KR102265380B1 - Automatic grid generation method for blade using reinforcement learning - Google Patents
Automatic grid generation method for blade using reinforcement learning Download PDFInfo
- Publication number
- KR102265380B1 KR102265380B1 KR1020190110231A KR20190110231A KR102265380B1 KR 102265380 B1 KR102265380 B1 KR 102265380B1 KR 1020190110231 A KR1020190110231 A KR 1020190110231A KR 20190110231 A KR20190110231 A KR 20190110231A KR 102265380 B1 KR102265380 B1 KR 102265380B1
- Authority
- KR
- South Korea
- Prior art keywords
- grid
- quality
- generating
- blade
- analysis
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
- G06F3/08—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers from or to individual record carriers, e.g. punched card, memory card, integrated circuit [IC] card or smart card
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Human Computer Interaction (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Turbine Rotor Nozzle Sealing (AREA)
Abstract
본 기재의 익형 해석용 격자 생성 방법은, 블레이드 주위의 유동 해석을 위한 격자를 생성하는 방법으로서, 상기 블레이드의 형상 정보를 입력받는 단계, 임의의 격자 파라미터를 상태(State)로 입력받는 단계, 생성되는 격자의 품질을 최대화하는 방향으로 강화학습 하는 단계, 및 생성될 격자의 품질이 최대화되는 격자 파라미터를 결정하는 단계를 포함할 수 있다.The method for generating a grid for airfoil analysis of the present disclosure is a method of generating a grid for flow analysis around a blade, comprising the steps of receiving shape information of the blade, inputting arbitrary grid parameters as a state, generating The method may include performing reinforcement learning in a direction that maximizes the quality of the grid to be used, and determining a grid parameter that maximizes the quality of the grid to be generated.
Description
본 발명은 익형 유동 해석을 수행할 때 요구되는 격자를 생성하는 방법에 관한 것이다.The present invention relates to a method for generating the required grid when performing airfoil flow analysis.
일반적으로, 익형(翼型) 주위의 유동은 매우 복잡하다. 이러한 유동을 정확히 해석하기 위해서는 고품질의 해석 격자가 필요하므로 익형 주위의 유동 해석을 위해서는 익형 해석용 계산 격자생성이 필수적으로 선행되어야 한다. 그러나 기존의 범용 격자 생성 소프트웨어는 익형 형상의 복잡성에 의해 최적화되어 있지 않아 격자생성에 많은 시간과 비용이 소요된다. 게다가 많은 경우 정확한 계산결과와 빠른 수렴성을 보장하는 높은 질의 격자 생성이 어렵다. 또한, 격자를 생성하는 엔지니어의 주관적인 판단에 의하여 격자의 분포나 해상도, 격자의 질이 상당히 달라지고 이는 계산결과의 신뢰성에도 큰 악영향을 미친다.In general, the flow around the airfoil is very complex. Since a high-quality analysis grid is required to accurately analyze such a flow, it is essential to create a calculation grid for airfoil analysis in order to analyze the flow around the airfoil. However, the existing general-purpose grid creation software is not optimized due to the complexity of the airfoil shape, so it takes a lot of time and money to create the grid. Moreover, in many cases, it is difficult to generate a high-quality grid that guarantees accurate calculation results and fast convergence. In addition, the distribution, resolution, and quality of the grid vary considerably depending on the subjective judgment of the engineer who creates the grid, which has a significant adverse effect on the reliability of the calculation results.
특허 제1517273호는 지형 분석방법을 위한 격자생성 프로그램을 제시하였고, 해당 프로그램은 단계적 분할기법 및 내부경계조건 등을 포함한다. Patent No. 1517273 suggests a grid generation program for a topographic analysis method, and the program includes a stepwise partitioning technique and internal boundary conditions.
특허 제1040982호는 유동이 가능한 부분과 유동이 불가능한 부분 사이의 경계요소에 대한 경계요소 격자 생성 방법을 제시하였고, 해당 방법은 유동이 가능한 구조체의 영역을 제1 격자화하는 단계 및 유동이 가능한 부분과 불가능한 부분의 경계인 구조체의 경계 영역의 표면을 다수의 2차원의 도형으로 제2 격자화하는 단계를 포함한다.Patent No. 1040982 proposes a method for generating a boundary element grid for a boundary element between a flowable part and a non-flowable part, and the method includes the steps of first gridding the region of the structure in which flow is possible and the flowable part. and secondly gridding the surface of the boundary region of the structure that is the boundary of the impossible portion with a plurality of two-dimensional figures.
이와 같이 격자생성 방법에 대한 연구는 활발하였지만, 터보 기계 내에서의 복잡한 고온 고속 열유동 현상은 그 해석이 실험과 기존의 수치해석기법으로 매우 어려우며, 인공지능을 이용하여 격자생성을 완전 자동화, 최적화하는 기술은 전무하였다.Although research on grid generation methods has been active as such, the analysis of complex high-temperature and high-speed heat flow in turbomachinery is very difficult with experiments and existing numerical analysis techniques, and grid generation is fully automated and optimized using artificial intelligence. technology did not exist.
본 발명의 일 측면은 인공지능의 한 종류인 강화학습을 사용하여 익형 해석을 위한 고품질의 계산 격자 생성을 자동화하고 최적화한 생성방법을 제공하고자 한다.One aspect of the present invention is to provide a method for automating and optimizing the creation of high-quality computational grids for airfoil analysis using reinforcement learning, which is a type of artificial intelligence.
본 발명의 다른 일 측면은 익형 해석용 계산 격자를 자동으로 생성할 수 있는 자동격자생성 프로그램을 제공하고자 한다.Another aspect of the present invention is to provide an automatic grid generation program capable of automatically generating a calculation grid for airfoil analysis.
그러나, 본 발명의 실시예들이 해결하고자 하는 과제는 상술한 과제에 한정되지 않고 본 발명에 포함된 기술적 사상의 범위에서 다양하게 확장될 수 있다.However, the problems to be solved by the embodiments of the present invention are not limited to the above problems and may be variously expanded within the scope of the technical idea included in the present invention.
본 기재의 익형 해석용 격자 생성 방법은, 블레이드 주위의 유동 해석을 위한 격자를 생성하는 방법으로서, 상기 블레이드의 형상 정보를 입력받는 단계, 임의의 격자 파라미터를 상태(State)로 입력받는 단계, 생성되는 격자의 품질을 최대화하는 방향으로 강화학습 하는 단계, 및 생성될 격자의 품질이 최대화되는 격자 파라미터를 결정하는 단계를 포함할 수 있다.The method for generating a grid for airfoil analysis of the present disclosure is a method of generating a grid for flow analysis around a blade, comprising the steps of receiving shape information of the blade, inputting arbitrary grid parameters as a state, generating The method may include performing reinforcement learning in a direction that maximizes the quality of the grid to be used, and determining a grid parameter that maximizes the quality of the grid to be generated.
상기 강화학습 하는 단계는, 상기 입력된 블레이드의 형상 정보와 임의의 격자 파라미터에 기초하여 생성될 격자의 품질을 예측하는 과정, 상기 입력된 블레이드의 형상 정보와 임의의 격자 파라미터를 이용하여 격자를 생성하고, 상기 생성된 격자의 품질을 계산하는 과정, 및 상기 예측한 격자의 품질과 상기 계산된 격자의 품질의 오차를 계산하는 과정을 포함하고, 상기 오차를 최소화하는 방향으로 기계학습 하는 것을 특징으로 한다.The reinforcement learning step is a process of predicting the quality of a grid to be generated based on the inputted blade shape information and arbitrary grid parameters, and generating a grid using the inputted blade shape information and arbitrary grid parameters. and calculating the quality of the generated lattice, and calculating an error between the predicted lattice quality and the calculated lattice quality, characterized in that machine learning is performed in a direction to minimize the error. do.
상기 격자 파라미터는 상기 격자 생성에 필요한 격자의 개수, 격자 해상도, 격자의 입구 위치 및 격자의 출구 위치를 포함할 수 있다.The grating parameter may include the number of gratings required for generating the grating, a grating resolution, an entrance position of the grating, and an outlet position of the grating.
상기 격자의 품질을 계산하는 과정은, 야코비 행렬 (Jacobian matrix)의 행렬식 (determinant) 비로 계산하는 것을 포함할 수 있다.The process of calculating the quality of the lattice may include calculating a determinant ratio of a Jacobian matrix.
상기 격자의 품질을 예측하는 과정은, 심층 신경망 (Deep Neural Network, DNN)를 통해서 수행될 수 있다.The process of predicting the quality of the grid may be performed through a deep neural network (DNN).
상기 격자의 품질을 예측하는 과정은, 심층 Q-네트워크 (Deep Q-Networks, DQN) 방법을 이용할 수 있다.The process of predicting the quality of the grid may use a deep Q-networks (DQN) method.
상기 오차를 계산하는 과정은, 상기 예측한 격자의 품질과 상기 생성된 격자의 품질의 L2 오차(error)를 손실 함수 (loss function)로 정의하는 것을 포함할 수 있다.The process of calculating the error may include defining an L 2 error of the predicted grid quality and the generated grid quality as a loss function.
상기 강화학습 하는 단계는, 상기 손실 함수를 최소화하는 방향으로 상기 심층 신경망 (Deep Neural Network, DNN)를 업데이트하며 학습을 진행하는 것을 포함할 수 있다.The step of performing the reinforcement learning may include updating the deep neural network (DNN) in a direction to minimize the loss function and performing learning.
상기 익형 해석용 격자 생성 방법은 타원(Elliptic) 격자생성 방법으로 자동으로 격자를 생성하는 단계를 더 포함할 수 있다.The method for generating a grid for airfoil analysis may further include automatically generating a grid using an elliptic grid generation method.
본 발명의 다른 일 실시예에 따른 컴퓨터 프로그램은 컴퓨터에 상기한 익형 해석용 격자 생성 방법을 실행시키기 위하여 매체에 저장되어 제공될 수 있다.The computer program according to another embodiment of the present invention may be provided by being stored in a medium in order to execute the above-described grid generating method for airfoil analysis on a computer.
본 발명의 실시예에 의하면 기존 기술의 한계를 극복할 수 있는 요소기술을 제공함으로써 터빈 내부 난류유동, 습증기 (wet-steam) 유동의 향상된 예측을 가능케 하여 터빈의 설계 전반에 걸쳐 획기적인 기술적 진보를 제공할 수 있다.According to the embodiment of the present invention, by providing element technology that can overcome the limitations of existing technologies, improved prediction of turbulent flow and wet-steam flow inside the turbine is possible, thereby providing a revolutionary technological advance throughout the design of the turbine. can do.
익형의 완전 자동화된 격자생성 기술을 제공함으로써 새롭게 익형 관련 분야를 연구하는 연구자들에게 진입장벽을 현저히 낮추어 전반적인 익형 관련 기술 개발의 가속화가 가능하다.By providing a fully automated grid generation technology for airfoils, it is possible to significantly lower the barrier to entry for researchers who are researching new airfoil-related fields, thereby accelerating the development of airfoil-related technologies.
본 발명의 실시예에 의하면 터빈을 포함한 모든 익형 관련 분야에 적용이 가능하기 때문에, 익형의 정밀 해석이 필요한 모든 분야의 기술 발전의 가속화를 이룰 수 있다.According to the embodiment of the present invention, since it can be applied to all airfoil related fields including turbines, it is possible to accelerate technological development in all fields requiring precise analysis of airfoils.
도 1은 본 발명의 일 실시예에 따른 익형 해석용 자동 격자 생성 프로그램을 설명하기 위해 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 강화학습 기반 자동 격자 생성 방법의 순서도이다.
도 3은 본 발명의 일 실시예에 따른 강화학습 기반 자동 격자 생성 방법을 설명하기 위해 도시한 도면이다.
도 4는 2차원 케스케이드 블레이드에 대해 본 발명의 일 실시예에 따른 강화학습 기반 자동 격자 생성 방법을 적용한 결과를 나타낸 도면이다.
도 5 내지 도 7은 다양한 2차원 블레이드에 대해 본 발명의 일 실시예에 따른 강화학습 기반 자동 격자 생성 방법을 적용한 결과를 나타낸 도면이다.1 is a diagram illustrating an automatic grid generation program for airfoil analysis according to an embodiment of the present invention.
2 is a flowchart of a reinforcement learning-based automatic grid generation method according to an embodiment of the present invention.
3 is a diagram illustrating a method for automatically generating a reinforcement learning based grid according to an embodiment of the present invention.
4 is a view showing a result of applying the reinforcement learning-based automatic grid generation method according to an embodiment of the present invention to a two-dimensional cascade blade.
5 to 7 are diagrams showing the results of applying the reinforcement learning-based automatic grid generation method according to an embodiment of the present invention to various two-dimensional blades.
이하, 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조부호를 붙였다.Hereinafter, with reference to the accompanying drawings, a person skilled in the art to which the present invention pertains will be described in detail so that it can be easily implemented. In order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and the same reference numerals are assigned to the same or similar components throughout the specification.
또한, 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.In addition, throughout the specification, when a part "includes" a certain component, this means that other components may be further included, rather than excluding other components, unless otherwise stated.
도 1은 본 발명의 일 실시예에 따른 익형 해석용 자동 격자 생성 프로그램을 설명하기 위해 도시한 도면이다.1 is a diagram illustrating an automatic grid generation program for airfoil analysis according to an embodiment of the present invention.
자동격자생성 프로그램은 블레이드의 형상과 기본적인 격자 정보만 입력된다면 그에 맞게 자동으로 격자가 생성된다. 또한 타원(Elliptic) 격자 생성 방법을 이용하여 블레이드 벽면에서의 격자 수직성을 보장하는 고품질의 격자가 생성된다. The automatic grid generation program automatically creates a grid according to the shape of the blade and basic grid information. In addition, high-quality gratings that ensure grating perpendicularity at the blade wall are generated using an elliptic grating generation method.
도 1을 참조하면, 상기 자동격자생성 프로그램은 익형의 형상 정보와 격자의 개수, 격자 해상도와 같은 기본적인 정보가 입력되면 자동으로 계산 격자를 생성한다. 본 프로그램에서는 타원(Elliptic) 형태의 편미분 방정식을 풀고 그 해를 이용해 격자를 생성하는 타원(Elliptic) 격자생성 방법을 이용한다. 따라서 2차 미분의 연속성까지 보장되는 높은 품질의 격자 생성이 가능하다. 또한 본 프로그램은 2차원, 3차원 블레이드에 모두 적용 가능하며, 팁 간극이 있는 복잡한 형상의 블레이드에 대해서도 격자 생성이 가능하다.Referring to FIG. 1 , the automatic grid generation program automatically generates a calculated grid when basic information such as shape information of an airfoil, the number of grids, and grid resolution is input. In this program, the elliptic lattice generation method is used to solve the partial differential equation in the form of an elliptic and generate a lattice using the solution. Therefore, it is possible to create a high-quality grid that guarantees even the continuity of the second derivative. In addition, this program can be applied to both 2D and 3D blades, and grids can be created even for blades with complex shapes with tip gaps.
하지만 격자 정보를 입력하는 데에 있어 여전히 사용자의 주관이 개입될 수 있고, 이에 따라 격자의 질이 달라질 수 있다. 따라서 완전한 자동화와 최적화를 위해 머신 러닝의 일종인 강화학습(Reinforcement Learning)을 이용한다. 강화학습은 어떠한 행동(Action)을 통해 주어지는 보상(Reward)을 학습하고, 학습을 통해 주어지는 보상을 최대화하는 방법이다. 따라서 격자 정보를 바꿔가며 격자의 질을 보상으로 제공함으로써, 격자의 질을 최대화하는 격자 정보를 찾을 수 있다. However, the user's subjectivity may still be involved in inputting grid information, and the quality of the grid may vary accordingly. Therefore, reinforcement learning, a type of machine learning, is used for complete automation and optimization. Reinforcement learning is a method of learning a reward given through a certain action and maximizing the reward given through learning. Therefore, it is possible to find grid information that maximizes the grid quality by changing the grid information and providing the grid quality as a compensation.
또한 본 실시예에서는 기본적인 강화학습 원리와 인공신경망 기법을 접목시킨 강화학습의 대표적인 방법인 심층 Q-네트워크 (Deep Q-Network, DQN) 방법을 활용할 수 있다. 이는 학습할 데이터가 방대하더라도 인공신경망의 업데이트를 통해 빠르고 정확하게 학습할 수 있다는 장점이 있다. In addition, in this embodiment, a deep Q-network (DQN) method, which is a representative method of reinforcement learning in which basic reinforcement learning principles and artificial neural network techniques are grafted, can be utilized. This has the advantage of being able to learn quickly and accurately through the update of the artificial neural network, even if the data to be learned is huge.
따라서 많은 터빈 블레이드에 대한 학습을 통해 어떠한 격자 파라미터가 해당 형상에서 최적의 값인지를 판단할 수 있다. 결국, 새로운 익형이 주어졌을 때, 사용자의 주관이 전혀 개입되지 않고 빠른 시간에 높은 질의 격자를 자동으로 생성할 수 있다.Therefore, it is possible to determine which lattice parameter is the optimal value for the corresponding shape through the learning of many turbine blades. As a result, when a new airfoil is given, a high-quality grid can be automatically generated in a short time without any user's subjective intervention.
그러나 격자의 생성을 위해 사용자가 격자의 개수나 해상도와 같은 격자 정보를 입력해 주어야 하는데, 본 실시예에서는 강화학습을 이용하여 이러한 격자 파라미터를 자동으로 결정할 수 있다.However, in order to generate a grid, a user must input grid information such as the number of grids or a resolution. In this embodiment, such grid parameters can be automatically determined using reinforcement learning.
도 2는 본 발명의 일 실시예에 따른 강화학습 기반 자동 격자 생성 방법의 순서도이고, 도 3은 이를 설명하기 위해 도시한 도면이다.FIG. 2 is a flowchart of a method for generating a reinforcement learning-based automatic grid according to an embodiment of the present invention, and FIG. 3 is a diagram illustrating the same.
본 실시예에서는 기본적인 강화학습의 원리와 인공신경망을 접목시킨 심층 Q-네트워크 (Deep Q-Network, DQN) 방법을 사용한다. 이로써 자동격자생성 프로그램에서 격자 생성에 필요한 격자 개수나 해상도와 같은 기본적인 격자 파라미터들을 최적화하여 생성되는 격자의 품질을 최대화할 수 있다.In this embodiment, a deep Q-network (DQN) method in which basic reinforcement learning principles and artificial neural networks are grafted is used. Accordingly, the quality of the generated grid can be maximized by optimizing basic grid parameters such as the number of grids and resolution required for grid generation in the automatic grid generation program.
도 2 및 도 3을 참조하면, 먼저 블레이드의 형상 정보(geometry)가 입력되고, 격자생성에 필요한 임의의 격자 파라미터가 상태(State)로 주어진다(S210 및 S220). 그러면 심층 Q-네트워크 (Deep Q-Network, DQN) 방법을 사용하여 생성되는 격자의 품질을 최대화하는 방향으로 강화학습을 수행한다(S230).2 and 3, first, the shape information (geometry) of the blade is input, and arbitrary grid parameters necessary for grid generation are given as states (S210 and S220). Then, reinforcement learning is performed in the direction of maximizing the quality of the grid generated using the deep Q-network (DQN) method (S230).
즉, 심층 신경망 (Deep Neural Network, DNN)을 통해 이후 생성될 격자의 품질을 예측할 수 있다(S231). 이와 동시에 자동격자생성 프로그램은 실제로 격자를 생성하고, 생성된 격자의 품질을 계산할 수 있다(S232). 이 때 생성된 격자의 품질은 격자의 품질 판단에 주로 이용되는 하기 수학식 1에 나타낸 야코비 행렬 (Jacobian matrix)의 행렬식 비(determinant ratio)로 계산될 수 있다. That is, it is possible to predict the quality of a grid to be generated later through a deep neural network (DNN) (S231). At the same time, the automatic grid generating program may actually generate a grid and calculate the quality of the generated grid (S232). In this case, the quality of the generated grating may be calculated as a determinant ratio of a Jacobian matrix shown in
야코비 행렬의 행렬식 비는 격자의 모든 지점에서 계산 가능하며, 음수 또는 0에서 1까지의 값을 가질 수 있다. 값이 1일 경우 완벽한 직사각형 (2차원일 경우) 또는 직육면체 (3차원일 경우) 격자임을 의미한다. 상기 값이 음수 또는 0일 경우, 해당 부분 격자가 뒤집혀 있거나 뭉개져 있음을 의미한다. 따라서 상기 값이 1에 가까울수록 고품질의 격자인 것으로 판단할 수 있으며, 최종적인 격자의 품질은 격자의 모든 지점 중 야코비 행렬의 행렬식 비의 값이 가장 낮은 지점을 기준으로 결정된다.The determinant ratio of the Jacobian matrix is computable at any point in the grid, and can be negative or have values from 0 to 1. A value of 1 means a perfect rectangular (2D) or cuboidal (3D) grid. If the value is negative or 0, it means that the corresponding sub-lattice is upside down or crushed. Therefore, as the value is closer to 1, it can be determined that the lattice is of high quality, and the final lattice quality is determined based on the point where the value of the determinant ratio of the Jacobian matrix is the lowest among all points of the lattice.
그리고 나서, 이전에 DNN을 통해 예측했던 격자의 품질(Qualitypredict)과 실제 격자의 품질(Qualityactual)의 L2 오차(error)를 손실 함수 (loss function)로 정의할 수 있으며, 이는 하기 수학식 2와 같이 계산될 수 있다.Then, it is possible to define the quality (Quality predict) and L 2 error (error) of the quality of the actual grid (Quality actual) of the grid predicted through DNN previously loss function (loss function), which the following formula It can be calculated as
이러한 손실 함수로부터 예측한 격자의 품질과 실제 생성된 격자의 품질의 오차를 계산할 수 있다(S233). 최종적으로 손실 함수를 최소화하는 방향으로 DNN을 업데이트하며 학습을 진행할 수 있다(S234). 구체적인 DNN 업데이트 방법으로는 심층 신경망(Deep Neural Network, DNN)의 학습에 주로 사용되는 경사 하강법(gradient descent method)의 일종인 아담 최적화 방법(Adam optimization method)을 사용할 수 있다.An error between the predicted grid quality and the actually generated grid quality may be calculated from this loss function (S233). Finally, learning may proceed while updating the DNN in the direction of minimizing the loss function (S234). As a specific DNN update method, the Adam optimization method, which is a kind of gradient descent method mainly used for learning of a deep neural network (DNN), may be used.
학습이 충분히 진행된다면 임의의 격자 파라미터가 주어졌을 때, DNN을 통해 정확하게 격자의 품질을 예측할 수 있다. 따라서 격자의 품질이 최대화되는 격자 파라미터를 실제 격자 생성 없이 결정할 수 있다(S240). 이렇게 결정된 격자 파라미터를 입력하여 타원 격자생성 방법으로 격자를 생성할 수 있다(S250).If the learning proceeds sufficiently, the quality of the lattice can be accurately predicted through the DNN given arbitrary lattice parameters. Accordingly, the grating parameter for which the quality of the grating is maximized may be determined without actually generating the grating ( S240 ). By inputting the determined lattice parameters, a lattice may be generated by an elliptical lattice generating method (S250).
도 4는 2차원 케스케이드 블레이드에 대해 본 발명의 일 실시예에 따른 강화학습 기반 자동 격자 생성 방법을 적용한 결과를 나타낸 도면이다.4 is a view showing a result of applying the reinforcement learning-based automatic grid generation method according to an embodiment of the present invention to a two-dimensional cascade blade.
본 예에서 최적화가 진행되는 제어 파라미터는 격자의 개수, 해상도 그리고 입구와 출구의 위치이다. 도 4의 우측 상단 그래프에서 학습이 진행됨에 따른 격자의 질을 살펴보면, 처음에는 학습이 진행되지 않아 증가와 감소를 반복하는 모습을 보이지만 학습이 충분히 진행되면서 격자의 질이 최대값으로 수렴하는 것을 볼 수 있다. 격자의 질이 최소 0.6에서 최대 0.78까지 증가하는 것을 볼 수 있는데, 이는 상당히 큰 차이이다.In this example, the control parameters to be optimized are the number of grids, the resolution, and the positions of the inlet and outlet. Looking at the quality of the grid as the learning progresses in the upper right graph of FIG. 4, it is seen that, although learning does not proceed at first, increasing and decreasing are repeated, but as the learning progresses sufficiently, the quality of the grid converges to the maximum value. can It can be seen that the grid quality increases from a minimum of 0.6 to a maximum of 0.78, which is a fairly large difference.
학습이 잘 진행되는 것은 도 4의 우측 하단의 손실 함수 그래프에서도 확인할 수 있다. 처음에는 큰 손실 함수를 가지며 격자의 질을 잘 예측하지 못하지만 학습이 진행되면서 10E-07 값까지 손실 함수가 감소하는 것을 볼 수 있다. 손실 함수 값 10E-07 은 격자의 품질 값으로 변환하면, 예측한 격자의 질과 실제 격자 질의 차이가 0.001 이내임을 의미한다. 즉, 격자의 품질이 0.6에서 0.78 정도의 값을 갖기 때문에, 예측의 정확도가 0.5% 내로 매우 정확하다고 할 수 있다. 따라서 6000번의 학습 단계 (training step) 안에 충분히 학습이 진행되었음을 알 수 있다.It can be seen from the loss function graph at the lower right of FIG. 4 that the learning proceeds well. At first, it has a large loss function and does not predict the quality of the grid well, but as learning progresses, it can be seen that the loss function decreases to a value of 10E-07. When the loss function value 10E-07 is converted to a grid quality value, it means that the difference between the predicted grid quality and the actual grid quality is within 0.001. That is, since the grid quality has a value of 0.6 to 0.78, it can be said that the prediction accuracy is very accurate within 0.5%. Therefore, it can be seen that the training has been sufficiently progressed within 6000 training steps.
도 5 내지 도 7은 다양한 2차원 블레이드에 대해 본 발명의 일 실시예에 따른 강화학습 기반 자동 격자 생성 방법을 적용한 결과를 나타낸 도면이다.5 to 7 are diagrams showing the results of applying the reinforcement learning-based automatic grid generation method according to an embodiment of the present invention to various two-dimensional blades.
실제 유동 해석 상황에서는 사용하는 장비의 사양이나 해석 기법 등에 의해 전체 격자의 개수나 벽면 근처 격자의 크기에 제약이 있을 수 있다. 따라서 본 실시예에서는 실제 유동 해석 상황과 유사하도록 블레이드 벽면에서 수직한 첫번째 격자의 크기와 전체 격자의 개수를 고정한 채로 학습을 진행하였다. 즉, 제한된 격자 개수와 첫번째 격자의 크기 내에서의 격자의 분배와 해상도, 입구와 출구의 위치에 대해 최적화가 진행되었다. 3차원 블레이드의 단면을 이용하여 여러 2차원 블레이드를 생성하였고, 1번부터 4번의 블레이드에 대해서는 학습을 진행하였고 (도 5 참조), 5번과 6번 블레이드에 대해서는 이전에 학습된 네트워크를 이용하여 한 번에 최적의 격자 생성을 시도하였다 (도 6 및 7 참조).In an actual flow analysis situation, there may be restrictions on the total number of grids or the size of the grid near the wall depending on the specifications of the equipment used or the analysis technique. Therefore, in this embodiment, learning was carried out while fixing the size of the first grid perpendicular to the blade wall and the total number of grids to be similar to the actual flow analysis situation. In other words, the distribution and resolution of the grid within the limited number of grids and the size of the first grid, and the location of the inlet and outlet were optimized. Several two-dimensional blades were created using the cross section of the three-dimensional blade, learning was carried out for
도 5의 좌측 도면에 도시된 바와 같이, 학습은 1번 블레이드부터 4번 블레이드까지 순차적으로 진행하였다. 그리고 나서, 학습이 완료된 네트워크를 이용해 새롭게 주어진 5번과 6번 블레이드에 대해 한번에 격자를 생성하도록 하였다. 또한 도 6 및 도 7의 우측 그래프에서 확인할 수 있는 바와 같이, 한번에 생성된 격자의 질이 최적화된 값인지 확인하기 위해 5번과 6번 블레이드에 대해 각각 새롭게 학습을 진행하여 격자의 질을 비교하였다. 도 6 및 도 7의 우측 그래프에서 붉은 색으로 표시된 값이 학습된 네트워크를 이용하여 한번에 최적 격자 생성을 시도한 결과이고, 검은 색으로 표시된 값이 비교를 위해 진행된 학습 결과이다. 그 결과 학습된 네트워크를 이용해 생성한 격자가 상당히 높은 질을 갖고 있는 것을 확인할 수 있었다. 따라서 학습을 충분히 진행한 네트워크를 이용하면 새로운 블레이드에 대해서도 한 번에 높은 질의 격자 생성이 가능하다는 것을 알 수 있다.As shown in the left drawing of FIG. 5 , the learning was sequentially performed from the first blade to the fourth blade. Then, using the trained network, a grid was created for newly given
본 발명의 하나의 실시예에 따른 방법을 실행시키기 위한 프로그램은 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다.A program for executing the method according to an embodiment of the present invention may be recorded in a computer-readable recording medium.
컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 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, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크와 같은 자기-광 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 여기서 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드가 포함된다.The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The media may be specially designed and configured, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include hard disks, magnetic media such as floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, magneto-optical media such as floppy disks, and ROMs, RAMs, flash memories, and the like. Hardware devices specially configured to store and execute the same program instructions are included. Here, the medium may be a transmission medium such as an optical or metal wire or a waveguide including a carrier wave for transmitting a signal designating a program command, a data structure, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.
이상을 통해 본 발명의 바람직한 실시예에 대하여 설명하였지만, 본 발명은 이에 한정되는 것이 아니고 특허청구범위와 발명의 상세한 설명 및 첨부한 도면의 범위 안에서 여러 가지로 변형하여 실시하는 것이 가능하고 이 또한 본 발명의 범위에 속하는 것은 당연하다.Although preferred embodiments of the present invention have been described above, the present invention is not limited thereto, and various modifications can be made within the scope of the claims, the detailed description of the invention, and the accompanying drawings, and this It goes without saying that it falls within the scope of the invention.
Claims (10)
상기 블레이드의 형상 정보를 입력받는 단계;
임의의 격자 파라미터를 상태(State)로 입력받는 단계;
생성되는 격자의 품질을 최대화하는 방향으로 강화학습 하는 단계;
생성될 격자의 품질이 최대화되는 격자 파라미터를 결정하는 단계; 및
타원(Elliptic) 격자생성 방법으로 자동으로 격자를 생성하는 단계
를 포함하고,
상기 강화학습 하는 단계는,
상기 입력된 블레이드의 형상 정보와 임의의 격자 파라미터에 기초하여 심층 신경망 (Deep Neural Network, DNN)을 통해서 생성될 격자의 품질을 예측하는 과정;
상기 입력된 블레이드의 형상 정보와 임의의 격자 파라미터를 이용하여 격자를 생성하고, 상기 생성된 격자의 품질을 계산하는 과정; 및
상기 예측한 격자의 품질과 상기 계산된 격자의 품질의 오차를 계산하는 과정을 포함하고,
상기 오차를 최소화하는 방향으로 기계학습 하는 것을 특징으로 하
는 익형 해석용 격자 생성 방법.A method of generating a grid for flow analysis around a blade using an artificial neural network performed by a computer device, the method comprising:
receiving the shape information of the blade;
receiving an arbitrary grid parameter as a state;
Reinforcement learning in the direction of maximizing the quality of the generated grid;
determining a grating parameter at which the quality of the grating to be created is maximized; and
Step of automatically generating a grid using the elliptic grid generation method
including,
The reinforcement learning step is
a process of predicting the quality of a grid to be generated through a deep neural network (DNN) based on the input shape information of the blade and arbitrary grid parameters;
generating a grid using the inputted blade shape information and arbitrary grid parameters, and calculating the quality of the generated grid; and
Comprising the process of calculating an error between the predicted grid quality and the calculated grid quality,
It is characterized in that machine learning is performed in a direction to minimize the error.
is a grid creation method for airfoil analysis.
상기 격자 파라미터는 상기 격자 생성에 필요한 격자의 개수, 격자 해상도, 격자의 입구 위치 및 격자의 출구 위치를 포함하는, 익형 해석용 격자 생성 방법.The method of claim 1,
Wherein the grid parameters include the number of grids required for grid generation, grid resolution, an inlet position of the grid, and an outlet location of the grid.
상기 격자의 품질을 계산하는 과정은,
야코비 행렬 (Jacobian matrix)의 행렬식 (determinant) 비로 계산하는 것을 포함하는, 익형 해석용 격자 생성 방법.The method of claim 1,
The process of calculating the quality of the grid is,
A method for generating a grid for airfoil analysis, comprising calculating as a determinant ratio of a Jacobian matrix.
상기 격자의 품질을 예측하는 과정은,
심층 Q-네트워크 (Deep Q-Networks, DQN) 방법을 이용하는, 익형 해석용 격자 생성 방법.The method of claim 1,
The process of predicting the quality of the grid is,
A method for generating a grid for airfoil analysis using the Deep Q-Networks (DQN) method.
상기 오차를 계산하는 과정은,
상기 예측한 격자의 품질과 상기 생성된 격자의 품질의 L2 오차(error)를 손실 함수 (loss function)로 정의하는 것을 포함하는, 익형 해석용 격자 생성 방법.The method of claim 1,
The process of calculating the error is
The method of generating a grid for airfoil analysis, comprising defining an L 2 error of the predicted grid quality and the generated grid quality as a loss function.
상기 강화학습 하는 단계는,
상기 손실 함수를 최소화하는 방향으로 상기 심층 신경망 (Deep Neural Network, DNN)를 업데이트하며 학습을 진행하는 것을 포함하는, 익형 해석용 격자 생성 방법.8. The method of claim 7,
The reinforcement learning step is
A method for generating a grid for airfoil analysis, comprising updating the deep neural network (DNN) in a direction to minimize the loss function and performing learning.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190110231A KR102265380B1 (en) | 2019-09-05 | 2019-09-05 | Automatic grid generation method for blade using reinforcement learning |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190110231A KR102265380B1 (en) | 2019-09-05 | 2019-09-05 | Automatic grid generation method for blade using reinforcement learning |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210028993A KR20210028993A (en) | 2021-03-15 |
| KR102265380B1 true KR102265380B1 (en) | 2021-06-14 |
Family
ID=75134598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190110231A KR102265380B1 (en) | 2019-09-05 | 2019-09-05 | Automatic grid generation method for blade using reinforcement learning |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102265380B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002318823A (en) * | 2001-04-23 | 2002-10-31 | Honda Motor Co Ltd | Automatic generating method of structure lattice for fluid |
| KR100916246B1 (en) | 2008-12-31 | 2009-09-10 | 한국생산기술연구원 | Mesh generation method and computer-readable storage medium |
| JP2011134279A (en) * | 2009-12-25 | 2011-07-07 | Toshiba Corp | Device and method for generating lattice data, and storage medium storing lattice data generation program |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101040982B1 (en) * | 2008-12-31 | 2011-06-16 | 한국생산기술연구원 | Mesh generation method for boundary element and computer-readable storage medium |
| KR101517273B1 (en) | 2013-04-18 | 2015-05-04 | 창원대학교 산학협력단 | Analysis method of land using latticed creation program |
| KR101997140B1 (en) * | 2017-10-16 | 2019-07-05 | 두산중공업 주식회사 | Grid generation apparatus and method using artificial intelligence |
-
2019
- 2019-09-05 KR KR1020190110231A patent/KR102265380B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002318823A (en) * | 2001-04-23 | 2002-10-31 | Honda Motor Co Ltd | Automatic generating method of structure lattice for fluid |
| KR100916246B1 (en) | 2008-12-31 | 2009-09-10 | 한국생산기술연구원 | Mesh generation method and computer-readable storage medium |
| JP2011134279A (en) * | 2009-12-25 | 2011-07-07 | Toshiba Corp | Device and method for generating lattice data, and storage medium storing lattice data generation program |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210028993A (en) | 2021-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Prosvirnova et al. | The AltaRica 3.0 project for model-based safety assessment | |
| Pierret et al. | Turbomachinery blade design using a Navier–Stokes solver and artificial neural network | |
| US20210133378A1 (en) | Methods and systems for the estimation of the computational cost of simulation | |
| US11416654B2 (en) | Analysis apparatus using learned model and method therefor | |
| US10896270B2 (en) | Method for solving multi-fidelity optimization problems | |
| US20220100919A1 (en) | Probabilistic fatigue and blend limit assessment and visualization methods for airfoils | |
| Elshaer et al. | Aerodynamic shape optimization for corners of tall buildings using CFD | |
| CN110895729A (en) | Prediction method for construction period of power transmission line engineering | |
| KR102265380B1 (en) | Automatic grid generation method for blade using reinforcement learning | |
| Criado Risco et al. | Gradient-based wind farm layout optimization with inclusion and exclusion zones | |
| CN116388232B (en) | Wind power frequency modulation integrated inertia control method, system, electronic equipment and storage medium | |
| US11531795B2 (en) | Apparatus for optimizing flow analysis and method therefor | |
| Kirz | Surrogate based shape optimization of a low boom fuselage wing configuration | |
| KR101885828B1 (en) | Corrosion Prediction Method Of Building Using Modeling | |
| CN113971032B (en) | Full-process automatic deployment method and system of machine learning model for code generation | |
| KR101997140B1 (en) | Grid generation apparatus and method using artificial intelligence | |
| CN111159797B (en) | BIM-based general modeling method for mechanical model | |
| US6597355B1 (en) | Automatic recognition and suppression of complex interacting holes | |
| Jia et al. | A decoupled credibility-based design optimization method for fuzzy design variables by failure credibility surrogate modeling | |
| US11182515B2 (en) | Apparatus for diagnosing analysis and method therefor | |
| Nambiar et al. | Multidisciplinary Automation in Design of Turbine Vane Cooling Channels | |
| CN116882104B (en) | Machine tool weak link identification method and device, electronic equipment and storage medium | |
| CN115358097B (en) | Maximum thrust reliability analysis method for solid attitude and orbit control engine gas valve | |
| KR102101792B1 (en) | An apparatus for analyzing fluid dynamics and a method therefor | |
| Zhu et al. | A new Genetic Algorithm for aerodynamic design based on'geometric concept' |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |