에, 매우 많이 활용되고 있다.The streamline technique is very widely used because it has the advantage of being able to describe the flow of the flow over space in flow analysis data and to intuitively understand the flow flow.
반면, 스트림라인 기법의 경우, 스트림라인 기법이 갖는 전역적인 특성으로 인해 스트림라인들이 밀집 배치되어 다른 중요한 가시화 오브젝트들을 가려서 보이지 않는 문제가 발생할 수 있는 단점이 있다.On the other hand, in the case of the streamline technique, due to the global characteristics of the streamline technique, streamlines are densely arranged and other important visualization objects are obscured, which may cause invisible problems.
이와 같은 문제 발생을 해결하기 위해서는, 유동의 중요한 특징을 함축적으로 표현할 수 있는 소수의 최적 스트림라인을 선택해서 전시함으로써 시각화해야 하는데, 생성 가능한 많은 수의 스트림라인들 중 어느 스트림라인이 중요한 특징을 보여주는지 판단하는 것은 어려운 문제이다.In order to solve such a problem, it is necessary to select and display a small number of optimal stream lines that can implicitly express important characteristics of the flow and visualize them. Among the large number of stream lines that can be generated, which stream line shows important characteristics. It is a difficult problem to judge.
특히, 스트림라인은 유동해석 데이터의 전체 공간 도메인에 걸쳐서 그려지기 때문에, 데이터가 크고 스트림라인이 길어질 경우, 계산에 오랜 시간이 필요한 경우가 많다. 따라서 유동해석 데이터로부터 모든 스트림라인들을 생성하고, 그 스트림라인들 중 중요한 스트림라인을 뽑는 것은 매우 긴 시간이 걸릴 수 있다.Particularly, since the stream line is drawn over the entire spatial domain of the flow analysis data, when the data is large and the stream line is long, a long time is often required for calculation. Therefore, it may take a very long time to generate all the stream lines from the flow analysis data and to extract an important stream line from the stream lines.
이에, 본 발명에서는, 대용량의 유동해석 데이터에서 유동 특징을 잘 보여줄 수 있는 최적의 스트림라인을 빠르게 선택 및 전시할 수 있는 새로운 방식의 처리 기법(기술)을 제안하고자 한다.Accordingly, in the present invention, a new processing technique (technology) capable of quickly selecting and displaying an optimal stream line capable of showing flow characteristics well from a large amount of flow analysis data is proposed.
본 발명은 상기한 사정을 감안하여 창출된 것으로서, 본 발명에서 도달하고자 하는 목적은, 대용량의 유동해석 데이터에서 유동 특징을 잘 보여줄 수 있는 최적의 스트림라인을 빠르게 선택 및 전시함으로써, 최적의 유동 흐름을 빠르게 가시화할 수 있도록 하는데 있다.The present invention was created in view of the above circumstances, and the object of the present invention is to quickly select and display an optimal stream line that can show the flow characteristics well in a large amount of flow analysis data, It is intended to be able to quickly visualize.
상기 목적을 달성하기 위한 본 발명의 제 1 관점에 따른 유동해석 데이터 처리장치는, 유동해석 데이터에 대하여 기 생성된 예측모델을 이용하여, 상기 유동해석 데이터를 구성하는 다수의 격자점 별 중요도 점수를 예측하는 중요도예측부; 상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점을 선택하는 격자점선택부; 및 상기 유동해석 데이터로부터 상기 선택한 격자점과 관련된 스트림라인을 생성 및 전시하여, 상기 유동해석 데이터에 따른 유동 흐름을 가시화하는 가시화부를 포함한다.The flow analysis data processing apparatus according to the first aspect of the present invention to achieve the above object, by using a prediction model previously generated for the flow analysis data, the importance score for each of the plurality of grid points constituting the flow analysis data. An importance prediction unit to predict; A grid point selection unit for selecting a grid point to generate a stream line from the flow analysis data among the plurality of grid points based on the predicted importance score for each grid point; And a visualization unit for visualizing a flow flow according to the flow analysis data by generating and displaying a stream line related to the selected grid point from the flow analysis data.
구체적으로, 학습할 유동해석 데이터를 구성하는 다수의 격자점 각각을 샘플로 하고 각 격자점에 정의된 물리 변수들을 특징 벡터로 하는 학습 모델 입력데이터를 생성하고, 상기 학습할 유동해석 데이터의 모든 격자점에서 스트림라인을 생성하고, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산하며, 회귀 기반의 지도학습 모델을 기반으로, 상기 생성한 학습 모델 입력데이터를 입력으로 하고 상기 각 격자점에서 계산한 중요도 점수를 목표 변수값으로 하는 학습을 수행하여, 상기 예측모델을 생성하는 모델생성부를 더 포함할 수 있다.Specifically, each of the plurality of grid points constituting the flow analysis data to be learned is sampled, and the learning model input data using the physical variables defined in each grid point as a feature vector is generated, and all grids of the flow analysis data to be learned Create a stream line at a point, calculate the importance score for the stream line at each grid point, and based on a regression-based supervised learning model, input the generated learning model input data and calculate at each of the grid points It may further include a model generator for generating the prediction model by performing learning using one importance score as a target variable value.
구체적으로, 상기 특징 벡터는, 상기 학습할 유동해석 데이터에서 계산된 와류기준(vortex criterion) 변수를 포함할 수 있다.Specifically, the feature vector may include a vortex criterion variable calculated from the flow analysis data to be learned.
구체적으로, 상기 학습 모델 입력데이터는, 한 샘플의 벡터가 한 행을 이루고, 각 샘플의 벡터 행이 각 열을 이루는 행렬 형태일 수 있다.Specifically, the learning model input data may be in the form of a matrix in which a vector of one sample constitutes one row and a vector row of each sample constitutes each column.
구체적으로, 상기 예측모델 생성을 위해 계산하는 상기 스트림라인에 대한 중요도 점수는, 상기 스트림라인에 대한 정렬 경계 상자의 체적과, 상기 스트림라인의 선분 개수 및 선분 간 사잇각을 기반으로 계산되는 꼬임점수를 이용하여 계산될 수 있다.Specifically, the importance score for the stream line calculated to generate the prediction model includes the volume of the alignment bounding box for the stream line, the number of line segments of the stream line, and the twist score calculated based on the angle between the line segments. Can be calculated using
구체적으로, 상기 격자점선택부는, 상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 중요도 점수가 높은 순서에 따라 기 설정된 n개의 격자점을, 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 선택할 수 있다.Specifically, the grid point selection unit, based on the predicted importance score for each grid point, selects n preset grid points according to the order of the highest importance score among the plurality of grid points, and selects a stream line from the flow analysis data. You can select the grid point to be created.
구체적으로, 상기 격자점선택부는, 상기 선택한 n개 격자점 각각에 대하여, 격자점의 특징 벡터, 중요도 점수, 위치 중 적어도 하나를 특정 유사도 알고리즘에 적용하여, 유사한 유동 특징을 갖는 격자점을 하나의 군집으로 군집화하고, 상기 군집화한 각 군집 단위의 격자점을, 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 선택할 수 있다.Specifically, the grid point selection unit applies at least one of a feature vector, an importance score, and a position of a grid point to a specific similarity algorithm for each of the selected n grid points, so that one grid point having a similar flow characteristic is selected. It is clustered into clusters, and a grid point of each cluster unit may be selected as a grid point for generating a stream line from the flow analysis data.
구체적으로, 상기 가시화부는, 상기 유동해석 데이터로부터 상기 군집화한 각 군집 단위의 격자점에서 기 지정된 개수의 스트림라인 만을 생성하여 전시할 수 있다.Specifically, the visualization unit may generate and display only a predetermined number of stream lines from the clustered grid points of each cluster unit from the flow analysis data.
상기 목적을 달성하기 위한 본 발명의 제 2 관점에 따른 하드웨어와 결합되어 다음의 단계를 실행시키기 위해 매체에 저장된 컴퓨터 프로그램은, 유동해석 데이터에 대하여 기 생성된 예측모델을 이용하여, 상기 유동해석 데이터를 구성하는 다수의 격자점 별 중요도 점수를 예측하는 중요도예측단계; 상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점을 선택하는 격자점선택단계; 및 상기 유동해석 데이터로부터 상기 선택한 격자점과 관련된 스트림라인을 생성 및 전시하여, 상기 유동해석 데이터에 따른 유동 흐름을 가시화하는 가시화단계를 실행시킨다.The computer program combined with the hardware according to the second aspect of the present invention to achieve the above object and stored in the medium to execute the following steps, uses the predictive model previously generated for the flow analysis data, An importance prediction step of predicting an importance score for each of a plurality of grid points constituting a; A grid point selection step of selecting a grid point to generate a stream line from the flow analysis data among the plurality of grid points based on the predicted importance score for each grid point; And a visualization step of creating and displaying a stream line related to the selected grid point from the flow analysis data to visualize a flow flow according to the flow analysis data.
구체적으로, 학습할 유동해석 데이터를 구성하는 다수의 격자점 각각을 샘플로 하고 각 격자점에 정의된 물리 변수들을 특징 벡터로 하는 학습 모델 입력데이터를 생성하고, 상기 학습할 유동해석 데이터의 모든 격자점에서 스트림라인을 생성하고, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산하며, 회귀 기반의 지도학습 모델을 기반으로, 상기 생성한 학습 모델 입력데이터를 입력으로 하고 상기 각 격자점에서 계산한 중요도 점수를 목표 변수값으로 하는 학습을 수행하여, 상기 예측모델을 생성하는 모델생성단계를 더 실행시킬 수 있다.Specifically, each of the plurality of grid points constituting the flow analysis data to be learned is sampled, and the learning model input data using the physical variables defined in each grid point as a feature vector is generated, and all grids of the flow analysis data to be learned Create a stream line at a point, calculate the importance score for the stream line at each grid point, and based on a regression-based supervised learning model, input the generated learning model input data and calculate at each of the grid points By performing learning using one importance score as a target variable value, the model generation step of generating the prediction model may be further executed.
구체적으로, 상기 특징 벡터는, 상기 학습할 유동해석 데이터에서 계산된 와류기준(vortex criterion) 변수를 포함할 수 있다.Specifically, the feature vector may include a vortex criterion variable calculated from the flow analysis data to be learned.
구체적으로, 상기 학습 모델 입력데이터는, 한 샘플의 벡터가 한 행을 이루고, 각 샘플의 벡터 행이 각 열을 이루는 행렬 형태일 수 있다.Specifically, the learning model input data may be in the form of a matrix in which a vector of one sample constitutes one row and a vector row of each sample constitutes each column.
구체적으로, 상기 예측모델 생성을 위해 계산하는 상기 스트림라인에 대한 중요도 점수는, 상기 스트림라인에 대한 정렬 경계 상자의 체적과, 상기 스트림라인의 선분 개수 및 선분 간 사잇각을 기반으로 계산되는 꼬임점수를 이용하여 계산될 수 있다.Specifically, the importance score for the stream line calculated to generate the prediction model includes the volume of the alignment bounding box for the stream line, the number of line segments of the stream line, and the twist score calculated based on the angle between the line segments. Can be calculated using
구체적으로, 상기 격자점선택단계는, 상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 중요도 점수가 높은 순서에 따라 기 설정된 n개의 격자점을, 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 선택할 수 있다.Specifically, in the grid point selection step, based on the predicted importance score for each grid point, preset n grid points in the order of the highest importance score among the plurality of grid points are selected from the flow analysis data. You can select as the grid point to create.
구체적으로, 상기 격자점선택단계는, 상기 선택한 n개 격자점 각각에 대하여, 격자점의 특징 벡터, 중요도 점수, 위치 중 적어도 하나를 특정 유사도 알고리즘에 적용하여, 유사한 유동 특징을 갖는 격자점을 하나의 군집으로 군집화하고, 상기 군집화한 각 군집 단위의 격자점을, 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 선택할 수 있다.Specifically, in the grid point selection step, for each of the selected n grid points, at least one of a feature vector, an importance score, and a position of the grid point is applied to a specific similarity algorithm to select one grid point having a similar flow characteristic. The grid points of each cluster unit may be clustered into clusters of, and the clustered grid points may be selected as grid points to generate a stream line from the flow analysis data.
구체적으로, 상기 가시화단계는, 상기 유동해석 데이터로부터 상기 군집화한 각 군집 단위의 격자점에서 기 지정된 개수의 스트림라인 만을 생성하여 전시할 수 있다.Specifically, in the visualization step, only a predetermined number of stream lines may be generated and displayed from the flow analysis data at the grid points of each cluster unit.
상기 목적을 달성하기 위한 본 발명의 제 3 관점에 따른 유동해석 데이터 처리장치의 동작 방법은, 유동해석 데이터에 대하여 기 생성된 예측모델을 이용하여, 상기 유동해석 데이터를 구성하는 다수의 격자점 별 중요도 점수를 예측하는 중요도예측단계; 상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점을 선택하는 격자점선택단계; 및 상기 유동해석 데이터로부터 상기 선택한 격자점과 관련된 스트림라인을 생성 및 전시하여, 상기 유동해석 데이터에 따른 유동 흐름을 가시화하는 가시화단계를 포함한다.In order to achieve the above object, a method of operating the flow analysis data processing apparatus according to the third aspect of the present invention includes a plurality of grid points constituting the flow analysis data using a prediction model previously generated for flow analysis data. An importance prediction step of predicting an importance score; A grid point selection step of selecting a grid point to generate a stream line from the flow analysis data among the plurality of grid points based on the predicted importance score for each grid point; And a visualization step of creating and displaying a stream line related to the selected grid point from the flow analysis data to visualize a flow flow according to the flow analysis data.
이에, 본 발명에 의하면, 대용량의 유동해석 데이터에서 유동 특징을 잘 보여줄 수 있는 최적의 스트림라인을 선택한 후 선택한 스트림라인 만을 생성 및 전시하는 방식으로, 유동 흐름을 가시화하는 새로운 방식의 처리 기법(기술)을 구현하고 있다. Accordingly, according to the present invention, a new method of visualizing the flow flow is a method of creating and displaying only the selected stream line after selecting the optimal stream line that can show the flow characteristics well from a large amount of flow analysis data (technology ).
이로 인해, 본 발명에 의하면, 유동해석 데이터로부터 모든 스트림라인들을 생성하는 대신, 최적의 스트림라인 만을 빠르게 선택 및 전시함으로써 획기적으로 시간을 단축시켜 최적의 유동 흐름을 빠르게 가시화할 수 있다.For this reason, according to the present invention, instead of generating all stream lines from flow analysis data, by quickly selecting and displaying only the optimal stream line, it is possible to rapidly visualize the optimal flow flow by dramatically shortening the time.
더 나아가, 본 발명에 의하면, 유동 흐름을 가시화하는 절차에서 이용되는 예측모델을 기반으로 가시화되는 유동 흐름을 유연하게 조절할 수 있기 때문에, 원하는 유동 특징의 최적 유동 흐름을 가시화할 수 있다. Furthermore, according to the present invention, since the visualized flow flow can be flexibly adjusted based on the prediction model used in the flow flow visualization procedure, the optimal flow flow of the desired flow characteristic can be visualized.
이로 인해, 본 발명에 따르면, 유동해석 데이터에서 원하는 유동 특징을 묘사하는 최적의 유동 흐름을 빠르게 가시화할 수 있기 때문에, 시행착오를 최소화하면서 빠른 가시화를 가능하게 하는 효과 및 이로 인해 시간 및 처리 부하 등의 코스트(cost)를 절감하는 효과를 기대할 수 있다.For this reason, according to the present invention, since it is possible to quickly visualize the optimal flow flow describing the desired flow characteristics in the flow analysis data, the effect of enabling rapid visualization while minimizing trial and error, and thus time and processing load, etc. It can be expected to reduce the cost of
도 1은 스트림라인들이 밀집 배치되어 일부 가시화 오브젝트들이 가려진 가림 현상을 보여주는 예시도이다.
도 2는 본 발명에서 제안하는 유동해석 데이터 처리 기법의 전체적인 개념을 보여주는 개념도이다.
도 3은 본 발명의 일 실시예에 따른 유동해석 데이터 처리장치의 구성을 보여주는 구성도이다.
도 4는 본 발명에 따른 스트림라인 중요도 점수를 설명하기 위한 일 예시도이다.
도 5는 본 발명의 실시예에 따른 컴퓨터 프로그램에 의해 실행되는 유동해석 데이터 처리 기법을 보여주는 흐름도이다.1 is an exemplary view showing a phenomenon in which some visual objects are obscured by densely arranged stream lines.
2 is a conceptual diagram showing the overall concept of a flow analysis data processing technique proposed in the present invention.
3 is a block diagram showing the configuration of a flow analysis data processing apparatus according to an embodiment of the present invention.
4 is an exemplary diagram for explaining a streamline importance score according to the present invention.
5 is a flowchart illustrating a flow analysis data processing technique executed by a computer program according to an embodiment of the present invention.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대하여 설명한다.Hereinafter, embodiments of the present invention will be described with reference to the accompanying drawings.
본 발명은, 유동해석 데이터를 처리 및 가시화하는 기술에 관한 것이며, 유동해석 데이터를 해석 및 처리하여 유동의 흐름을 가시화하기 위한 여러 처리 기법들 중 특히 스트림라인 기법과 관련이 있다.The present invention relates to a technology for processing and visualizing flow analysis data, and particularly relates to a streamline method among various processing techniques for visualizing a flow of flow by analyzing and processing flow analysis data.
스트림라인 기법은, 유동해석 데이터에서 공간 전역에 걸친 유동의 흐름을 묘사할 수 있고 직관적으로 유동 흐름을 이해할 수 있도록 하는 장점 때문에, 매우 많이 활용되고 있다.The streamline technique is very widely used because it has the advantage of being able to describe the flow of the flow over space in flow analysis data and to intuitively understand the flow flow.
반면, 스트림라인 기법의 경우, 스트림라인 기법이 갖는 전역적인 특성으로 인해 스트림라인들이 밀집 배치되어 다른 중요한 가시화 오브젝트들을 가려서 보이지 않는 문제가 발생할 수 있는 단점이 있다.On the other hand, in the case of the streamline technique, due to the global characteristics of the streamline technique, streamlines are densely arranged and other important visualization objects are obscured, which may cause invisible problems.
도 1은, 일반적인 기존의 스트림라인 기법을 기반으로, 원자로에 대한 유동 흐름을 가시화한 결과를 일 예로서 보여주고 있다.1 shows, as an example, a result of visualizing a flow flow through a nuclear reactor based on a general conventional stream line technique.
원자로에 대한 대용량의 유동해석 데이터에서 스트림라인을 생성하는 경우 매우 많은 수의 스트림라인이 생성된다.When creating streamlines from a large amount of flow analysis data for a nuclear reactor, a very large number of streamlines are created.
도 1에서 알 수 있듯이, 매우 많은 수의 대용량 스트림라인을 대상으로 기존 스트림라인 기법을 활용하여 유동 흐름 가시화 절차를 수행하게 되면, 대용량의 스트림라인들을 모두 한번에 시각화/밀집 배치하기 때문에, 전면에 위치한 스트림라인들이 뒤쪽을 모두 가려서 다른 중요한 가시화 오프젝트들(예: 뒤쪽에 위치한 스트림라인 등)이 보이지 않게 되는 문제가 발생한다.As can be seen in Fig. 1, when a flow flow visualization procedure is performed using the existing stream line technique for a very large number of large-capacity stream lines, all large-capacity stream lines are visualized/densely arranged at one time. There is a problem that other important visualization objects (e.g., a streamline located at the back) are not visible because the stream lines cover all the back.
이와 같은 문제 발생을 해결하기 위해서는, 유동의 중요한 특징을 함축적으로 표현할 수 있는 소수의 최적 스트림라인을 선택해서 전시함으로써 시각화해야 하는데, 생성 가능한 많은 수의 스트림라인들 중 어느 스트림라인이 중요한 특징을 보여주는지 판단하는 것은 어려운 문제이다.In order to solve such a problem, it is necessary to select and display a small number of optimal stream lines that can implicitly express important characteristics of the flow and visualize them. Among the large number of stream lines that can be generated, which stream line shows important characteristics. It is a difficult problem to judge.
특히, 스트림라인은 유동해석 데이터의 전체 공간 도메인에 걸쳐서 그려지기 때문에, 데이터가 크고 스트림라인이 길어질 경우, 계산에 오랜 시간이 필요한 경우가 많다. 따라서 유동해석 데이터로부터 모든 스트림라인들을 생성하고, 그 스트림라인들 중 중요한 스트림라인을 뽑는 것은 매우 긴 시간이 걸릴 수 있다.Particularly, since the stream line is drawn over the entire spatial domain of the flow analysis data, when the data is large and the stream line is long, a long time is often required for calculation. Therefore, it may take a very long time to generate all the stream lines from the flow analysis data and to extract an important stream line from the stream lines.
이에, 본 발명에서는, 대용량의 유동해석 데이터에서 유동 특징을 잘 보여줄 수 있는 최적의 스트림라인을 빠르게 선택 및 전시할 수 있는 새로운 방식의 처리 기법(이하, 유동해석 데이터 처리 기법)을 제안하고자 한다.Accordingly, in the present invention, a new type of processing technique (hereinafter, a flow analysis data processing technique) capable of quickly selecting and displaying an optimal stream line capable of showing flow characteristics well from a large amount of flow analysis data is proposed.
도 2는 본 발명에서 제안하는 유동해석 데이터 처리 기법의 전체적인 개념을 보여주고 있다.2 shows the overall concept of a flow analysis data processing technique proposed in the present invention.
도 2에서 알 수 있듯이, 본 발명에서는, 유동해석 데이터에서 각 격자점에 저장된 지역 변수(특징 벡터, Feature Vector) 만을 이용하여, 그 격자점에서 생성되는 스트림라인이 중요한 유동 특징을 표출할 확률로서의 중요도 점수를 미리 예측하기 위한 회귀 기반의 지도학습 모델(이하, 예측모델, Regression Model)을 제안한다.As can be seen from FIG. 2, in the present invention, using only local variables (feature vectors) stored in each grid point in the flow analysis data, the streamline generated at the grid point is used as a probability of expressing important flow characteristics. We propose a regression-based supervised learning model (hereinafter, predictive model, Regression Model) to predict the importance score in advance.
이에, 본 발명에서는, 가시화할 유동해석 데이터(이하, 실험 유동해석 데이터)를 예측모델에 적용하여, 실험 유동해석 데이터의 각 격자점 별로 중요도 점수(Importance Score)를 예측하고, 예측된 각 격자점 별 중요도 점수를 기반으로 스트림라인을 생성할 일부 격자점을 선택할 수 있다.Accordingly, in the present invention, by applying the flow analysis data to be visualized (hereinafter, experimental flow analysis data) to the prediction model, predicting the importance score for each grid point of the experimental flow analysis data, and predicting each grid point You can select some grid points to create a streamline based on the star importance score.
이에, 본 발명에서는, 실험 유동해석 데이터로부터 선택한 일부 격자점과 관련된 스트림라인, 즉 예측된 중요도 점수에 기인하여 중요한 유동 특징을 잘 보여줄 수 있는 최적의 스트림라인이라고 판단된 스트림라인들 만을 생성 및 전시함으로써, 획기적으로 시간을 단축시켜 최적의 유동 흐름을 빠르게 가시화하고자 한다.Accordingly, in the present invention, only stream lines determined to be the best stream lines that can show important flow characteristics well due to the predicted importance score, that is, stream lines related to some grid points selected from experimental flow analysis data, are created and displayed. By doing so, we want to quickly visualize the optimal flow by shortening the time.
이하에서는, 도 3을 참조하여 본 발명에서 제안하는 유동해석 데이터 처리 기법(기술)을 실현하기 위한 유동해석 데이터 처리장치의 구성을 보여주고 있다.Hereinafter, a configuration of a flow analysis data processing apparatus for realizing a flow analysis data processing technique (technology) proposed in the present invention is shown with reference to FIG. 3.
도 3에 도시된 바와 같이, 본 발명의 유동해석 데이터 처리장치(100)는, 중요도예측부(110), 격자점석택부(120), 가시화부(130)을 포함하는 구성으로 이루어진다.As shown in FIG. 3, the flow analysis
더 나아가, 본 발명의 유동해석 데이터 처리장치(100)는, 모델생성부(140)를 더 포함할 수 있다. Furthermore, the flow analysis
그리고, 본 발명의 유동해석 데이터 처리장치(100)는, 전술한 구성 이외에, 대용량의 유동해석 데이터가 별도의 외부 DB에서 제공되거나 또는 위 구성 중 가시화부(130)가 별도의 외부 디바이스(미도시)에 구현될 경우, 유동해서 데이터를 획득하기 위해 DB와 통신하는 기능 또는 전시를 위해 선택된 스트림라인을 외부 디바이스(미도시, 가시화부(130))으로 전달하기 위한 통신 기능을 담당하는 등, 외부와의 통신 기능을 담당하는 통신부(150)의 구성을 더 포함할 수 있다.Further, in the flow analysis
여기서, 통신부(150)는 예컨대, 안테나 시스템, RF 송수신기, 하나 이상의 증폭기, 튜너, 하나 이상의 발진기, 디지털 신호 처리기, 코덱(CODEC) 칩셋, 및 메모리 등을 포함하지만 이에 제한되지는 않으며, 이 기능을 수행하는 공지의 회로는 모두 포함할 수 있다.Here, the
이러한 유동해석 데이터 처리장치(100)의 구성 전체 내지는 적어도 일부는 하드웨어 모듈 형태 또는 소프트웨어 모듈 형태로 구현되거나, 하드웨어 모듈과 소프트웨어 모듈이 조합된 형태로도 구현될 수 있다.All or at least a part of the configuration of the flow analysis
여기서, 소프트웨어 모듈이란, 예컨대, 유동해석 데이터 처리장치(100) 내에서 연산을 제어하는 프로세서에 의해 실행되는 명령어로 이해될 수 있으며, 이러한 명령어는 유동해석 데이터 처리장치(100) 내 메모리에 탑재된 형태를 가질 수 있을 것이다.Here, the software module may be understood as, for example, an instruction executed by a processor that controls an operation in the flow analysis
결국, 본 발명의 일 실시예에 따른 유동해석 데이터 처리장치(100)은 전술한 구성을 통해, 본 발명에서 제안하는 기술 즉 대용량의 유동해석 데이터에서 유동 특징을 잘 보여줄 수 있는 최적의 스트림라인을 빠르게 선택 및 전시할 수 있는 유동해석 데이터 처리 기법(기술)을 실현할 수 있다.As a result, the flow analysis
이하에서는, 본 발명에서 제안하는 새로운 방식의 유동해석 데이터 처리 기법(기술)을 실현하기 위한 유동해석 데이터 처리장치(100) 내 각 기술 구성에 대해 보다 구체적으로 설명하기로 한다.Hereinafter, each technology configuration in the flow analysis
중요도예측부(110)는, 유동해석 데이터에 대하여 기 생성된 예측모델을 이용하여, 유동해석 데이터를 구성하는 다수의 격자점 별 중요도 점수를 예측하는 기능을 수행한다.The
본 발명에서는, 유동해석 데이터에서 각 격자점에 저장된 지역 변수(특징 벡터) 만을 이용하여, 그 격자점에서 생성되는 스트림라인이 중요한 유동 특징을 표출할 확률로서의 중요도 점수를 미리 예측하기 위한 예측모델을 활용하고 있다.In the present invention, using only the local variables (feature vectors) stored in each grid point in the flow analysis data, a prediction model for predicting the importance score as the probability that the stream line generated at the grid point will express important flow characteristics is constructed. Are being utilized.
이러한 예측모델은, 유동해석 데이터로부터 모든 스트림라인 계산/생성을 수행하지 않고, 빠른 시간 내에 중요한 유동 특징의 스트림라인이 생성될 격자점(또는, 씨드 포인트)를 선택/결정할 수 있게 하는 역할을 한다.Such a predictive model serves to select/determine the grid point (or seed point) where the streamline of important flow characteristics will be generated in a short time without performing all stream line calculation/generation from the flow analysis data. .
본 발명의 유동해석 데이터 처리장치(100)는, 이러한 역학의 예측모델을 생성하기 위한 모델생성부(140)를 포함할 수 있다.The flow analysis
예측모델을 생성하는 일 실시예에 따르면, 모델생성부(140)는, 학습할 유동해석 데이터를 구성하는 다수의 격자점 각각을 샘플로 하고 각 격자점에 정의된 물리 변수들을 특징 벡터로 하는 학습 모델 입력데이터를 생성한다.According to an embodiment of generating a predictive model, the
그리고, 모델생성부(140)는, 학습할 유동해석 데이터의 모든 격자점에서 스트림라인을 생성하고, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산한다.In addition, the
이후, 모델생성부(140)는, 회귀 기반의 지도학습 모델을 기반으로, 앞서 생성한 학습 모델 입력데이터를 입력으로 하고 앞서 각 격자점에서 계산한 중요도 점수를 목표 변수값으로 하는 학습을 수행하여, 예측모델을 생성할 수 있다.Then, the
보다 구체적으로 설명하면, 모델생성부(140)는, 학습할 유동해석 데이터를 구성하는 다수의 격자점 각각을 샘플로 하고 각 격자점에 정의된 물리 변수들을 특징 벡터로 하는 학습 모델 입력데이터를 생성한다.More specifically, the
이때, 각 격자점에 정의된 물리 변수는 해당 격자점에 저장된 지역 변수로서, 학습 모델 입력데이터를 구성하는 특징 벡터는 이러한 격자점 별 물리 변수(지역 변수)에 기반으로 하는 벡터이다.At this time, the physical variable defined in each grid point is a local variable stored in the corresponding grid point, and the feature vector constituting the learning model input data is a vector based on the physical variable (local variable) for each grid point.
기계학습에서 특징 벡터를 구성하는 작업을 특성 공학(feature engineering)이라고 명칭할 정도로, 특징 벡터를 잘 구성하는 것은 잘 학습된 기계학습 모델을 생성하는데 있어 매우 중요한 작업이다.The work of constructing feature vectors in machine learning is called feature engineering, so constructing feature vectors well is a very important task in creating a well-learned machine learning model.
이에, 본 발명에서 특징 벡터는, 학습할 유동해석 데이터에서 계산된 와류기준(vortex criterion) 변수를 포함할 수 있다.Accordingly, in the present invention, the feature vector may include a vortex criterion variable calculated from the flow analysis data to be learned.
즉, 본 발명에서는, 학습할 유동해석 데이터에서 다양한 와류기준(vortex criterion) 변수를 계산한 뒤, 계산된 와류기준 변수들을 포함한 특징 벡터를 구성하여 사용하고자 한다. That is, in the present invention, after calculating various vortex criterion variables from the flow analysis data to be learned, a feature vector including the calculated vortex criterion variables is constructed and used.
와류기준 변수들은 해당 지역(격자점과 맵핑)에 와류가 존재하는지 여부의 지표가 되는데, 와류 영역(또는 지역)에 존재하는 스트림라인이 매우 중요하고 흥미로운 스트림라인이 될 가능성이 높기 때문에, 본 발명에서는 이 변수들을 특징 벡터를 구성하고자 한다. The eddy current reference variables serve as an indicator of whether eddy currents exist in the corresponding region (lattice point and mapping).Since the stream line existing in the eddy current region (or region) is highly likely to be a very important and interesting stream line, the present invention In the following, we try to construct feature vectors from these variables.
특히, 본 발명에서는, 유동해석 데이터에 따라 유효한 와류기준 변수의 종류가 다를 수 있기 때문에, 하나의 와류기준 변수만을 사용하지 않고 다양한 와류기준 변수들을 사용함으로써 의미있는 와류기준 변수들을 중복적으로 사용하고자 한다. In particular, in the present invention, since the types of valid eddy current reference variables may differ depending on the flow analysis data, it is intended to redundantly use meaningful eddy current reference variables by using various eddy current reference variables instead of using only one vortex reference variable do.
본 발명에서 사용하고자 하는 와류기준 변수의 종류 및 계산식은 표 1과 같다.Table 1 shows the types and calculation formulas of the vortex reference variable to be used in the present invention.
표 1에 제시된 계산식에서 보는 바와 같이, 각 와류기준 변수들은 모두 속도 벡터로부터 계산 가능하다. As shown in the calculation formula presented in Table 1, all of the vortex reference variables can be calculated from the velocity vector.
다음 표 2는, 본 발명에서 예측모델 생성/구축을 위해 와류기준 변수를 포함하여 구성한 전체 특징 벡터의 일 예를 보여주고 있다.Table 2 below shows an example of all feature vectors configured including eddy current reference variables to generate/build a prediction model in the present invention.
특징 벡터에 포함/나열된 변수들은 스칼라, 벡터, 텐서가 섞여 있는데, 모든 변수들을 스칼라화해서 저장한다. 즉, Velocity 벡터의 경우 Velocity.u, Velocity.v, Velocity.w 와 같이 3차원의 각 컴포넌트를 분리해서 스칼라로 저장할 수 있다. The variables included/listed in the feature vector are a mixture of scalars, vectors, and tensors, and all variables are scalarized and stored. That is, in the case of a Velocity vector, 3D components such as Velocity.u, Velocity.v, and Velocity.w can be separated and stored as a scalar.
여기서, 격자점(씨드 포인트) 위치(Position)는, 예측모델을 데이터에 종속적으로 구성할 때만 사용하고 예측모델이 데이터에 종속적이지 않은 경우에는 제외할 수 있다.Here, the position of the grid point (seed point) can be used only when the prediction model is dependent on data, and can be excluded when the prediction model is not dependent on data.
이상과 같이, 모델생성부(140)는, 학습할 유동해석 데이터를 구성하는 각 격자점에 정의된 물리 변수 특히 와류기준 변수를 포함하는 특징 벡터를 구성하고, 이러한 특징 벡터를 사용하여 학습 모델 입력데이터를 생성할 수 있다.As described above, the
이에, 생성되는 학습 모델 입력데이터는, 도 2에서 알 수 있듯이, 한 샘플(예: 한 격자점 P1)의 벡터가 한 행을 이루고, 각 샘플(예: 각 격자점 P1,P2,P3,??)의 벡터 행이 각 열을 이루는 행렬 형태일 수 있다.Accordingly, the generated learning model input data, as can be seen in FIG. 2, is a vector of one sample (eg, one grid point P 1 ) forming a row, and each sample (eg, each grid point P 1 , P 2 , A vector row of P 3 ,??) may be in the form of a matrix forming each column.
그리고, 모델생성부(140)는, 학습할 유동해석 데이터의 모든 격자점에서 스트림라인을 생성하고, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산한다.In addition, the
여기서, 중요도 점수란, 중요한 유동 특징을 표출할 확률로 이해할 수 있고, 각 격자점(즉 샘플)에서 생성되는 스트림라인이 얼마나 중요한 스트림라인인지를 정량화한 척도라 할 수 있다.Here, the importance score can be understood as a probability of expressing important flow characteristics, and can be referred to as a measure that quantifies how important a stream line generated at each grid point (ie, a sample) is.
이처럼, 예측모델 생성을 위해 계산하는 스트림라인에 대한 중요도 점수는, 해당 스트림라인에 대한 정렬 경계 상자의 체적과, 해당 스트림라인의 선분 개수 및 선분 간 사잇각을 기반으로 계산되는 꼬임점수를 이용하여 계산될 수 있다.As such, the importance score for the stream line calculated to generate the prediction model is calculated using the volume of the alignment bounding box for the corresponding stream line, the number of segments of the stream line, and the twist score calculated based on the angle between the segments. Can be.
구체적으로 설명하면, 모델생성부(140)는, 학습할 유동해석 데이터의 모든 격자점에서 스트림라인을 계산 및 생성한 후, 각 격자점에서의 스트림라인에 대한 중요도 점수를 다음 수학식 1에 따라 계산할 수 있다.Specifically, the
이때, 꼬임점수(Spirality)는, 스트라인을 구성하는 연속된 두 선 세그먼트 사이에 포함된 모든 각도(θ)의 합을 의미하며, 다음 수학식 2로 정의할 수 있다.At this time, the twist score (Spirality) means the sum of all angles (θ) included between two continuous line segments constituting the strain line, can be defined by the following equation (2).
도 4는 본 발명에 따른 스트림라인 중요도 점수를 설명하기 위해 스트림라인의 일 예를 도시하고 있다.4 shows an example of a stream line to describe a stream line importance score according to the present invention.
도 4를 참조하면, 도 4에 도시된 스트림라인의 꼬임점수는, 스트림라인을 구성하는 연속된 두 선 세그먼트(1/2, 2/3, 3/4, 4/5, 5/6)사이에 포함된 모든 각도(θ1~θ1)의 합으로 계산될 수 있다.Referring to FIG. 4, the twist score of the stream line shown in FIG. 4 is between two continuous line segments (1/2, 2/3, 3/4, 4/5, 5/6) constituting the stream line. It can be calculated as the sum of all angles (θ 1 ~ θ 1 ) included in.
그리고, 체적(Coverage)은, 스트림라인을 구성하는 모든 세그먼트가 포함된 최소 면적을 의미하며, 스트림라인에 대한 정렬 경계 상자(Axis-Aligned Bounding Box, 이하 AABB)의 체적으로 이해할 수 있다.In addition, the volume (Coverage) means the minimum area including all segments constituting the stream line, it can be understood as the volume of the alignment bounding box (Axis-Aligned Bounding Box, hereinafter AABB) for the stream line.
구체적으로, 모델생성부(140)는, 각 격자점에서의 스트림라인에 대하여, 다음 수학식 3에 따라 AABB 체적을 계산할 수 있다. Specifically, the
수학식 3은 스트림라인의 AABB의 최소점이 
이에 도 4를 참조하면, 도 4에 도시된 스트림라인의 체적은, 스트림라인의 AABB 체적(붉은 점선)으로 계산될 수 있다.Accordingly, referring to FIG. 4, the volume of the stream line shown in FIG. 4 may be calculated as the AABB volume (red dotted line) of the stream line.
이상과 같이, 모델생성부(140)는, 학습할 유동해석 데이터의 모든 격자점 별로, 해당 격자점에서의 각 스트림라인에 대한 중요도 점수를 계산할 수 있다.As described above, the
이후, 모델생성부(140)는, 회귀 기법을 사용한 지도학습 모델을 생성하고, 이렇게 생성한 회귀 기반의 지도학습 모델로, 앞서 생성한 학습 모델 입력데이터를 입력으로 하고 앞서 각 격자점에서 계산한 각 스트림라인에 대한 중요도 점수를 목표 변수값 즉 도달해야할 정?ʼnだ막? 하는 학습을 수행하여, 그 학습 수행의 결과로 예측모델을 생성할 수 있다.Thereafter, the
이상, 본 발명에서는, 유동해석 데이터에서 각 격자점에 저장된 지역 변수(특징 벡터) 만을 이용하여, 그 격자점에서 생성되는 스트림라인이 중요한 유동 특징을 표출할 확률로서의 중요도 점수를 미리 예측하기 위한 회귀 기반의 지도학습 모델 즉 예측모델을 생성/구축할 수 있다.As described above, in the present invention, regression for predicting in advance the importance score as the probability that the streamline generated at the grid point will express important flow characteristics using only the local variable (feature vector) stored at each grid point in the flow analysis data. It is possible to create/build a based supervised learning model, that is, a predictive model.
이에, 본 발명의 유동해석 데이터 처리장치(100) 특히 중요도예측부(110)는, 전술과 같이 기 생성/구축한 예측모델을 이용하여, 유동해석 데이터를 구성하는 다수의 격자점 별 중요도 점수를 예측할 수 있게 된다.Accordingly, the flow analysis
구체적으로 설명하면, 중요도예측부(110)는, 가시화할 유동해석 데이터(이하, 실험 유동해석 데이터)를 구성하는 각 격자점에서의 특징 벡터를 사용하여 전술의 학습 모델 입력데이터와 같은 형태로 입력데이터를 생성한 후, 실험 유동해석 데이터의 입력데이터를 예측모델에 적용하여, 실험 유동해석 데이터의 각 격자점 별로 중요도 점수를 직접 계산하는 대신 예측 방식으로 도출할 수 있다.Specifically, the
격자점선택부(120)는, 중요도예측부(110)에서 실험 유동해석 데이터에 대하여 예측한 각 격자점 별 중요도 점수를 기반으로, 실험 유동해석 데이터를 구성하는 다수의 격자점 중 실험 유동해석 데이터로부터 스트림라인을 생성할 격자점을 선택하는 기능을 수행한다.The grid point selection unit 120 is based on the importance score for each grid point predicted by the
즉, 격자점선택부(120)는, 가시화할 유동해석 데이터(실험 유동해석 데이터)를 예측모델에 적용하여 예측한 각 격자점 별로 중요도 점수를 근거로 하여, 중요한 유동 특징을 잘 보여줄 수 있을 것으로 판단되는 스트림라인을 생성할 일부의 격자점을 선택하는 것이다.That is, the grid point selection unit 120 is expected to be able to show important flow characteristics well based on the importance score for each grid point predicted by applying the flow analysis data (experimental flow analysis data) to be visualized to the prediction model. Selecting some grid points to generate the determined stream line.
구체적으로 설명하면, 격자점선택부(120)는, 중요도예측부(110)에서 예측한 격자점 별 중요도 점수를 기반으로, 다수의 격자점 중 중요도 점수가 높은 순서에 따라 기 설정된 n개의 격자점을, 금번 실험 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 선택할 수 있다.Specifically, the grid point selection unit 120, based on the importance score for each grid point predicted by the
전술한 바 있듯이, 중요도 점수는, 각 격자점(각 샘플)에서 생성되는 스트림라인이 얼마나 중요한 스트림라인인지를 정량화한 척도이다.As described above, the importance score is a measure that quantifies how important the stream line generated at each grid point (each sample) is.
이에, 격자점선택부(120)는, 중요도예측부(110)에서 예측한 격자점 별 중요도 점수를 기반으로, 중요도 점수가 가장 높은 격자점부터 중요도 점수가 높은 순서에 따라 n개의 격자점을 선택함으로써, 중요한 유동 특징을 보여줄 스트림라인이 있을 것으로 예측되는 격자점을 선택하는 것이다.Accordingly, the grid point selection unit 120 selects n grid points in the order of the highest importance score from the grid point with the highest importance score, based on the importance score for each grid point predicted by the
그런데 높은 중요도 점수가 예측되는 격자점(씨드 포인트) 만으로 스트림라인을 생성할 경우, 유동해석 데이터에 따라 유사한 유동 특징의 스트림라인들만 생성될 수도 있다. However, when a stream line is created with only a grid point (seed point) for which a high importance score is predicted, only stream lines with similar flow characteristics may be generated according to the flow analysis data.
이러한 문제를 방지하기 위해, 본 발명에서는, 유사한 유동 특징의 스트림라인을 최대한 배제하고 다양한 유동 특징의 스트림라인을 생성할 수 있도록 하고자 한다.In order to prevent such a problem, in the present invention, stream lines with similar flow characteristics are excluded as much as possible and stream lines with various flow characteristics can be generated.
이를 위한 구체적인 실시예를 설명하면, 격자점선택부(120)는, 중요도 점수가 높은 순서에 따라 선택한 n개 격자점을 모두 금번 실험 유동해석 데이터로부터 스트림라인을 생성할 격자점으로서 선택하는 것이 아니라, 선택한 n개 격자점을 유사한 유동 특징을 갖는 격자점끼리 묶어 하나의 군집으로 군집화(또는 그룹핑)할 수 있다.When explaining a specific embodiment for this, the grid point selection unit 120 does not select all n grid points selected in the order of high importance scores as grid points for generating stream lines from the flow analysis data of this experiment. , Selected n grid points can be clustered (or grouped) into one cluster by grouping grid points having similar flow characteristics.
격자점선택부(120)는, 선택한 n개 격자점을 군집화하는 방식으로서, 특정 유사도 알고리즘을 활용할 수 있다.The grid point selection unit 120 is a method of clustering selected n grid points, and may utilize a specific similarity algorithm.
이때, 본 발명에서는, 특정 유사도 알고리즘으로서, 기존의 다양한 군집(그룹핑) 알고리즘 중 하나를 채택할 수 있으며, 일 예에 따르면 k-평균 알고리즘을 채택 및 활용할 수 있다.In this case, in the present invention, as a specific similarity algorithm, one of various existing clustering (grouping) algorithms may be adopted, and according to an example, a k-means algorithm may be adopted and utilized.
일 실시예에 따르면, 격자점선택부(120)는, 중요도 점수가 높은 순서에 따라 선택한 n개 격자점 각각에 대하여, 앞서 예측모델 생성 시 구성한 격자점의 특징 벡터, 중요도 점수, 위치 중 적어도 하나를 특정 유사도 알고리즘 예컨대 k-평균 알고리즘에 적용하여, 유사한 유동 특징을 갖는 격자점을 하나의 군집으로 군집화할 수 있다.According to an embodiment, the grid point selection unit 120 includes at least one of a feature vector, an importance score, and a position of the grid point configured when the prediction model was previously generated for each of the n grid points selected in the order of the highest importance score. By applying to a specific similarity algorithm, such as a k-means algorithm, grid points having similar flow characteristics can be clustered into one cluster.
예컨대, 격자점선택부(120)는, 중요도 점수가 높은 순서에 따라 선택한 n개 격자점 각각에 대하여, 격자점 간 특징 벡터를 k-평균 알고리즘에 적용함으로써 격자점 간 특징 벡터 기반의 유사도를 기준으로 유동 특징이 유사한 스트림라인이 생성될 격자점을 하나의 군집으로 군집화할 수 있다.For example, the grid point selection unit 120 applies a feature vector between grid points to the k-means algorithm for each of the n grid points selected in the order of the highest importance score based on the similarity based on feature vectors between grid points. As a result, it is possible to cluster the grid points at which stream lines with similar flow characteristics are to be generated into one cluster.
예컨대, 격자점선택부(120)는, 중요도 점수가 높은 순서에 따라 선택한 n개 격자점 각각에 대하여, 격자점 간 중요도 점수를 k-평균 알고리즘에 적용함으로써 격자점 간 중요도 점수 기반의 유사도를 기준으로 유동 특징이 유사한 스트림라인이 생성될 격자점을 하나의 군집으로 군집화할 수 있다.For example, the grid point selection unit 120 applies the importance score between grid points to the k-means algorithm for each of the n grid points selected in the order of the highest importance score based on the similarity based on the importance score between grid points. As a result, it is possible to cluster the grid points at which stream lines with similar flow characteristics are to be generated into one cluster.
예컨대, 격자점선택부(120)는, 중요도 점수가 높은 순서에 따라 선택한 n개 격자점 각각에 대하여, 격자점 간 위치를 k-평균 알고리즘에 적용함으로써 격자점 간 위치 기반의 유사도를 기준으로 유동 특징이 유사한 스트림라인이 생성될 격자점을 하나의 군집으로 군집화할 수 있다.For example, the grid point selection unit 120 applies the position between the grid points to the k-average algorithm for each of the n grid points selected in the order in which the importance score is high, and flows based on the similarity based on the position between the grid points. Grid points in which streamlines with similar features are to be generated can be clustered into one cluster.
물론, 중요도 점수가 높은 순서에 따라 선택한 n개 격자점 각각에 대하여, 격자점 간 특징 벡터, 격자점 간 중요도 점수, 격자점 간 위치를 모두 k-평균 알고리즘에 적용함으로써 모든 요건 기반의 유사도를 기준으로 유동 특징이 유사한 스트림라인이 생성될 격자점을 하나의 군집으로 군집화할 수도 있다.Of course, for each of the n grid points selected in the order of the highest importance score, all the feature vectors between grid points, the importance score between grid points, and the position between grid points are all applied to the k-means algorithm, based on similarity based on all requirements. As a result, it is possible to cluster the grid points at which stream lines with similar flow characteristics are to be generated into one cluster.
이렇게 되면, 중요도 점수, 격자점 간 위치 등을 기준으로 상이한(다양한) 각 군집들이 형성될 수 있고, 각 군집 내에는 특징 벡터, 중요도 점수, 위치 등을 기준으로 유사한 격자점들이 묶이게 된다. In this case, different (various) clusters may be formed based on an importance score, a position between grid points, etc., and similar grid points are grouped in each cluster based on a feature vector, importance score, and location.
그리고, 격자점선택부(120)는, 전술의 군집화한 각 군집 단위의 격자점을, 금번 실험 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 최종 선택할 수 있다.In addition, the grid point selection unit 120 may finally select the grid point of each cluster unit that has been clustered as a grid point to generate a stream line from the flow analysis data of this experiment.
가시화부(130)는, 실험 유동해석 데이터로부터 격자점선택부(120)가 선택한 격자점과 관련된 스트림라인을 생성 및 전시하여, 금번 실험 유동해석 데이터에 따른 유동 흐름을 가시화하는 기능을 수행한다.The visualization unit 130 creates and displays a stream line related to the grid point selected by the grid point selection unit 120 from the experimental flow analysis data, and performs a function of visualizing a flow flow according to the current experimental flow analysis data.
즉, 가시화부(130)는, 실험 유동해석 데이터로부터 모든 스트림라인들을 생성하는 것이 아니라, 실험 유동해석 데이터로부터 예측모델을 기반으로 선택된 격자점 즉 중요한 유동 특징의 스트림라인이 생성될 것으로 예측/선택된 격자점에서의 스트림라인 만을 생성 및 전시함으로써, 유동 특징을 가장 잘 표현할 수 있는 스트림라인 만을 전시하게 된다.That is, the visualization unit 130 does not generate all stream lines from the experimental flow analysis data, but predicts/selects that a grid point selected from the experimental flow analysis data based on the prediction model, that is, a stream line of important flow characteristics will be generated. By creating and displaying only the streamline at the grid point, only the streamline that best expresses the flow characteristics is displayed.
구체적인 예를 들면, 가시화부(130)는, 금번 실험 유동해석 데이터로부터 격자점선택부(120)가 각 군집 단위로 최종 선택한 격자점에서, 기 지정된 개수의 스트림라인 만을 생성하여 전시할 수 있다.For a specific example, the visualization unit 130 may generate and display only a predetermined number of stream lines from the grid points finally selected by the grid point selection unit 120 in each cluster unit from the flow analysis data of this experiment.
예컨대, k개의 군집을 가정하고, 격자점 별로 기 지정된 개수가 x개라고 가정하면, 가시화부(130)는, 금번 실험 유동해석 데이터로부터 최종 선택한 k 개의 군집 별 격자점에서 x 개의 스트림라인 만을 선택 및 생성하여 전시할 수 있다.For example, assuming k clusters, and assuming that the predetermined number of each grid point is x, the visualization unit 130 selects only x stream lines from the grid points of the k clusters finally selected from the flow analysis data of this experiment. And can be created and displayed.
일 예를 설명하면, 가시화부(130)는, k 개의 군집 별 격자점 별로, 해당 격자점에서 유동 특징의 중요도 점수가 가장 높은 스트림라인부터 x개를 선택 및 생성하여 전시할 수 있다.To describe an example, the visualization unit 130 may select, generate, and display x from the stream line having the highest importance score of the flow characteristic at the corresponding grid point for each of k grid points for each cluster.
물론, 가시화부(130)는, k 개의 군집 별 격자점 별로, 유동 특징의 중요도 점수 외의 다른 기준을 사용하여 해당 격자점에서 x개의 스트림라인을 선택 및 생성하여 전시할 수 있을 것이다.Of course, the visualization unit 130 may select, generate, and display x stream lines at the corresponding grid points by using criteria other than the importance score of the flow feature for each grid point of k clusters.
이에, 본 발명에서는, 실험 유동해석 데이터로부터 모든 스트림라인들을 생성하는 것이 아니라, 실험 유동해석 데이터를 예측모델에 적용하여 실험 유동해석 데이터로부터 유동 특징의 중요성/다양성을 모두 고려하여 예측/선택되는 격자점(씨드 포인트)의 스트림라인들 만을 생성 및 전시함으로써, 획기적으로 시간을 단축시켜 중요한 가시화 오브젝트들이 모두 표현된 최적의 유동 흐름을 빠르게 가시화할 수 있는 새로운 방식의 유동해석 데이터 처리 기법(기술)을 구현할 수 있다.Therefore, in the present invention, not all stream lines are generated from the experimental flow analysis data, but a grid predicted/selected in consideration of both the importance/diversity of the flow characteristics from the experimental flow analysis data by applying the experimental flow analysis data to the prediction model. By creating and displaying only stream lines of points (seed points), a new method of flow analysis data processing technique (technology) that can quickly visualize the optimal flow flow in which all important visualization objects are expressed by dramatically shortening time. Can be implemented.
더 나아가, 본 발명에 의하면, 유동 흐름을 가시화하는 절차에서 이용되는 예측모델 생성/구축 시 특징 벡터 등을 변경하는 방식을 통해, 예측모델 기반으로 가시화되는 유동 흐름을 유연하게 조절할 수 있기 때문에 원하는 유동 특징의 최적 유동 흐름을 가시화할 수 있는 효과까지 기대할 수 있다.Furthermore, according to the present invention, the desired flow can be flexibly adjusted based on the predictive model through a method of changing feature vectors, etc. when generating/building a predictive model used in the process of visualizing the flow. The effect of visualizing the optimal flow flow of the characteristic can be expected.
이로 인해, 본 발명에 따르면, 유동해석 데이터에서 원하는 유동 특징을 묘사하는 최적의 유동 흐름을 빠르게 가시화할 수 있기 때문에, 시행착오를 최소화하면서 빠른 가시화를 가능하게 하는 효과 및 이로 인해 시간 및 처리 부하 등의 코스트(cost)를 절감하는 효과를 기대할 수 있다.For this reason, according to the present invention, since it is possible to quickly visualize the optimal flow flow describing the desired flow characteristics in the flow analysis data, the effect of enabling rapid visualization while minimizing trial and error, and thus time and processing load, etc. It can be expected to reduce the cost of
이하에서는, 도 5을 참조하여, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법(기술)을 설명하겠다.Hereinafter, a flow analysis data processing technique (technology) according to an embodiment of the present invention will be described with reference to FIG. 5.
이와 같은, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법(기술)은, 다음의 각 단계를 실행시키기 위해 매체에 저장된 본 발명의 실시예에 따른 컴퓨터 프로그램에 의해 실행된다. 다만 이하에서는 설명의 편의를 위해, 따른 유동해석 데이터 처리장치(100)을 실행 주체로 언급하여 설명하겠다.As described above, the flow analysis data processing technique (technique) according to the embodiment of the present invention is executed by a computer program according to the embodiment of the present invention stored in a medium to execute each of the following steps. However, in the following, for convenience of description, the flow analysis
본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 학습할 유동해석 데이터를 구성하는 다수의 격자점 각각을 샘플로 하고 각 격자점에 정의된 물리 변수들을 특징 벡터로 하는 학습 모델 입력데이터를 생성한다(S10).According to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
이때, 학습 모델 입력데이터를 구성하는 특징 벡터는 이러한 격자점 별 물리 변수(지역 변수)에 기반으로 하는 벡터이다.At this time, the feature vector constituting the learning model input data is a vector based on a physical variable (local variable) for each grid point.
본 발명에서 특징 벡터는, 학습할 유동해석 데이터에서 계산된 와류기준(vortex criterion) 변수를 포함할 수 있다.In the present invention, the feature vector may include a vortex criterion variable calculated from the flow analysis data to be learned.
즉, 본 발명에서는, 학습할 유동해석 데이터에서 다양한 와류기준(vortex criterion) 변수를 계산한 뒤, 계산된 와류기준 변수들을 포함한 특징 벡터를 구성하여 사용하고자 하며, 특징 벡터의 일 예는 전술의 표 2를 참조할 수 있다.That is, in the present invention, after calculating various vortex criterion variables from the flow analysis data to be learned, a feature vector including the calculated vortex criterion variables is constructed and used. An example of the feature vector is the above table. See 2
이상과 같이, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 학습할 유동해석 데이터를 구성하는 각 격자점에 정의된 물리 변수 특히 와류기준 변수를 포함하는 특징 벡터를 구성하고, 이러한 특징 벡터를 사용하여 학습 모델 입력데이터를 생성할 수 있다(10).As described above, according to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
그리고, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 학습할 유동해석 데이터의 모든 격자점에서 스트림라인을 생성하고, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산한다(S20).And, according to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
구체적으로 설명하면, 유동해석 데이터 처리장치(100)는, 학습할 유동해석 데이터의 모든 격자점에서 스트림라인을 계산 및 생성한 후, 각 격자점에서의 스트림라인에 대한 중요도 점수를 해당 스트림라인에 대한 정렬 경계 상자의 체적과 해당 스트림라인의 선분 개수 및 선분 간 사잇각을 기반으로 계산되는 꼬임점수를 이용하여 전술의 수학식 1에 따라 계산할 수 있다.Specifically, the flow analysis
이에 유동해석 데이터 처리장치(100)는, 학습할 유동해석 데이터의 모든 격자점 별로, 해당 격자점에서의 각 스트림라인에 대한 중요도 점수를 계산할 수 있다(S20).Accordingly, the flow analysis
그리고, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 회귀 기법을 사용한 지도학습 모델을 생성하고, 이렇게 생성한 회귀 기반의 지도학습 모델로, 앞서 생성한 학습 모델 입력데이터를 입력으로 하고 앞서 각 격자점에서 계산한 각 스트림라인에 대한 중요도 점수를 목표 변수값 즉 도달해야할 정?ʼnだ막? 하는 학습을 수행하여, 그 학습 수행의 결과로 예측모델을 생성할 수 있다(S30).And, according to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
이상, 본 발명에서는, 유동해석 데이터에서 각 격자점에 저장된 지역 변수(특징 벡터) 만을 이용하여, 그 격자점에서 생성되는 스트림라인이 중요한 유동 특징을 표출할 확률로서의 중요도 점수를 미리 예측하기 위한 회귀 기반의 지도학습 모델 즉 예측모델을 생성/구축할 수 있다.As described above, in the present invention, regression for predicting in advance the importance score as the probability that the streamline generated at the grid point will express important flow characteristics using only the local variable (feature vector) stored at each grid point in the flow analysis data. It is possible to create/build a based supervised learning model, that is, a predictive model.
본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 전술과 같이 기 생성/구축한 예측모델을 이용하여, 유동해석 데이터를 구성하는 다수의 격자점 별 중요도 점수를 예측할 수 있다(S40).According to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
구체적으로 설명하면, 유동해석 데이터 처리장치(100)는, 가시화할 유동해석 데이터(이하, 실험 유동해석 데이터)를 구성하는 각 격자점에서의 특징 벡터를 사용하여 전술의 학습 모델 입력데이터와 같은 형태로 입력데이터를 생성한 후, 실험 유동해석 데이터의 입력데이터를 예측모델에 적용하여, 실험 유동해석 데이터의 각 격자점 별로 중요도 점수를 직접 계산하는 대신 예측 방식으로 도출할 수 있다.Specifically, the flow analysis
이후, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, S40단계에서 실험 유동해석 데이터에 대하여 예측한 각 격자점 별 중요도 점수를 기반으로, 실험 유동해석 데이터를 구성하는 다수의 격자점 중 실험 유동해석 데이터로부터 스트림라인을 생성할 격자점을 선택한다(S50).Thereafter, according to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
즉, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 가시화할 유동해석 데이터(실험 유동해석 데이터)를 예측모델에 적용하여 예측한 각 격자점 별로 중요도 점수를 근거로 하여, 중요한 유동 특징을 잘 보여줄 수 있을 것으로 판단되는 스트림라인을 생성할 일부의 격자점을 선택하는 것이다.That is, according to the flow analysis data processing technique according to an embodiment of the present invention, based on the importance score for each grid point predicted by applying the flow analysis data (experimental flow analysis data) to be visualized to the prediction model, important flow characteristics It is to select some grid points to create the streamline that is judged to be able to show well.
일 실시예를 설명하면, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, S40단계에서 예측한 격자점 별 중요도 점수를 기반으로, 다수의 격자점 중 중요도 점수가 높은 순서에 따라 기 설정된 n개의 격자점을, 금번 실험 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 선택할 수 있다.Explaining an embodiment, according to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
더 구체적인 일 실시예를 설명하면, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 중요도 점수가 높은 순서에 따라 선택한 n개 격자점 각각에 대하여, 앞서 예측모델 생성 시 구성한 격자점의 특징 벡터, 중요도 점수, 위치 중 적어도 하나를 특정 유사도 알고리즘 예컨대 k-평균 알고리즘에 적용하여, 유사한 유동 특징을 갖는 격자점을 하나의 군집으로 군집화할 수 있다.In a more specific embodiment, according to the flow analysis data processing technique according to the embodiment of the present invention, the flow analysis
이렇게 되면, 중요도 점수, 격자점 간 위치 등을 기준으로 상이한(다양한) 각 군집들이 형성될 수 있고, 각 군집 내에는 특징 벡터, 중요도 점수, 위치 등을 기준으로 유사한 격자점들이 묶이게 된다. In this case, different (various) clusters may be formed based on an importance score, a position between grid points, etc., and similar grid points are grouped in each cluster based on a feature vector, importance score, and location.
이에 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 전술의 군집화한 각 군집 단위의 격자점을, 금번 실험 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 최종 선택할 수 있다(S50).Accordingly, according to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
그리고, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 실험 유동해석 데이터로부터 S50단계에서 선택한 격자점과 관련된 스트림라인을 생성 및 전시하여, 금번 실험 유동해석 데이터에 따른 유동 흐름을 가시화한다(S60).And, according to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
즉, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 실험 유동해석 데이터로부터 모든 스트림라인들을 생성하는 것이 아니라, 실험 유동해석 데이터로부터 예측모델을 기반으로 선택된 격자점 즉 중요한 유동 특징의 스트림라인이 생성될 것으로 예측/선택된 격자점에서의 스트림라인 만을 생성 및 전시함으로써, 유동 특징을 가장 잘 표현할 수 있는 스트림라인 만을 전시하게 된다. That is, according to the flow analysis data processing technique according to an embodiment of the present invention, instead of generating all stream lines from the experimental flow analysis data, a grid point selected from the experimental flow analysis data based on a prediction model, that is, a stream of important flow characteristics. By generating and displaying only the stream line at the grid point predicted/selected to generate the line, only the stream line that best expresses the flow characteristics is displayed.
구체적인 예를 들면, 유동해석 데이터 처리장치(100)는, 금번 실험 유동해석 데이터로부터 각 군집 단위로 최종 선택한 격자점에서, 기 지정된 개수의 스트림라인 만을 생성하여 전시할 수 있다.For a specific example, the flow analysis
예컨대, k개의 군집을 가정하고, 격자점 별로 기 지정된 개수가 x개라고 가정하면, 유동해석 데이터 처리장치(100)는, 금번 실험 유동해석 데이터로부터 최종 선택한 k 개의 군집 별 격자점에서 x 개의 스트림라인 만을 선택 및 생성하여 전시할 수 있다.For example, assuming k clusters, and assuming that the predetermined number of each grid point is x, the flow analysis
일 예를 설명하면, 유동해석 데이터 처리장치(100)는, k 개의 군집 별 격자점 별로, 해당 격자점에서 유동 특징의 중요도 점수가 가장 높은 스트림라인부터 x개를 선택 및 생성하여 전시할 수 있다.Explaining an example, the flow analysis
이상 설명한 바와 같이, 본 발명에서는, 실험 유동해석 데이터를 예측모델에 적용하여 실험 유동해석 데이터로부터 유동 특징의 중요성/다양성을 모두 고려하여 예측/선택되는 격자점(씨드 포인트)의 스트림라인들 만을 생성 및 전시함으로써, 획기적으로 시간을 단축시켜 중요한 가시화 오브젝트들이 모두 표현된 최적의 유동 흐름을 빠르게 가시화할 수 있는 새로운 방식의 유동해석 데이터 처리 기법(기술)을 구현할 수 있다.As described above, in the present invention, by applying experimental flow analysis data to a prediction model, only stream lines of the predicted/selected grid points (seed points) are generated from the experimental flow analysis data in consideration of both the importance/diversity of flow characteristics. And by exhibiting, it is possible to realize a new method of flow analysis data processing technique (technology) that can dramatically shorten time and quickly visualize an optimal flow flow in which all important visualization objects are expressed.
더 나아가, 본 발명에 의하면, 유동 흐름을 가시화하는 절차에서 이용되는 예측모델 생성/구축 시 특징 벡터 등을 변경하는 방식을 통해, 예측모델 기반으로 가시화되는 유동 흐름을 유연하게 조절할 수 있기 때문에 원하는 유동 특징의 최적 유동 흐름을 가시화할 수 있는 효과까지 기대할 수 있다.Furthermore, according to the present invention, the desired flow can be flexibly adjusted based on the predictive model through a method of changing feature vectors, etc. when generating/building a predictive model used in the process of visualizing the flow. The effect of visualizing the optimal flow flow of the characteristic can be expected.
이로 인해, 본 발명에 따르면, 유동해석 데이터에서 원하는 유동 특징을 묘사하는 최적의 유동 흐름을 빠르게 가시화할 수 있기 때문에, 시행착오를 최소화하면서 빠른 가시화를 가능하게 하는 효과 및 이로 인해 시간 및 처리 부하 등의 코스트(cost)를 절감하는 효과를 기대할 수 있다.For this reason, according to the present invention, since it is possible to quickly visualize the optimal flow flow describing the desired flow characteristics in the flow analysis data, the effect of enabling rapid visualization while minimizing trial and error, and thus time and processing load, etc. It can be expected to reduce the cost of
위 설명한 본 발명의 일 실시예에 따른 유동해석 데이터 처리 기법(기술)은, 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The flow analysis data processing technique (technology) according to an embodiment of the present invention described above may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like alone or in combination. The program instructions recorded in the medium may be specially designed and configured for the present invention, or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -A hardware device specially configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those produced by a compiler but also high-level language codes that can be executed by a computer using an interpreter or the like. The above-described hardware device may be configured to operate as one or more software modules to perform the operation of the present invention, and vice versa.
지금까지 본 발명을 바람직한 실시 예를 참조하여 상세히 설명하였지만, 본 발명이 상기한 실시 예에 한정되는 것은 아니며, 이하의 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 또는 수정이 가능한 범위까지 본 발명의 기술적 사상이 미친다 할 것이다.Although the present invention has been described in detail with reference to preferred embodiments so far, the present invention is not limited to the above-described embodiments, and the technical field to which the present invention belongs without departing from the gist of the present invention claimed in the following claims. Anyone of ordinary skill in the art will say that the technical idea of the present invention extends to the range in which various modifications or modifications are possible.
본 발명의 유동해석 데이터 처리장치 및 유동해석 데이터 처리 기법(기술)에 따르면, 대용량의 유동해석 데이터에서 유동 특징을 잘 보여줄 수 있는 최적의 스트림라인을 빠르게 선택 및 전시할 수 있는 점에서, 기존 기술의 한계를 뛰어 넘음에 따라 관련 기술에 대한 이용만이 아닌 적용되는 장치의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.According to the flow analysis data processing device and the flow analysis data processing technique (technology) of the present invention, the existing technology in that it is possible to quickly select and display an optimal stream line that can show flow characteristics well from a large amount of flow analysis data. As it goes beyond the limits of, it is an invention that has industrial applicability because it is not only possible to use only the related technology but also to market or sell the applied device.
100 : 유동해석 데이터 처리장치
110 : 중요도예측부 120 : 격자점선택부
130 : 가시화부 140 : 모델생성부100: flow analysis data processing device
110: importance prediction unit 120: grid point selection unit
130: visualization unit 140: model generation unit
Claims (17)
상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점을 선택하는 격자점선택부; 및
상기 유동해석 데이터로부터 상기 선택한 격자점과 관련된 스트림라인을 생성 및 전시하여, 상기 유동해석 데이터에 따른 유동 흐름을 가시화하는 가시화부를 포함하며,
학습할 유동해석 데이터를 구성하는 다수의 격자점 각각을 샘플로 하고 각 격자점에 정의된 물리 변수들을 특징 벡터로 하는 학습 모델 입력데이터를 생성하고,
상기 학습할 유동해석 데이터의 모든 격자점에서 스트림라인을 생성하고, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산하며,
회귀 기반의 지도학습 모델을 기반으로, 상기 생성한 학습 모델 입력데이터를 입력으로 하고 상기 각 격자점에서 계산한 중요도 점수를 목표 변수값으로 하는 학습을 수행하여, 상기 예측모델을 생성하는 모델생성부를 더 포함하는 것을 특징으로 하는 유동해석 데이터 처리장치.An importance predicting unit for predicting an importance score for each of a plurality of grid points constituting the flow analysis data by using a prediction model previously generated for the flow analysis data;
A grid point selection unit for selecting a grid point to generate a stream line from the flow analysis data among the plurality of grid points based on the predicted importance score for each grid point; And
A visualization unit for visualizing a flow flow according to the flow analysis data by generating and displaying a stream line related to the selected grid point from the flow analysis data,
Generate learning model input data using each of the plurality of grid points constituting the flow analysis data to be learned as a sample and the physical variables defined at each grid point as feature vectors,
Create a stream line at all grid points of the flow analysis data to be learned, and calculate an importance score for the stream line at each grid point,
Based on a regression-based supervised learning model, a model generator for generating the predictive model by inputting the generated learning model input data and performing learning using the importance score calculated at each grid point as a target variable value. Flow analysis data processing apparatus comprising a further.
상기 특징 벡터는,
상기 학습할 유동해석 데이터에서 계산된 와류기준(vortex criterion) 변수를 포함하는 것을 특징으로 하는 유동해석 데이터 처리장치.The method of claim 2,
The feature vector,
A flow analysis data processing apparatus comprising a vortex criterion variable calculated from the flow analysis data to be learned.
상기 학습 모델 입력데이터는,
한 샘플의 벡터가 한 행을 이루고, 각 샘플의 벡터 행이 각 열을 이루는 행렬 형태인 것을 특징으로 하는 유동해석 데이터 처리장치.The method of claim 2,
The learning model input data,
A flow analysis data processing apparatus, characterized in that the vector of one sample constitutes one row, and the vector row of each sample constitutes each column.
상기 예측모델 생성을 위해 계산하는 상기 스트림라인에 대한 중요도 점수는,
상기 스트림라인에 대한 정렬 경계 상자의 체적과, 상기 스트림라인의 선분 개수 및 선분 간 사잇각을 기반으로 계산되는 꼬임점수를 이용하여 계산되는 것을 특징으로 하는 유동해석 데이터 처리장치.The method of claim 2,
The importance score for the stream line calculated to generate the prediction model,
The flow analysis data processing apparatus, characterized in that it is calculated using a volume of an alignment bounding box for the stream line, and a twist score calculated based on the number of segments of the stream line and the angle between the segments.
상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점을 선택하는 격자점선택부; 및
상기 유동해석 데이터로부터 상기 선택한 격자점과 관련된 스트림라인을 생성 및 전시하여, 상기 유동해석 데이터에 따른 유동 흐름을 가시화하는 가시화부를 포함하며,
상기 격자점선택부는,
상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 중요도 점수가 높은 순서에 따라 기 설정된 n개의 격자점을, 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 선택하는 것을 특징으로 하는 유동해석 데이터 처리장치.An importance predicting unit for predicting an importance score for each of a plurality of grid points constituting the flow analysis data by using a prediction model previously generated for the flow analysis data;
A grid point selection unit for selecting a grid point to generate a stream line from the flow analysis data among the plurality of grid points based on the predicted importance score for each grid point; And
A visualization unit for visualizing a flow flow according to the flow analysis data by generating and displaying a stream line related to the selected grid point from the flow analysis data,
The grid point selection unit,
Based on the predicted importance score for each grid point, among the plurality of grid points, n pre-set grid points according to the order of the highest importance score are selected as grid points for generating a stream line from the flow analysis data. Flow analysis data processing device.
상기 격자점선택부는,
상기 선택한 n개 격자점 각각에 대하여, 격자점의 특징 벡터, 중요도 점수, 위치 중 적어도 하나를 특정 유사도 알고리즘에 적용하여, 유사한 유동 특징을 갖는 격자점을 하나의 군집으로 군집화하고,
상기 군집화한 각 군집 단위의 격자점을, 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 선택하는 것을 특징으로 하는 유동해석 데이터 처리장치.The method of claim 6,
The grid point selection unit,
For each of the selected n grid points, by applying at least one of a feature vector, an importance score, and a position of the grid point to a specific similarity algorithm, grid points having similar flow characteristics are clustered into one cluster,
And selecting the clustered grid points of each cluster unit as a grid point for generating a stream line from the flow analysis data.
상기 가시화부는,
상기 유동해석 데이터로부터 상기 군집화한 각 군집 단위의 격자점에서 기 지정된 개수의 스트림라인 만을 생성하여 전시하는 것을 특징으로 하는 유동해석 데이터 처리장치.The method of claim 7,
The visualization unit,
And generating and displaying only a predetermined number of stream lines from the flow analysis data at grid points of each cluster unit.
상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점을 선택하는 격자점선택단계; 및
상기 유동해석 데이터로부터 상기 선택한 격자점과 관련된 스트림라인을 생성 및 전시하여, 상기 유동해석 데이터에 따른 유동 흐름을 가시화하는 가시화단계를 실행시키며,
학습할 유동해석 데이터를 구성하는 다수의 격자점 각각을 샘플로 하고 각 격자점에 정의된 물리 변수들을 특징 벡터로 하는 학습 모델 입력데이터를 생성하고,
상기 학습할 유동해석 데이터의 모든 격자점에서 스트림라인을 생성하고, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산하며,
회귀 기반의 지도학습 모델을 기반으로, 상기 생성한 학습 모델 입력데이터를 입력으로 하고 상기 각 격자점에서 계산한 중요도 점수를 목표 변수값으로 하는 학습을 수행하여, 상기 예측모델을 생성하는 모델생성단계를 더 실행시키는 것을 특징으로 하는 컴퓨터로 읽을 수 있는 저장매체에 저장된 컴퓨터 프로그램.An importance prediction step of predicting an importance score for each of a plurality of grid points constituting the flow analysis data by using a prediction model previously generated for the flow analysis data, combined with hardware;
A grid point selection step of selecting a grid point to generate a stream line from the flow analysis data among the plurality of grid points based on the predicted importance score for each grid point; And
A visualization step of creating and displaying a stream line related to the selected grid point from the flow analysis data to visualize a flow flow according to the flow analysis data is executed,
Generate learning model input data using each of the plurality of grid points constituting the flow analysis data to be learned as a sample and the physical variables defined at each grid point as feature vectors,
Create a stream line at all grid points of the flow analysis data to be learned, and calculate an importance score for the stream line at each grid point,
Based on a regression-based supervised learning model, a model generation step of generating the predictive model by inputting the generated learning model input data and performing learning using the importance score calculated at each grid point as a target variable value A computer program stored in a computer-readable storage medium, characterized in that to further execute.
상기 특징 벡터는,
상기 학습할 유동해석 데이터에서 계산된 와류기준(vortex criterion) 변수를 포함하는 것을 특징으로 하는 컴퓨터로 읽을 수 있는 저장매체에 저장된 컴퓨터 프로그램.The method of claim 10,
The feature vector,
A computer program stored in a computer-readable storage medium, comprising a vortex criterion variable calculated from the flow analysis data to be learned.
상기 학습 모델 입력데이터는,
한 샘플의 벡터가 한 행을 이루고, 각 샘플의 벡터 행이 각 열을 이루는 행렬 형태인 것을 특징으로 하는 컴퓨터로 읽을 수 있는 저장매체에 저장된 컴퓨터 프로그램.The method of claim 10,
The learning model input data,
A computer program stored in a computer-readable storage medium, characterized in that a vector of one sample constitutes a row and a vector row of each sample constitutes each column.
상기 예측모델 생성을 위해 계산하는 상기 스트림라인에 대한 중요도 점수는,
상기 스트림라인에 대한 정렬 경계 상자의 체적과, 상기 스트림라인의 선분 개수 및 선분 간 사잇각을 기반으로 계산되는 꼬임점수를 이용하여 계산되는 것을 특징으로 하는 컴퓨터로 읽을 수 있는 저장매체에 저장된 컴퓨터 프로그램.The method of claim 10,
The importance score for the stream line calculated to generate the prediction model,
A computer program stored in a computer-readable storage medium, characterized in that it is calculated using a volume of an alignment bounding box for the stream line and a twist score calculated based on the number of segments of the stream line and the angle between the segments.
상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점을 선택하는 격자점선택단계; 및
상기 유동해석 데이터로부터 상기 선택한 격자점과 관련된 스트림라인을 생성 및 전시하여, 상기 유동해석 데이터에 따른 유동 흐름을 가시화하는 가시화단계를 실행시키며,
상기 격자점선택단계는,
상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 중요도 점수가 높은 순서에 따라 기 설정된 n개의 격자점을, 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 선택하는 것을 특징으로 하는 컴퓨터로 읽을 수 있는 저장매체에 저장된 컴퓨터 프로그램.An importance prediction step of predicting an importance score for each of a plurality of grid points constituting the flow analysis data by using a prediction model previously generated for the flow analysis data, combined with hardware;
A grid point selection step of selecting a grid point to generate a stream line from the flow analysis data among the plurality of grid points based on the predicted importance score for each grid point; And
A visualization step of creating and displaying a stream line related to the selected grid point from the flow analysis data to visualize a flow flow according to the flow analysis data is executed,
The grid point selection step,
Based on the predicted importance score for each grid point, among the plurality of grid points, n pre-set grid points according to the order of the highest importance score are selected as grid points for generating a stream line from the flow analysis data. A computer program stored in a storage medium that can be read by a computer.
상기 격자점선택단계는,
상기 선택한 n개 격자점 각각에 대하여, 격자점의 특징 벡터, 중요도 점수, 위치 중 적어도 하나를 특정 유사도 알고리즘에 적용하여, 유사한 유동 특징을 갖는 격자점을 하나의 군집으로 군집화하고,
상기 군집화한 각 군집 단위의 격자점을, 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점으로 선택하는 것을 특징으로 하는 컴퓨터로 읽을 수 있는 저장매체에 저장된 컴퓨터 프로그램.The method of claim 14,
The grid point selection step,
For each of the selected n grid points, by applying at least one of a feature vector, an importance score, and a position of the grid point to a specific similarity algorithm, grid points having similar flow characteristics are clustered into one cluster,
A computer program stored in a computer-readable storage medium, characterized in that the clustered grid points of each cluster unit are selected as grid points to generate a stream line from the flow analysis data.
상기 가시화단계는,
상기 유동해석 데이터로부터 상기 군집화한 각 군집 단위의 격자점에서 기 지정된 개수의 스트림라인 만을 생성하여 전시하는 것을 특징으로 하는 컴퓨터로 읽을 수 있는 저장매체에 저장된 컴퓨터 프로그램.The method of claim 15,
The visualization step,
A computer program stored in a computer-readable storage medium, characterized in that, from the flow analysis data, only a predetermined number of stream lines are generated and displayed at the grid points of each cluster unit.
상기 예측한 격자점 별 중요도 점수를 기반으로, 상기 다수의 격자점 중 상기 유동해석 데이터로부터 스트림라인을 생성할 격자점을 선택하는 격자점선택단계; 및
상기 유동해석 데이터로부터 상기 선택한 격자점과 관련된 스트림라인을 생성 및 전시하여, 상기 유동해석 데이터에 따른 유동 흐름을 가시화하는 가시화단계를 포함하며,
학습할 유동해석 데이터를 구성하는 다수의 격자점 각각을 샘플로 하고 각 격자점에 정의된 물리 변수들을 특징 벡터로 하는 학습 모델 입력데이터를 생성하고,
상기 학습할 유동해석 데이터의 모든 격자점에서 스트림라인을 생성하고, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산하며,
회귀 기반의 지도학습 모델을 기반으로, 상기 생성한 학습 모델 입력데이터를 입력으로 하고 상기 각 격자점에서 계산한 중요도 점수를 목표 변수값으로 하는 학습을 수행하여, 상기 예측모델을 생성하는 모델생성단계를 더 포함하는 것을 특징으로 하는 유동해석 데이터 처리장치의 동작 방법.An importance prediction step of predicting an importance score for each of a plurality of grid points constituting the flow analysis data by using a prediction model previously generated for the flow analysis data;
A grid point selection step of selecting a grid point to generate a stream line from the flow analysis data among the plurality of grid points based on the predicted importance score for each grid point; And
A visualization step of creating and displaying a stream line related to the selected grid point from the flow analysis data to visualize a flow flow according to the flow analysis data,
Generate learning model input data using each of the plurality of grid points constituting the flow analysis data to be learned as a sample and the physical variables defined at each grid point as feature vectors,
Create a stream line at all grid points of the flow analysis data to be learned, and calculate an importance score for the stream line at each grid point,
Based on a regression-based supervised learning model, a model generation step of generating the predictive model by inputting the generated learning model input data and performing learning using the importance score calculated at each grid point as a target variable value The operating method of the flow analysis data processing apparatus further comprising a.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190177826A KR102171600B1 (en) | 2019-12-30 | 2019-12-30 | Flow analysis data processing device and computer trogram that performs each step of the device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190177826A KR102171600B1 (en) | 2019-12-30 | 2019-12-30 | Flow analysis data processing device and computer trogram that performs each step of the device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102171600B1 true KR102171600B1 (en) | 2020-10-29 |
Family
ID=73129408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190177826A KR102171600B1 (en) | 2019-12-30 | 2019-12-30 | Flow analysis data processing device and computer trogram that performs each step of the device |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102171600B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220076973A (en) * | 2020-12-01 | 2022-06-08 | 한국항공우주연구원 | Method for analyzing fluid flow |
| KR20220150575A (en) * | 2021-05-04 | 2022-11-11 | 한국과학기술정보연구원 | Flow analysis data processing device and computer trogram that performs each step of the device |
| CN116719982A (en) * | 2023-08-08 | 2023-09-08 | 东莘电磁科技(成都)有限公司 | Electromagnetic field-based wire mesh flow field visualization method |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170122950A (en) * | 2016-04-28 | 2017-11-07 | 쎄딕(주) | Method and apparatus for fan simulation by flow analysis |
| KR101809585B1 (en) * | 2017-07-14 | 2017-12-18 | 한국과학기술정보연구원 | Method and apparatus for visualizing flow path |
| CN107633104A (en) * | 2016-07-19 | 2018-01-26 | 中国科学院计算机网络信息中心 | A kind of flow field visualization method |
| KR101957194B1 (en) * | 2018-10-18 | 2019-03-13 | 한국과학기술정보연구원 | Apparatus and method for generating field line of flow analysis data |
-
2019
- 2019-12-30 KR KR1020190177826A patent/KR102171600B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170122950A (en) * | 2016-04-28 | 2017-11-07 | 쎄딕(주) | Method and apparatus for fan simulation by flow analysis |
| CN107633104A (en) * | 2016-07-19 | 2018-01-26 | 中国科学院计算机网络信息中心 | A kind of flow field visualization method |
| KR101809585B1 (en) * | 2017-07-14 | 2017-12-18 | 한국과학기술정보연구원 | Method and apparatus for visualizing flow path |
| KR101957194B1 (en) * | 2018-10-18 | 2019-03-13 | 한국과학기술정보연구원 | Apparatus and method for generating field line of flow analysis data |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220076973A (en) * | 2020-12-01 | 2022-06-08 | 한국항공우주연구원 | Method for analyzing fluid flow |
| KR102547190B1 (en) * | 2020-12-01 | 2023-06-26 | 한국항공우주연구원 | Method for analyzing fluid flow |
| KR20220150575A (en) * | 2021-05-04 | 2022-11-11 | 한국과학기술정보연구원 | Flow analysis data processing device and computer trogram that performs each step of the device |
| KR102520732B1 (en) * | 2021-05-04 | 2023-04-12 | 한국과학기술정보연구원 | Flow analysis data processing device and computer trogram that performs each step of the device |
| CN116719982A (en) * | 2023-08-08 | 2023-09-08 | 东莘电磁科技(成都)有限公司 | Electromagnetic field-based wire mesh flow field visualization method |
| CN116719982B (en) * | 2023-08-08 | 2023-10-13 | 东莘电磁科技(成都)有限公司 | Electromagnetic field-based wire mesh flow field visualization method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102171600B1 (en) | Flow analysis data processing device and computer trogram that performs each step of the device | |
| US10775955B2 (en) | Approach for generating and exploring a design space | |
| US20220392144A1 (en) | Image rendering method and apparatus, electronic device, and storage medium | |
| JP7041473B2 (en) | Local visual graph filters for complex graph searches | |
| JP2014021661A (en) | Display processing program, display processing method and display processor | |
| WO2013140497A1 (en) | Sequence program creation device | |
| US11960858B2 (en) | Performance based system configuration as preprocessing for system peformance simulation | |
| JP2010009342A (en) | Design improvement support device for multi-objective optimization design, method and program | |
| JP2019045894A (en) | Retrieval program, retrieval method and information processing apparatus operating retrieval program | |
| US20140088940A1 (en) | Thermofluid simulation method and thermofluid simulation apparatus | |
| US20230024680A1 (en) | Method of determining regional land usage property, electronic device, and storage medium | |
| EP4027261A1 (en) | Material properties prediction system and information processing method | |
| US20150154282A1 (en) | Data search apparatus and method for controlling the same | |
| US9495776B2 (en) | Computing method and computing apparatus | |
| JP2016143210A (en) | Magnetic field simulator program, magnetic field simulator and magnetic field simulation method | |
| JP5062046B2 (en) | Multi-objective optimization design support apparatus, method, and program using mathematical expression processing technique | |
| KR102520732B1 (en) | Flow analysis data processing device and computer trogram that performs each step of the device | |
| Duvivier et al. | A fast multicriteria decision-making tool for industrial scheduling problems | |
| EP4145327A1 (en) | System for estimating characteristic value of material | |
| KR102219648B1 (en) | Flow analysis data processing device and computer trogram that performs each step of the device | |
| US20210056241A1 (en) | Design support device and computer readable medium | |
| KR101741952B1 (en) | Method of visualizing a massive reaction mechanism using semantic model | |
| US20220230702A1 (en) | Optical Flow Based Forecasting of Binding States in Molecular Dynamic Simulations | |
| US20240028787A1 (en) | Techniques for design space exploration in a multi-user collaboration system | |
| US20230196062A1 (en) | Method and system for global explainability of neural networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |