KR102520732B1 - 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
- KR102520732B1 KR102520732B1 KR1020210057728A KR20210057728A KR102520732B1 KR 102520732 B1 KR102520732 B1 KR 102520732B1 KR 1020210057728 A KR1020210057728 A KR 1020210057728A KR 20210057728 A KR20210057728 A KR 20210057728A KR 102520732 B1 KR102520732 B1 KR 102520732B1
- Authority
- KR
- South Korea
- Prior art keywords
- flow analysis
- analysis data
- flow
- lattice points
- data
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
Abstract
본 발명은, 유동해석 데이터의 3차원 공간에 정의된 격자점 및 공간 응집성을 고려한 예측모델을 구현 및 이를 통해 3차원의 유동해석 데이터에서 중요한 유동 특징을 보여줄 가능성이 높은 격자점(씨드 포인트)을 추천함으로써, 3차원 유동해석 데이터에 대해 최적의 유동 흐름을 빠르게 가시화할 수 있도록 하는 유동해석 데이터 처리 기법(기술)에 관한 것이다.The present invention implements a prediction model considering the lattice points and spatial coherence defined in the 3D space of the flow analysis data, and through this, lattice points (seed points) that are highly likely to show important flow characteristics in the 3D flow analysis data By recommending it, it is about a flow analysis data processing technique (technology) that allows you to quickly visualize the optimal flow flow for 3D flow analysis data.
Description
본 발명은, 유동해석 데이터를 처리 및 가시화하는 기술에 관한 것으로, 더욱 상세하게는 3차원의 유동해석 데이터에서 중요한 유동 특징을 보여줄 가능성이 높은 격자점을 추천할 수 있는 기술에 관한 것이다.The present invention relates to a technique for processing and visualizing flow analysis data, and more particularly, to a technique for recommending grid points that are highly likely to show important flow characteristics in three-dimensional flow analysis data.
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 processing techniques for visualizing the flow of flow by interpreting 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 can describe the flow of flow throughout space in flow analysis data and intuitively understand the flow flow.
헌데, 스트림라인 기법은, 너무 많은 스트림라인을 시각화할 경우 시간이 오래 걸리고 서로 다른 유동 특징을 표출하는 스트림라인을 가리는 문제가 발생할 수 있다.However, the streamline technique takes a long time to visualize too many streamlines and may cause a problem of hiding streamlines expressing different flow characteristics.
이와 같은 문제 발생을 해결하기 위해서는, 유동의 중요한 특징을 함축적으로 표현할 수 있는 소수의 스트림라인을 선택해서 전시함으로써 시각화해야 하는데, 생성 가능한 많은 수의 스트림라인들 중 어느 스트림라인이 중요한 유동 특징을 보여주는지 판단하는 것은 어려운 문제이다.In order to solve this problem, it is necessary to select and display a small number of streamlines that can implicitly express the important characteristics of the flow and visualize it. It is a difficult matter to judge whether
이에, 유동해석 데이터의 모든 격자점에 대해 스트림라인을 생성하고, 각 스트림라인의 중요도를 계산한 뒤, 덜 중요한 스트림라인들을 가시화 대상에서 제외/필터링하는 방법을 통해 중요한 유동 특징의 스트림라인 만을 시각화하는 방식이 가능할 수 있다.Therefore, only streamlines of important flow characteristics are visualized through a method of generating streamlines for all lattice points of the flow analysis data, calculating the importance of each streamline, and then excluding/filtering less important streamlines from the visualization target. way to do it may be possible.
헌데, 이와 같은 방식은, 중요한 유동 특징의 스트림라인을 가시화하는데 소요 시간이 길어지게 되어, 인터랙티브 시간 내에 유동 흐름 가시화 처리가 불가능할 수 있는 또 다른 문제가 있다.However, this method takes a long time to visualize a streamline of an important flow feature, and there is another problem in that flow visualization processing may not be possible within an interactive time.
또한, 기존의 스트림라인 기법은 2차원 공간에 국한되어 활용되므로, 3차원으로 구성된 유동해석 데이터에 적용 시 3차원 공간에 정의된 격자점 및 공간 응집성을 고려하지 못하고 그 정확도가 떨어지는 한계를 갖는다.In addition, since the existing streamline technique is limited to a two-dimensional space, when applied to flow analysis data composed of three dimensions, it does not consider the lattice points and spatial coherence defined in the three-dimensional space, and has a limitation in that accuracy is low.
이에, 본 발명에서는, 3차원의 유동해석 데이터에서 중요한 유동 특징을 보여줄 가능성이 높은 격자점을 추천하는 새로운 방식의 처리 기법(기술)을 제안하여, 3차원 유동해석 데이터에 대해 최적의 유동 흐름을 빠르게 가시화할 수 있도록 하고자 한다.Therefore, the present invention proposes a new processing method (technology) that recommends grid points that are likely to show important flow characteristics in 3D flow analysis data, thereby providing an optimal flow flow for 3D flow analysis data. We want to make it visible quickly.
본 발명은 상기한 사정을 감안하여 창출된 것으로서, 본 발명에서 해결하고자 하는 과제는, 3차원의 유동해석 데이터에서 중요한 유동 특징을 보여줄 가능성이 높은 격자점을 추천함으로써, 3차원 유동해석 데이터에 대해 최적의 유동 흐름을 빠르게 가시화할 수 있도록 하는데 있다.The present invention was created in view of the above circumstances, and the problem to be solved in the present invention is to recommend lattice points that are highly likely to show important flow characteristics in 3D flow analysis data, It is intended to quickly visualize the optimal fluid flow.
상기 목적을 달성하기 위한 본 발명의 제 1 관점에 따른 유동해석 데이터 처리장치는, 3차원의 유동해석 데이터에 대하여, 학습 기반의 예측모델을 생성하는 모델생성부; 상기 예측모델을 이용하여, 유동 흐름 가시화 대상의 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 추천하는 격자점추천부; 및 상기 유동해석 데이터로부터 상기 추천한 격자점 전체 또는 일부와 관련된 스트림라인을 전시하여, 상기 유동해석 데이터에 대한 유동 흐름을 가시화하는 가시화부를 포함한다.A flow analysis data processing apparatus according to a first aspect of the present invention for achieving the above object includes a model generator for generating a learning-based predictive model for three-dimensional flow analysis data; an importance prediction unit that predicts an importance score for each of a plurality of lattice points constituting flow analysis data of a flow flow visualization target by using the prediction model; a lattice point recommendation unit that recommends lattice points to generate a streamline from the flow analysis data among the plurality of lattice points based on the predicted importance score for each lattice point; and a visualization unit displaying streamlines related to all or some of the recommended lattice points from the flow analysis data to visualize the flow of the flow analysis data.
구체적으로, 상기 모델생성부는, 학습할 유동해석 데이터에 대하여 LIC(Line Integral Convolution) 연산을 통해 3D LIC 데이터를 생성하고, 상기 학습할 유동해석 데이터를 구성하는 다수의 격자점 별로 스트림라인을 생성하여, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산하고, 회귀 기반의 지도학습을 통해, 상기 생성한 3D LIC 데이터를 입력 값으로 하고 상기 각 격자점에서 계산한 중요도 점수를 목표 값으로 하는 학습을 수행하여, 상기 예측모델을 생성할 수 있다.Specifically, the model generation unit generates 3D LIC data through LIC (Line Integral Convolution) operation for the flow analysis data to be learned, and creates a streamline for each of the plurality of grid points constituting the flow analysis data to be learned , Calculate the importance score for the streamline at each lattice point, and use the generated 3D LIC data as an input value and the importance score calculated at each lattice point as a target value through regression-based supervised learning Learning By performing, it is possible to generate the prediction model.
구체적으로, 상기 모델생성부는, LIC 연산 시 적용할 화이트 노이즈를 다수 개로 발생하고 상기 학습할 유동해석 데이터에 대한 LIC 연산 시 상기 다수 개의 화이트 노이즈를 적용하여, 상기 학습할 유동해석 데이터에 대하여 생성되는 3D LIC 데이터의 개수를 증가시킬 수 있다.Specifically, the model generation unit generates a plurality of white noise to be applied during LIC calculation and applies the plurality of white noise during LIC calculation for the flow analysis data to be learned, which is generated for the flow analysis data to be learned The number of 3D LIC data may be increased.
구체적으로, 상기 예측모델은, 입력되는 데이터를 다운 샘플링 및 업 샘플링하여 출력하는 3D U-net 구조를 가지며, 상기 다운 샘플링 및 업 샘플링은 정해진 횟수 만큼만 수행되고 다운 샘플링 중 최하단의 계층에서는 확장된 컨볼루션(dilated convolution)을 적용하도록 생성될 수 있다.Specifically, the prediction model has a 3D U-net structure that outputs input data after downsampling and upsampling. It can be generated to apply a dilated convolution.
구체적으로, 상기 격자점추천부는, 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 추천할 수 있다.Specifically, the lattice point recommendation unit extracts a streamline from the flow analysis data for n lattice points preset in order of high importance scores among the plurality of lattice points, based on the predicted importance score for each lattice point. It can be recommended as a grid point to be created.
구체적으로, 상기 가시화부는, 상기 유동해석 데이터로부터 상기 추천한 격자점 각각에서 생성된 스트림라인에 대한 중요도 점수를 계산하고, 상기 추천한 격자점의 스트림라인에 대해 계산한 중요도 점수를 기반으로, 상기 추천한 격자점의 스트림라인 중 계산한 중요도 점수가 높은 순서에 따라 기 설정된 m개의 스트림라인을 전시할 수 있다.Specifically, the visualization unit calculates an importance score for the streamline generated at each of the recommended lattice points from the flow analysis data, and based on the importance score calculated for the streamline of the recommended lattice point, Among the streamlines of the recommended lattice points, m preset streamlines may be displayed according to the order in which the calculated importance score is high.
상기 목적을 달성하기 위한 본 발명의 제 2 관점에 따른 하드웨어와 결합되어 다음의 단계를 실행시키기 위해 매체에 저장된 컴퓨터 프로그램은, 3차원의 유동해석 데이터에 대하여, 학습 기반의 예측모델을 생성하는 모델생성단계; 상기 예측모델을 이용하여, 유동 흐름 가시화 대상의 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 추천하는 격자점추천단계; 및 상기 유동해석 데이터로부터 상기 추천한 격자점 전체 또는 일부와 관련된 스트림라인을 전시하여, 상기 유동해석 데이터에 대한 유동 흐름을 가시화하는 가시화단계를 실행시킨다.A computer program stored in a medium to execute the following steps in combination with the hardware according to the second aspect of the present invention for achieving the above object is a model for generating a learning-based predictive model for three-dimensional flow analysis data. creation step; an importance prediction step of predicting importance scores for each of a plurality of lattice points constituting flow analysis data of a flow flow visualization target using the prediction model; a lattice point recommendation step of recommending lattice points to generate a streamline from the flow analysis data among the plurality of lattice points based on the predicted importance score for each lattice point; and displaying streamlines related to all or some of the recommended lattice points from the flow analysis data, and executing a visualization step of visualizing the flow of the flow analysis data.
구체적으로, 상기 모델생성단계는, 학습할 유동해석 데이터에 대하여 LIC(Line Integral Convolution) 연산을 통해 3D LIC 데이터를 생성하고, 상기 학습할 유동해석 데이터를 구성하는 다수의 격자점 별로 스트림라인을 생성하여, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산하고, 회귀 기반의 지도학습을 통해, 상기 생성한 3D LIC 데이터를 입력 값으로 하고 상기 각 격자점에서 계산한 중요도 점수를 목표 값으로 하는 학습을 수행하여, 상기 예측모델을 생성할 수 있다. Specifically, in the model generation step, 3D LIC data is generated through LIC (Line Integral Convolution) operation for the flow analysis data to be learned, and streamlines are generated for each of the plurality of lattice points constituting the flow analysis data to be learned So, the importance score for the streamline at each lattice point is calculated, and the generated 3D LIC data is used as an input value through regression-based supervised learning, and the importance score calculated at each lattice point is the target value By performing learning, the predictive model may be generated.
구체적으로, 상기 모델생성단계는, LIC 연산 시 적용할 화이트 노이즈를 다수 개로 발생하고 상기 학습할 유동해석 데이터에 대한 LIC 연산 시 상기 다수 개의 화이트 노이즈를 적용하여, 상기 학습할 유동해석 데이터에 대하여 생성되는 3D LIC 데이터의 개수를 증가시킬 수 있다.Specifically, the model generation step generates a plurality of white noise to be applied during LIC calculation and applies the plurality of white noise during LIC calculation for the flow analysis data to be learned to generate the flow analysis data to be learned It is possible to increase the number of 3D LIC data.
구체적으로, 상기 예측모델은, 입력되는 데이터를 다운 샘플링 및 업 샘플링하여 출력하는 3D U-net 구조를 가지며, 상기 다운 샘플링 및 업 샘플링은 정해진 횟수 만큼만 수행되고 다운 샘플링 중 최하단의 계층에서는 확장된 컨볼루션(dilated convolution)을 적용하도록 생성될 수 있다.Specifically, the prediction model has a 3D U-net structure that outputs input data after downsampling and upsampling. It can be generated to apply a dilated convolution.
구체적으로, 상기 격자점추천단계는, 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 추천할 수 있다.Specifically, in the lattice point recommending step, based on the predicted importance score for each lattice point, n lattice points preset according to the order of high importance scores among the plurality of lattice points are streamlined from the flow analysis data. can be recommended as a lattice point to generate.
구체적으로, 상기 가시화단계는, 상기 유동해석 데이터로부터 상기 추천한 격자점 각각에서 생성된 스트림라인에 대한 중요도 점수를 계산하고, 상기 추천한 격자점의 스트림라인에 대해 계산한 중요도 점수를 기반으로, 상기 추천한 격자점의 스트림라인 중 계산한 중요도 점수가 높은 순서에 따라 기 설정된 m개의 스트림라인을 전시할 수 있다.Specifically, the visualization step calculates the importance score for the streamline generated at each of the recommended lattice points from the flow analysis data, and based on the calculated importance score for the streamline of the recommended lattice point, Among the streamlines of the recommended lattice points, m streamlines set in advance may be displayed according to the order in which the calculated importance score is high.
상기 목적을 달성하기 위한 본 발명의 제 3 관점에 따른 유동해석 데이터 처리장치의 동작 방법은, 3차원의 유동해석 데이터에 대하여, 학습 기반의 예측모델을 생성하는 모델생성단계; 상기 예측모델을 이용하여, 유동 흐름 가시화 대상의 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 추천하는 격자점추천단계; 및 상기 유동해석 데이터로부터 상기 추천한 격자점 전체 또는 일부와 관련된 스트림라인을 전시하여, 상기 유동해석 데이터에 대한 유동 흐름을 가시화하는 가시화단계를 포함한다.A method of operating a flow analysis data processing apparatus according to a third aspect of the present invention for achieving the above object includes a model generation step of generating a learning-based predictive model for three-dimensional flow analysis data; an importance prediction step of predicting importance scores for each of a plurality of lattice points constituting flow analysis data of a flow flow visualization target using the prediction model; a lattice point recommendation step of recommending lattice points to generate a streamline from the flow analysis data among the plurality of lattice points based on the predicted importance score for each lattice point; and a visualization step of displaying streamlines related to all or some of the recommended lattice points from the flow analysis data to visualize the flow of the flow analysis data.
이에, 본 발명에 의하면, 유동해석 데이터의 3차원 공간에 정의된 격자점 및 공간 응집성을 고려한 예측모델을 구현 및 이를 통해 3차원의 유동해석 데이터에서 중요한 유동 특징을 보여줄 가능성이 높은 격자점을 추천하는 새로운 방식의 처리 기법(기술)을 구현하고 있다. Therefore, according to the present invention, a prediction model considering the lattice points defined in the 3D space of the flow analysis data and spatial coherence is implemented, and through this, lattice points that are highly likely to show important flow characteristics in the 3D flow analysis data are recommended. It implements a new way of processing techniques (techniques).
이로 인해, 본 발명에 의하면, Trial & Error의 반복 작업을 통해 스트림라인을 전시/시각화하는 방식 대신, 3차원의 유동해석 데이터에 대해 추천 기반의 최적 스트림라인 만을 전시함으로써 획기적으로 시간을 단축시켜 최적의 유동 흐름을 빠르게 가시화할 수 있다.For this reason, according to the present invention, instead of displaying/visualizing streamlines through repetitive work of Trial & Error, only recommendation-based optimal streamlines for 3D flow analysis data are displayed, thereby dramatically reducing time and optimizing flow can be quickly visualized.
이처럼, 본 발명에 따르면, 3차원의 유동해석 데이터에서 중요한 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.As such, according to the present invention, since it is possible to quickly visualize the optimal flow flow describing important flow characteristics in 3D flow analysis data, the effect of enabling fast visualization while minimizing trial and error, and thus time and processing The effect of reducing costs such as load can be expected.
도 1은 본 발명의 일 실시예에 따른 유동해석 데이터 처리장치의 구성을 보여주는 구성도이다.
도 2 및 도 3은 본 발명에서 제안하는 예측모델 및 예측모델 생성 시 이용하는 3D LIC 데이터를 생성하는 개념을 보여주는 예시도이다.
도 4는 본 발명에서 제안하는 예측모델의 구조를 설명하기 위한 예시도이다.
도 5는 본 발명의 실시예에 따른 컴퓨터 프로그램에 의해 실행되는 유동해석 데이터 처리 기법을 보여주는 흐름도이다.1 is a configuration diagram showing the configuration of a flow analysis data processing apparatus according to an embodiment of the present invention.
2 and 3 are exemplary diagrams showing the concept of generating a predictive model and 3D LIC data used in generating the predictive model proposed in the present invention.
4 is an exemplary diagram for explaining the structure of a predictive model proposed in the present invention.
5 is a flowchart showing 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 데이터의 유동 흐름을 가시화하는 기술에 관한 것이며, 유동해석 데이터의 유동 흐름을 가시화하기 위한 여러 처리 기법들 중 특히 스트림라인 기법과 관련이 있다.The present invention relates to a technique for visualizing the flow of flow analysis data, and is particularly related to a streamline technique among various processing techniques for visualizing the flow of 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 can describe the flow of flow throughout space in flow analysis data and intuitively understand the flow flow.
헌데, 스트림라인 기법은, 너무 많은 스트림라인을 시각화할 경우 시간이 오래 걸리고 서로 다른 유동 특징을 표출하는 스트림라인을 가리는 문제가 발생할 수 있다.However, the streamline technique takes a long time to visualize too many streamlines and may cause a problem of hiding streamlines expressing different flow characteristics.
이와 같은 문제 발생을 해결하기 위해서는, 유동의 중요한 특징을 함축적으로 표현할 수 있는 소수의 스트림라인을 선택해서 전시함으로써 시각화해야 하는데, 생성 가능한 많은 수의 스트림라인들 중 어느 스트림라인이 중요한 유동 특징을 보여주는지 판단하는 것은 어려운 문제이다.In order to solve this problem, it is necessary to select and display a small number of streamlines that can implicitly express the important characteristics of the flow and visualize it. It is a difficult matter to judge whether
이에, 유동해석 데이터의 모든 격자점에 대해 스트림라인을 생성하고, 각 스트림라인의 중요도를 계산한 뒤, 덜 중요한 스트림라인들을 가시화 대상에서 제외/필터링하는 방법을 통해 중요한 유동 특징의 스트림라인 만을 시각화하는 방식이 가능할 수 있다.Therefore, only streamlines of important flow characteristics are visualized through a method of generating streamlines for all lattice points of the flow analysis data, calculating the importance of each streamline, and then excluding/filtering less important streamlines from the visualization target. way to do it may be possible.
헌데, 이와 같은 방식은, 중요한 유동 특징의 스트림라인을 가시화하는데 소요 시간이 길어지게 되어, 인터랙티브 시간 내에 유동 흐름 가시화 처리가 불가능할 수 있는 또 다른 문제가 있다.However, this method takes a long time to visualize a streamline of an important flow feature, and there is another problem in that flow visualization processing may not be possible within an interactive time.
또한, 기존의 스트림라인 기법은 2차원 공간에 국한되어 활용되므로, 3차원으로 구성된 유동해석 데이터에 적용 시 3차원 공간에 정의된 격자점 및 공간 응집성을 고려하지 못하고 그 정확도가 떨어지는 한계를 갖는다.In addition, since the existing streamline technique is limited to a two-dimensional space, when applied to flow analysis data composed of three dimensions, it does not consider the lattice points and spatial coherence defined in the three-dimensional space, and has a limitation in that accuracy is low.
이에, 본 발명에서는, 3차원의 유동해석 데이터에서 중요한 유동 특징을 보여줄 가능성이 높은 격자점을 추천하는 새로운 방식의 처리 기법(기술)을 제안하여, 3차원 유동해석 데이터에 대해 최적의 유동 흐름을 빠르게 가시화할 수 있도록 하고자 한다.Therefore, the present invention proposes a new processing method (technology) that recommends grid points that are likely to show important flow characteristics in 3D flow analysis data, thereby providing an optimal flow flow for 3D flow analysis data. We want to make it visible quickly.
구체적인 설명에 앞서, 본 발명에서 제안하는 유동해석 데이터 처리 기법의 주요 개념을 설명하면, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)에서 각 격자점에서의 스트림라인 중요도 점수를 예측하기 위한 회귀 기반 지도학습(예: 딥 러닝)의 네트워크 모델(일명, 예측모델)을 구현하는 주요 특징을 갖는다.Prior to the detailed description, the main concept of the flow analysis data processing technique proposed in the present invention will be described. It has the main feature of implementing a network model (aka prediction model) of regression-based supervised learning (eg, deep learning).
더 나아가, 본 발명에서는, 전술의 예측모델에 대한 학습 속도 및 정확도를 향상시키기 위해, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)로부터 학습을 위한 입력 값을 생성하는 방식 및 학습을 위한 입력 값을 증가시키는 방식에서 주요 특징을 갖는다.Furthermore, in the present invention, in order to improve the learning speed and accuracy of the above-described predictive model, a method for generating input values for learning from three-dimensional flow analysis data (eg, velocity vector field data) and for learning It has a main feature in the way it increases the input value.
이하에서는, 도 1을 참조하여 본 발명에서 제안하는 유동해석 데이터 처리 기법(기술)을 실현하기 위한 유동해석 데이터 처리장치의 구성을 구체적으로 설명하겠다.Hereinafter, with reference to FIG. 1, the configuration of a flow analysis data processing apparatus for realizing the flow analysis data processing technique (technology) proposed in the present invention will be described in detail.
도 1에 도시된 바와 같이, 본 발명의 유동해석 데이터 처리장치(100)는, 모델생성부(110), 중요도예측부(120), 격자점추천부(130), 가시화부(140)를 포함하는 구성으로 이루어진다.As shown in FIG. 1, the flow analysis
그리고, 본 발명의 유동해석 데이터 처리장치(100)는, 전술한 구성 이외에, 유동해석 데이터가 별도의 외부 DB에서 제공되거나 또는 위 구성 중 가시화부(140)가 별도의 외부 디바이스(미도시)에 구현될 경우, 유동해서 데이터를 획득하기 위해 DB와 통신하는 기능 또는 전시를 위해 선택된 스트림라인을 외부 디바이스(미도시, 가시화부(140))으로 전달하기 위한 통신 기능을 담당하는 등, 외부와의 통신 기능을 담당하는 통신부(150)의 구성을 더 포함할 수 있다.And, 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 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, a command executed by a processor that controls operation within the flow analysis
결국, 본 발명의 일 실시예에 따른 유동해석 데이터 처리장치(100)은 전술한 구성을 통해, 본 발명에서 제안하는 기술 즉 3차원의 유동해석 데이터에서 중요한 유동 특징을 보여줄 가능성이 높은 격자점을 추천할 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 technical configuration in the flow analysis
모델생성부(110)는, 3차원의 유동해석 데이터에 대하여, 학습 기반의 예측모델을 생성하는 기능을 수행한다.The
앞서 언급한 바 있듯이, 본 발명에서는, 3차원 공간에 정의된 격자점 및 공간 응집성을 고려하여, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)에서 각 격자점에서의 스트림라인 중요도 점수를 예측하기 위한 네트워크 모델(예측모델)을 구현 및 이를 활용하고자 한다.As mentioned above, in the present invention, considering the lattice points and spatial coherence defined in the 3-dimensional space, the streamline importance score at each lattice point in the 3-dimensional flow analysis data (eg, velocity vector field data) We want to implement and utilize a network model (prediction model) for prediction.
이하에서는, 본 발명에서 제안하는 예측모델을 생성/구현하는 과정에 대해 구체적으로 설명하겠다.Hereinafter, the process of generating/implementing the predictive model proposed in the present invention will be described in detail.
모델생성부(110)는, 학습할 3차원의 유동해석 데이터(예: 속도벡터장 데이터)에 대하여, LIC(Line Integral Convolution) 연산을 통해 3D LIC 데이터를 생성한다.The
구체적으로 설명하면, LIC는, 텍스처 합성 기술로서, 저역 통과 필터를 사용하여 입력 데이터의 픽셀 중심 대칭을 따라 노이즈 텍스처를 컨볼루션(Convolution)하는 방식으로 텍스처를 합성할 수 있다.Specifically, LIC, as a texture synthesis technology, may synthesize a texture by using a low-pass filter to convolve a noise texture along the pixel center symmetry of input data.
본 발명에서 제안하는 예측모델에 3차원의 유동해석 데이터(예: 속도벡터장 데이터)를 그대로 입력할 경우, 많은 연산을 필요로 하기 때문에 학습 시라면 CPU 메모리 부족, 처리 부하 상승 등의 상황과 이로 인한 학습 속도 저하가 야기될 수 있으며, 실험 시라면 예측모델 기반의 결과 도출의 속도 저하가 야기될 수 있다.In the case of inputting three-dimensional flow analysis data (eg, velocity vector field data) as it is to the prediction model proposed in the present invention, many calculations are required, so during learning, situations such as CPU memory shortage and processing load increase, and this This can cause a slowdown in learning speed, and a slowdown in the speed of deriving results based on predictive models during experiments.
이에, 본 발명에서는, 전술과 같이 제안하는 예측모델에 3차원의 유동해석 데이터(예: 속도벡터장 데이터)를 그대로 입력할 경우 야기될 수 있는 학습 속도 저하 및 결과 도출 속도 저하를 해결하기 위해, LIC 기술을 활용하여 예측모델을 생성하고자 한다.Accordingly, in the present invention, in order to solve the slowdown in learning speed and the slowdown in deriving results that may be caused when three-dimensional flow analysis data (eg, velocity vector field data) is input as it is to the proposed prediction model as described above, We want to create a predictive model using LIC technology.
다시 본 발명에서 예측모델을 생성/구현하는 과정을 설명하면, 모델생성부(110)는, 학습할 3차원의 유동해석 데이터(예: 속도벡터장 데이터)에 대하여, LIC 연산을 통해 3D LIC 데이터를 생성한다.Referring again to the process of generating/implementing the predictive model in the present invention, the
구체적인 일 예를 설명하면, 모델생성부(110)는, LIC 연산 시 적용할 화이트 노이즈를 발생하고, 정의된 LIC 연산 절차에 따라 학습할 3차원의 유동해석 데이터(예: 속도벡터장 데이터)에 대해 화이트 노이즈를 적용/컨볼루션(Convolution)함으로써, 학습할 3차원의 유동해석 데이터(예: 속도벡터장 데이터)로부터 3D LIC 데이터를 생성할 수 있다.To explain a specific example, the
도 2 및 도 3은 본 발명에서 제안하는 예측모델 및 3D LIC 데이터를 생성하는 개념을 보여주고 있으며, 특히 도 3은 3D LIC 데이터를 생성하는 과정을 보여주고 있다.2 and 3 show the concept of generating the predictive model and 3D LIC data proposed in the present invention, and in particular, FIG. 3 shows the process of generating 3D LIC data.
도 3에 도시된 바와 같이, 본 발명에서는, 학습할 3차원의 유동해석 데이터 예컨대 속도벡터장 데이터(A)에 대해 화이트 노이즈(N)를 적용/컨볼루션(Convolution)함으로써, 학습할 3차원의 속도벡터장 데이터(A)로부터 3D LIC 데이터(B)를 생성할 수 있다.As shown in FIG. 3, in the present invention, by applying / convolving white noise (N) to 3-dimensional flow analysis data to be learned, for example, velocity vector field data (A), 3D LIC data (B) can be generated from the velocity vector field data (A).
이렇게 학습할 3차원의 유동해석 데이터(예: 속도벡터장 데이터)로부터 생성한 3D LIC 데이터(도 2의 (B))는, 예측모델을 생성/구현하는데 학습을 위한 입력 값으로 활용된다.The 3D LIC data (FIG. 2(B)) generated from the three-dimensional flow analysis data (eg, velocity vector field data) to be learned is used as an input value for learning to create / implement a predictive model.
한편, 모델생성부(110)는, 학습할 3차원의 유동해석 데이터(예: 속도벡터장 데이터)를 구성하는 다수의 격자점 별로 스트림라인을 생성하여, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산한다.On the other hand, the
여기서, 중요도 점수란, 중요한 유동 특징을 보여줄 가능성(확률)로 이해할 수 있고, 각 격자점에서 생성되는 스트림라인이 얼마나 중요한 유동 특징을 갖는 스트림라인인지를 정량화한 척도라 할 수 있다.Here, the importance score can be understood as a possibility (probability) of showing an important flow feature, and can be referred to as a quantification scale of how important a streamline generated at each lattice point is as a streamline having an important flow feature.
일 실시예에 따르면, 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.According to an embodiment, the importance score for a streamline calculated to generate a predictive model is a twist score calculated based on the volume of an alignment bounding box for the streamline, the number of segments of the streamline, and the angle between the segments. can be calculated using
구체적으로 설명하면, 모델생성부(110)는, 학습할 3차원의 유동해석 데이터(예: 속도벡터장 데이터)의 모든 격자점에서 스트림라인을 계산 및 생성한 후, 각 격자점에서의 스트림라인에 대한 중요도 점수를 다음 수학식 1에 따라 계산할 수 있다.Specifically, the
이때, 스트림라인의 꼬임점수(Spirality)는, 스트림라인을 구성하는 연속된 두 선 세그먼트 사이에 포함된 모든 각도(θ)의 합을 의미하며, 다음 수학식 2로 정의할 수 있다.At this time, the spirality of the streamline means the sum of all angles θ included between two consecutive line segments constituting the streamline, and can be defined by
그리고, 스트림라인의 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.And, the coverage of a streamline means the minimum area that includes all segments constituting the streamline, and can be understood as the volume of an Axis-Aligned Bounding Box (AABB) for the streamline. .
이상과 같이, 일 실시예에 따르면, 모델생성부(110)는, 학습할 3차원의 유동해석 데이터(예: 속도벡터장 데이터)의 모든 격자점 별로, 해당 격자점에서의 각 스트림라인에 대한 중요도 점수를 계산할 수 있다.As described above, according to one embodiment, the
물론, 본 발명에서는, 유동해석 데이터(예: 속도벡터장 데이터)의 격자점 별 스트림라인의 중요도 점수 계산 방식을, 전술의 실시예에 따른 계산 방식으로 한정하지 않으며, 전술의 실시예 외에도 다양한 방식을 채택하여 중요도 점수를 계산할 수 있다.Of course, in the present invention, the method of calculating the importance score of the streamline for each lattice point of the flow analysis data (eg, velocity vector field data) is not limited to the calculation method according to the above-described embodiment, and various methods other than the above-described embodiment can be used to calculate the importance score.
이렇게 계산한 유동해석 데이터(예: 속도벡터장 데이터)의 격자점 별 스트림라인의 중요도 점수(도 2의 (D))는, 예측모델을 생성/구현하는데 있어 예측모델 입력 값이 도달해야 하는 목표 값(또는 정답 값)으로서 활용된다.The importance score ((D) of FIG. 2) of the streamline for each lattice point of the flow analysis data (eg, velocity vector field data) calculated in this way is the target that the input value of the prediction model must reach in creating/implementing the prediction model. It is used as a value (or correct answer value).
이후, 모델생성부(110)는, 회귀 기반의 지도학습을 통해, 앞서 생성한 3D LIC 데이터를 입력 값으로 하고 앞서 각 격자점에서 계산한 중요도 점수를 목표 값으로 하는 학습을 수행하여, 예측모델 즉 3차원의 유동해석 데이터(예: 속도벡터장 데이터)에서 각 격자점에서의 스트림라인 중요도 점수를 예측하기 위한 예측모델을 생성한다.Thereafter, the
즉, 모델생성부(110)는, 회귀 기법을 사용한 지도학습(예: 딥 러닝) 기반의 네트워크 모델을 생성하고, 이렇게 생성한 네트워크 모델로, 앞서 생성한 3D LIC 데이터를 입력 값으로 하고 앞서 각 격자점에서 계산한 각 스트림라인에 대한 중요도 점수를 목표 값(또는 정답 값)으로 하는 학습을 수행하여, 그 학습 수행의 결과로 예측모델을 생성할 수 있다.That is, the
도 2는 본 발명에서 제안하는 예측모델을 생성하는 과정을 보여주고 있다.2 shows a process of generating a predictive model proposed in the present invention.
도 2에 도시된 바와 같이, 본 발명에서는, 회귀 기법을 사용한 지도학습(예: 딥 러닝) 기반의 네트워크 모델로, 앞서 학습할 3차원의 유동해석 데이터 예컨대 속도벡터장 데이터(A)로부터 생성한 3D LIC 데이터(B)를 입력 값으로 하고 앞서 각 격자점에서 계산한 각 스트림라인에 대한 중요도 점수(D)를 목표 값(또는 정답 값)으로 하는 학습을 수행함으로써, 그 학습 수행의 결과로 예측모델(C)을 생성할 수 있다.As shown in FIG. 2, in the present invention, a network model based on supervised learning (eg, deep learning) using a regression technique, generated from three-dimensional flow analysis data to be learned previously, such as velocity vector field data (A) By performing learning with 3D LIC data (B) as an input value and the importance score (D) for each streamline calculated at each lattice point as a target value (or correct answer value), the result of the learning is predicted Model (C) can be created.
이상, 본 발명에서는, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)의 각 격자점에서 생성되는 스트림라인이 중요한 유동 특징을 보여줄 가능성(확률)으로서의 중요도 점수를 미리 예측하기 위한 회귀 기반 지도학습(예: 딥 러닝)의 예측모델을 생성/구축할 수 있다.As described above, in the present invention, a regression-based map for predicting an importance score as a possibility (probability) that a streamline generated at each lattice point of three-dimensional flow analysis data (eg, velocity vector field data) will show an important flow feature. A predictive model for learning (e.g., deep learning) can be created/built.
특히, 본 발명에서는, 유동해석 데이터의 3차원 공간에 정의된 격자점 및 공간 응집성을 감안하여, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)로부터 학습을 위한 입력 값을 생성하는데 있어 LIC 기술을 활용하는 방식을 실현해 냄으로써, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)를 그대로 입력할 경우 야기될 수 있는 학습 속도 저하 및 결과 도출 속도 저하를 해결하고 있다.In particular, in the present invention, considering the lattice points and spatial coherence defined in the 3-dimensional space of the flow analysis data, LIC in generating input values for learning from 3-dimensional flow analysis data (eg, velocity vector field data) By realizing a method of utilizing technology, it is solving the slowdown in learning speed and result derivation that can be caused by inputting three-dimensional flow analysis data (eg, velocity vector field data) as it is.
한편, 본 발명에서는, 학습을 위한 입력 값을 증가시키는 방식에서도 주요 특징을 갖는다.Meanwhile, in the present invention, a method of increasing an input value for learning also has a main feature.
이를 위한 구체적인 구성을 설명하면, 모델생성부(110)는, LIC 연산 시 적용할 화이트 노이즈를 다수 개로 발생하고, 학습할 3차원의 유동해석 데이터(예: 속도벡터장 데이터)에 대한 LIC 연산 시 다수 개의 화이트 노이즈를 적용/컨볼루션(Convolution)함으로써, 학습할 3차원의 유동해석 데이터(예: 속도벡터장 데이터)로부터 생성되는 3D LIC 데이터의 개수를 증가시킬 수 있다.Describing a specific configuration for this, the
예컨대, 모델생성부(110)는, LIC 연산 시 적용할 화이트 노이즈를 무작위로 다수 개를 발생하여, 화이트 노이즈 볼륨을 증가시킬 수 있다.For example, the
이에, 모델생성부(110)는, 학습할 3차원의 유동해석 데이터 예컨대 속도벡터장 데이터(A)에 대해 무작위로 발생한 다수 개의 화이트 노이즈(N,??)를 적용/컨볼루션(Convolution)함으로써, 학습할 3차원의 속도벡터장 데이터(A)로부터 생성되는 3D LIC 데이터(B)의 개수를 증가시킬 수 있다.Accordingly, the
이렇게 되면, 본 발명에서는, 회귀 기법을 사용한 지도학습(예: 딥 러닝) 기반의 네트워크 모델로 입력할 학습을 위한 입력 값 생성 시, 학습할 3차원의 단일 속도벡터장 데이터(A)로부터 다수 개의 3D LIC 데이터(B,??)를 생성하여 입력 값의 개수를 증가시킴으로써, 이에 근거한 학습 수행의 결과로 생성하는 예측모델(C)의 정확도를 높일 수 있다.In this case, in the present invention, when generating an input value for learning to be input to a network model based on supervised learning (eg, deep learning) using a regression technique, a plurality of three-dimensional single velocity vector field data (A) to be learned are generated. By generating 3D LIC data (B,??) and increasing the number of input values, it is possible to increase the accuracy of the predictive model (C) generated as a result of performing learning based thereon.
이렇듯, 본 발명에서는, 유동해석 데이터의 3차원 공간에 정의된 격자점 및 공간 응집성을 감안하여, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)로부터 학습을 위한 입력 값을 생성하는데 있어 LIC 기술을 활용하는 방식을 실현하면서 학습을 위한 입력 값의 개수를 증가시키는 방식까지 실현해 냄으로써, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)를 그대로 입력할 경우 야기될 수 있는 학습 속도 저하 및 결과 도출 속도 저하를 해결하면서 예측모델의 정확도 역시 높일 수 있다. As such, in the present invention, considering the lattice points and spatial coherence defined in the 3-dimensional space of the flow analysis data, LIC in generating input values for learning from 3-dimensional flow analysis data (eg velocity vector field data) By realizing a method of utilizing technology and even a method of increasing the number of input values for learning, it reduces the learning speed that can be caused by inputting 3-dimensional flow analysis data (e.g., velocity vector field data) as it is. And the accuracy of the predictive model can also be increased while solving the slowdown in the result derivation speed.
더 나아가, 본 발명에서 생성/구축한 예측모델(C)은, 입력되는 데이터(입력 값)를 다운 샘플링 및 업 샘플링하여 출력하는 3D U-net 구조를 가지며, 다운 샘플링 및 업 샘플링은 정해진 횟수 만큼만 수행되고 다운 샘플링 중 최하단의 계층에서는 확장된 컨볼루션(dilated convolution)을 적용하도록 생성될 수 있다.Furthermore, the prediction model (C) generated/constructed in the present invention has a 3D U-net structure that outputs input data (input values) by downsampling and upsampling, and downsampling and upsampling are performed only a set number of times. It can be generated so that dilated convolution is applied in the lowermost layer during downsampling.
도 4는 본 발명에서 제안하는 예측모델(C)의 구조를 보여주고 있다.Figure 4 shows the structure of the predictive model (C) proposed in the present invention.
도 4에서 알 수 있듯이, 본 발명에서 3차원의 유동해석 데이터(예: 속도벡터장 데이터)에서 각 격자점 별 스트림라인 중요도 점수를 예측하기 위해 생성/구축하는 예측모델(C)은, 기본적으로 U-net 구조를 가지는 3D U-net 구조를 생성된다.As can be seen in FIG. 4, the prediction model (C) generated/constructed to predict the streamline importance score for each lattice point in the three-dimensional flow analysis data (eg, velocity vector field data) in the present invention is basically A 3D U-net structure having a U-net structure is created.
그리고, 본 발명에서는, 기존 U-net에서 3차원의 유동해석 데이터(예: 속도벡터장 데이터) 적용 시 CPU 메모리 부족, 처리 부하 상승 등의 상황 발생을 완화하기 위해, Dilated convolution을 적용하고 있다.And, in the present invention, dilated convolution is applied to alleviate situations such as insufficient CPU memory and increased processing load when three-dimensional flow analysis data (eg, velocity vector field data) is applied in the existing U-net.
구체적인 Dilated convolution 적용 실시예를 설명하면, 도 4에 도시된 바와 같이, 본 발명에서 예측모델(C, 3D U-net)은, 다운 샘플링 및 업 샘플링은 정해진 횟수 예컨대 2회 만큼만 수행되고, 다운 샘플링 중 최하단의 계층에서는 Dilated convolution(예: Dilated Conv3d 3×3×3, ReLU)을 적용하도록 생성될 수 있다.Describing a specific dilated convolution application example, as shown in FIG. 4, in the prediction model (C, 3D U-net) in the present invention, downsampling and upsampling are performed only a predetermined number of times, for example, twice, and downsampling In the lowermost layer, dilated convolution (eg,
이상, 본 발명에서는, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)의 각 격자점에서 생성되는 스트림라인이 중요한 유동 특징을 보여줄 가능성(확률)으로서의 중요도 점수를 미리 예측하기 위한 예측모델을 생성/구축하되, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)가 갖는 3차원 공간에 정의된 격자점 및 공간 응집성을 고려하여 Dilated convolution를 적용한 3D U-net 구조의 예측모델을 구축할 수 있다.As described above, in the present invention, a predictive model for predicting the importance score as a possibility (probability) that a streamline generated at each lattice point of three-dimensional flow analysis data (eg, velocity vector field data) will show an important flow feature While creating/constructing, a prediction model of a 3D U-net structure applying Dilated convolution is constructed considering the lattice points and spatial coherence defined in the 3D space of the 3D flow analysis data (e.g. velocity vector field data). can
중요도예측부(120)는, 모델생성부(110)에서 생성한 예측모델(C, 3D U-net)을 이용하여, 유동 흐름 가시화 대상의 유동해석 데이터(이하, 실험 속도벡터장 데이터)를 구성하는 다수의 격자점 별 중요도 점수를 예측하는 기능을 수행한다.The
구체적으로 설명하면, 중요도예측부(120)는, 유동 흐름 가시화 대상인 3차원의 유동해석 데이터 즉 실험 속도벡터장 데이터에 대하여, 전술의 학습을 위한 입력 값 생성 시와 같은 방식으로, LIC 연산을 통해 3D LIC 데이터를 생성한다.Specifically, the
그리고, 중요도예측부(120)는, 실험 속도벡터장 데이터로부터 생성한 3D LIC 데이터를 입력 값으로서 예측모델(C, 3D U-net)에 입력하고 예측모델(C, 3D U-net)에서 출력되는 각 격자점 별 중요도 점수를 획득함으로써, 획득한 각 격자점 별 중요도 점수를 실험 속도벡터장 데이터의 각 격자점 별 중요도 점수인 것으로 예측할 수 있다.Then, the
격자점추천부(130)는, 중요도예측부(120)에서 예측한 격자점 별 중요도 점수를 기반으로, 실험 속도벡터장 데이터에 대한 다수의 격자점 중 실험 속도벡터장 데이터로부터 스트림라인을 생성할 격자점을 추천하는 기능을 수행한다.The lattice
구체적으로, 격자점추천부(130)는, 중요도예측부(120)에서 예측한 격자점 별 중요도 점수를 기반으로, 실험 속도벡터장 데이터에 대한 다수의 격자점 중 중요도 점수가 높은 순서에 따라 기 설정된 n개의 격자점을, 금번 실험 속도벡터장 데이터로부터 스트림라인을 생성할 격자점으로 추천할 수 있다.Specifically, the lattice
예를 들면, 추천할 격자점의 개수 n개는, 기 설정되거나 사용자에 의해 입력될 수 있다.For example, the number n of lattice points to be recommended may be preset or input by the user.
이에, 격자점추천부(130)는, 중요도예측부(120)에서 예측한 격자점 별 중요도 점수를 기반으로, 실험 속도벡터장 데이터에 대한 다수의 격자점 중 중요도 점수가 가장 높은 격자점부터 n개의 격자점을 선택하고, 선택한 n개의 격자점을 추천할 수 있다.Therefore, the lattice
이렇게 실험 속도벡터장 데이터에 대해 추천되는 n개의 격자점은, 예측모델(C, 3D U-net)을 기반으로, 금번 실험 속도벡터장 데이터의 각 격자점 중 중요한 유동 특징을 보여줄 가능성(확률)이 가장 큰 n개의 스트림라인을 생성할 수 있는 것으로 예측된 격자점을 의미한다.The n lattice points recommended for the experimental velocity vector field data are likely (probability) to show important flow characteristics among each lattice point of the experimental velocity vector field data, based on the prediction model (C, 3D U-net) It means the lattice point predicted to be able to generate the largest number of n streamlines.
가시화부(130)는, 유동 흐름 가시화 대상인 3차원의 유동해석 데이터 즉 실험 속도벡터장 데이터로부터 격자점추천부(130)가 추천한 격자점 전체 또는 일부와 관련된 스트림라인을 전시하여, 금번 실험 속도벡터장 데이터에 대한 유동 흐름을 가시화하는 기능을 수행한다.The
구체적으로 설명하면, 가시화부(130)는, 실험 속도벡터장 데이터로부터 격자점추천부(130)가 추천한 n개의 격자점 각각에서 생성된 스트림라인에 대한 중요도 점수를 계산한다.Specifically, the
즉, 가시화부(130)는, 실험 속도벡터장 데이터로부터 격자점추천부(130)가 추천한 n개의 격자점에 대해서만 격자점의 스트림라인을 생성하고, 이렇게 생성한 n개의 스트림라인에 대한 중요도 점수를 실제로 계산한다.That is, the
이때, 가시화부(130)는, 전술의 모델생성부(110)에서 격자점의 스트림라인을 생성하고 격자점에서 생성한 스트림라인의 중요도 점수를 계산하는 방식과 동일한 방식으로, 격자점추천부(130)가 추천한 n개의 격자점 각각에 대해서 격자점의 스트림라인을 생성하고 생성한 n개의 스트림라인에 대한 중요도 점수를 실제로 계산할 수 있다.At this time, the
그리고, 가시화부(130)는, 추천한 n개의 격자점 별 스트림라인에 대해 계산한 중요도 점수를 기반으로, 추천한 n개의 격자점의 스트림라인 중 계산한 중요도 점수가 높은 순서에 따라 기 설정된 m개의 스트림라인을 전시할 수 있다.Then, the
예를 들면, 전시할 스트림라인의 개수 m개는, 기 설정되거나 사용자에 의해 입력될 수 있다.For example, the number m of streamlines to be displayed may be preset or input by the user.
즉, 가시화부(130)는, 추천한 n개의 격자점 별로 실제 계산한 스트림라인의 중요도 점수가 가장 높은 스트림라인부터 m개의 스트림라인을 선택하고, 선택한 m개의 스트림라인을 전시하여 가시화하는 것이다.That is, the
이상 설명한 바와 같이, 본 발명에 의하면, 유동해석 데이터의 3차원 공간에 정의된 격자점 및 공간 응집성을 고려한 예측모델을 구현 및 이를 통해 3차원의 유동해석 데이터에서 중요한 유동 특징을 보여줄 가능성이 높은 격자점(씨드 포인트)을 추천하는 새로운 방식의 처리 기법(기술)을 구현하고 있다. As described above, according to the present invention, a prediction model considering the lattice points and spatial coherence defined in the 3D space of the flow analysis data is implemented, and through this, a grid that is highly likely to show important flow characteristics in the 3D flow analysis data It implements a new type of processing technique (technology) that recommends points (seed points).
이로 인해, 본 발명에 의하면, Trial & Error의 반복 작업을 통해 스트림라인을 전시/시각화하는 방식 대신, 3차원의 유동해석 데이터에 대해 추천 기반의 최적 스트림라인 만을 전시함으로써 획기적으로 시간을 단축시켜 최적의 유동 흐름을 빠르게 가시화할 수 있다.For this reason, according to the present invention, instead of displaying/visualizing streamlines through repetitive work of Trial & Error, only recommendation-based optimal streamlines for 3D flow analysis data are displayed, thereby dramatically reducing time and optimizing flow can be quickly visualized.
이처럼, 본 발명에 따르면, 3차원의 유동해석 데이터에서 중요한 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.As such, according to the present invention, since it is possible to quickly visualize the optimal flow flow describing important flow characteristics in 3D flow analysis data, the effect of enabling fast visualization while minimizing trial and error, and thus time and processing The effect of reducing costs such as load can be expected.
이하에서는, 도 5을 참조하여, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법(기술)을 설명하겠다.Hereinafter, with reference to FIG. 5, a flow analysis data processing technique (technology) according to an embodiment of the present invention will be described.
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.Such a flow analysis data processing technique (technique) according to an embodiment of the present invention is executed by a computer program according to an 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 3차원의 유동해석 데이터(예: 속도벡터장 데이터)에 대하여, LIC(Line Integral Convolution) 연산을 통해 3D LIC 데이터를 생성한다(S10).According to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
구체적으로 설명하면, 본 발명에서는, 전술과 같이 제안하는 예측모델에 3차원의 유동해석 데이터(예: 속도벡터장 데이터)를 그대로 입력할 경우 야기될 수 있는 학습 속도 저하 및 결과 도출 속도 저하를 해결하기 위해, LIC 기술을 활용하여 예측모델을 생성하고자 한다.Specifically, in the present invention, as described above, the proposed prediction model solves the slowdown in the learning speed and the slowdown in the result derivation that may occur when three-dimensional flow analysis data (eg, velocity vector field data) is input as it is. To do this, we want to create a predictive model using LIC technology.
즉, 유동해석 데이터 처리장치(100)는, LIC 연산 시 적용할 화이트 노이즈를 발생하고, 정의된 LIC 연산 절차에 따라 학습할 3차원의 유동해석 데이터 즉 속도벡터장 데이터에 대해 화이트 노이즈를 적용/컨볼루션(Convolution)함으로써, 학습할 속도벡터장 데이터로부터 3D LIC 데이터를 생성할 수 있다.That is, the flow analysis
본 발명에서는, 학습을 위한 입력 값(예: 3D LIC 데이터(B))의 개수를 증가시켜, 이에 근거한 학습 수행의 결과로 생성하는 예측모델(C)의 정확도를 높이는 방식에서도 주요 특징을 갖는다.In the present invention, the method of increasing the number of input values for learning (eg, 3D LIC data (B)) to increase the accuracy of the predictive model (C) generated as a result of performing learning based thereon has a key feature.
이를 위한 구체적인 구성을 설명하면, 유동해석 데이터 처리장치(100)는, S10단계에서 LIC 연산 시 적용할 화이트 노이즈를 다수 개로 발생하고, 학습할 3차원의 유동해석 데이터 즉 속도벡터장 데이터에 대한 LIC 연산 시 다수 개의 화이트 노이즈를 적용/컨볼루션(Convolution)함으로써, 학습할 속도벡터장 데이터로부터 생성되는 3D LIC 데이터의 개수를 증가시킬 수 있다.Explaining the specific configuration for this, the flow analysis
예컨대, 유동해석 데이터 처리장치(100)는, LIC 연산 시 적용할 화이트 노이즈를 무작위로 다수 개를 발생하여, 화이트 노이즈 볼륨을 증가시킬 수 있다.For example, the flow analysis
이에, 도 3을 참조하여 설명하면, 유동해석 데이터 처리장치(100)는, 학습할 3차원의 유동해석 데이터 예컨대 속도벡터장 데이터(A)에 대해 무작위로 발생한 다수 개의 화이트 노이즈(N,??)를 적용/컨볼루션(Convolution)함으로써, 학습할 3차원의 속도벡터장 데이터(A)로부터 생성되는 3D LIC 데이터(B)의 개수를 증가시킬 수 있다.Therefore, referring to FIG. 3, the flow analysis
이렇게 학습할 3차원의 유동해석 데이터(예: 속도벡터장 데이터)로부터 생성한 3D LIC 데이터(도 2의 (B))는, 예측모델을 생성/구현하는데 학습을 위한 입력 값으로 활용된다.The 3D LIC data (FIG. 2(B)) generated from the three-dimensional flow analysis data (eg, velocity vector field data) to be learned is used as an input value for learning to create / implement a predictive model.
한편, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 학습할 속도벡터장 데이터를 구성하는 다수의 격자점 별로 스트림라인을 생성하여, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산한다(S20).On the other hand, according to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
본 발명에서는, 유동해석 데이터(예: 속도벡터장 데이터)의 격자점 별 스트림라인의 중요도 점수 계산 방식을, 전술의 수학식 1,2를 이용하는 실시예의 계산 방식으로 채택할 수 있으나, 이에 한정하지 않으며 전술의 실시예 외에도 다양한 방식을 채택하여 중요도 점수를 계산할 수 있다.In the present invention, the method of calculating the importance score of the streamline for each lattice point of the flow analysis data (eg, velocity vector field data) may be adopted as the calculation method of the
이렇게 계산한 속도벡터장 데이터의 격자점 별 스트림라인의 중요도 점수(도 2의 (D))는, 예측모델을 생성/구현하는데 있어 예측모델 입력 값이 도달해야 하는 목표 값(또는 정답 값)으로서 활용된다.The importance score ((D) of FIG. 2) of each lattice point of the velocity vector field data calculated in this way is a target value (or correct answer value) that the predictive model input value must reach in generating/implementing the predictive model. It is utilized.
본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 회귀 기반의 지도학습을 통해, 앞서 S10단계에서 생성한 3D LIC 데이터를 입력 값으로 하고 앞서 S20단계에서 각 격자점 별로 계산한 중요도 점수를 목표 값으로 하는 학습을 수행하여, 예측모델 즉 속도벡터장 데이터에서 각 격자점에서의 스트림라인 중요도 점수를 예측하기 위한 예측모델을 생성한다(S30).According to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
즉, 유동해석 데이터 처리장치(100)는, 회귀 기법을 사용한 지도학습(예: 딥 러닝) 기반의 네트워크 모델을 생성하고, 이렇게 생성한 네트워크 모델로, 앞서 생성한 3D LIC 데이터를 입력 값으로 하고 앞서 각 격자점에서 계산한 각 스트림라인에 대한 중요도 점수를 목표 값(또는 정답 값)으로 하는 학습을 수행하여, 그 학습 수행의 결과로 예측모델을 생성할 수 있다.That is, the flow analysis
이상 설명한 바와 같이, 본 발명에서는, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)의 각 격자점에서 생성되는 스트림라인이 중요한 유동 특징을 보여줄 가능성(확률)으로서의 중요도 점수를 미리 예측하기 위한 회귀 기반 지도학습(예: 딥 러닝)의 예측모델을 생성/구축할 수 있다.As described above, in the present invention, in order to predict in advance the importance score as the possibility (probability) that the streamline generated at each lattice point of the three-dimensional flow analysis data (eg, velocity vector field data) will show an important flow feature. A prediction model of regression-based supervised learning (e.g., deep learning) can be created/constructed.
특히, 본 발명에서는, 유동해석 데이터의 3차원 공간에 정의된 격자점 및 공간 응집성을 감안하여, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)로부터 학습을 위한 입력 값을 생성하는데 있어 LIC 기술을 활용하는 방식을 실현해 냄으로써, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)를 그대로 입력할 경우 야기될 수 있는 학습 속도 저하 및 결과 도출 속도 저하를 해결하고 있다.In particular, in the present invention, considering the lattice points and spatial coherence defined in the 3-dimensional space of the flow analysis data, LIC in generating input values for learning from 3-dimensional flow analysis data (eg, velocity vector field data) By realizing a method of utilizing technology, it solves the slowdown in learning speed and result derivation that can occur when three-dimensional flow analysis data (eg, velocity vector field data) is input as it is.
더 나아가, 본 발명에서 생성/구축한 예측모델(도 2의 C)은, 입력되는 데이터(입력 값)를 다운 샘플링 및 업 샘플링하여 출력하는 3D U-net 구조를 가지며, 다운 샘플링 및 업 샘플링은 정해진 횟수 만큼만 수행되고 다운 샘플링 중 최하단의 계층에서는 확장된 컨볼루션(dilated convolution)을 적용하도록 생성될 수 있다.Furthermore, the prediction model generated/constructed in the present invention (C in FIG. 2) has a 3D U-net structure that outputs input data (input values) by downsampling and upsampling, and downsampling and upsampling are It is performed only a set number of times and can be generated so that dilated convolution is applied in the lowermost layer during downsampling.
도 4에서 알 수 있듯이, 본 발명에서 3차원의 유동해석 데이터(예: 속도벡터장 데이터)에서 각 격자점 별 스트림라인 중요도 점수를 예측하기 위해 생성/구축하는 예측모델(C)은, 기본적으로 U-net 구조를 가지는 3D U-net 구조를 생성된다.As can be seen in FIG. 4, the prediction model (C) generated/constructed to predict the streamline importance score for each lattice point in the three-dimensional flow analysis data (eg, velocity vector field data) in the present invention is basically A 3D U-net structure having a U-net structure is created.
그리고, 본 발명에서는, 기존 U-net에서 3차원의 유동해석 데이터(예: 속도벡터장 데이터) 적용 시 CPU 메모리 부족, 처리 부하 상승 등의 상황 발생을 완화하기 위해, Dilated convolution을 적용하고 있다.And, in the present invention, dilated convolution is applied to alleviate situations such as insufficient CPU memory and increased processing load when three-dimensional flow analysis data (eg, velocity vector field data) is applied in the existing U-net.
구체적인 Dilated convolution 적용 실시예를 설명하면, 도 4에 도시된 바와 같이, 본 발명에서 예측모델(C, 3D U-net)은, 다운 샘플링 및 업 샘플링은 정해진 횟수 예컨대 2회 만큼만 수행되고, 다운 샘플링 중 최하단의 계층에서는 Dilated convolution(예: Dilated Conv3d 3×3×3, ReLU)을 적용하도록 생성될 수 있다.Describing a specific dilated convolution application example, as shown in FIG. 4, in the prediction model (C, 3D U-net) in the present invention, downsampling and upsampling are performed only a predetermined number of times, for example, twice, and downsampling In the lowermost layer, dilated convolution (eg,
이상, 본 발명에서는, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)의 각 격자점에서 생성되는 스트림라인이 중요한 유동 특징을 보여줄 가능성(확률)으로서의 중요도 점수를 미리 예측하기 위한 예측모델을 생성/구축하되, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)가 갖는 3차원 공간에 정의된 격자점 및 공간 응집성을 고려하여 Dilated convolution를 적용한 3D U-net 구조의 예측모델을 구축할 수 있다.As described above, in the present invention, a predictive model for predicting the importance score as a possibility (probability) that a streamline generated at each lattice point of three-dimensional flow analysis data (eg, velocity vector field data) will show an important flow feature While creating/constructing, a prediction model of a 3D U-net structure applying Dilated convolution is constructed considering the lattice points and spatial coherence defined in the 3D space of the 3D flow analysis data (e.g. velocity vector field data). can
다시 예측모델을 생성하는 S30단계 이후를 설명하면, 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 3차원의 유동해석 데이터(예: 속도벡터장 데이터)에 대해 유동 흐름을 가시화하고자 하는 경우, 앞서 생성한 예측모델(C, 3D U-net)을 이용하여, 유동 흐름 가시화 대상의 3차원 유동해석 데이터(이하, 실험 속도벡터장 데이터)를 구성하는 다수의 격자점 별 중요도 점수를 예측한다(S40).Referring again to step S30 of generating the predictive model, according to the flow analysis data processing technique according to the embodiment of the present invention, the flow analysis
구체적으로 설명하면, 유동해석 데이터 처리장치(100)는, 실험 속도벡터장 데이터에 대하여, 전술의 학습을 위한 입력 값 생성 시와 같은 방식으로, LIC 연산을 통해 3D LIC 데이터를 생성한다.Specifically, the flow analysis
그리고, 유동해석 데이터 처리장치(100)는, 실험 속도벡터장 데이터로부터 생성한 3D LIC 데이터를 입력 값으로서 예측모델(C, 3D U-net)에 입력하고 예측모델(C, 3D U-net)에서 출력되는 각 격자점 별 중요도 점수를 획득함으로써, 획득한 각 격자점 별 중요도 점수를 실험 속도벡터장 데이터의 각 격자점 별 중요도 점수인 것으로 예측할 수 있다.Then, the flow analysis
본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, S40단계에서 예측한 격자점 별 중요도 점수를 기반으로, 실험 속도벡터장 데이터에 대한 다수의 격자점 중 중요도 점수가 높은 순서에 따라 기 설정된 n개의 격자점을, 금번 실험 속도벡터장 데이터로부터 스트림라인을 생성할 격자점으로 추천할 수 있다(S50).According to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
예를 들면, 추천할 격자점의 개수 n개는, 기 설정되거나 사용자에 의해 입력될 수 있다.For example, the number n of lattice points to be recommended may be preset or input by the user.
이에, 유동해석 데이터 처리장치(100)는, 예측한 격자점 별 중요도 점수를 기반으로, 실험 속도벡터장 데이터에 대한 다수의 격자점 중 중요도 점수가 가장 높은 격자점부터 n개의 격자점을 선택하고, 선택한 n개의 격자점을 추천할 수 있다.Accordingly, the flow analysis
이렇게 실험 속도벡터장 데이터에 대해 추천되는 n개의 격자점은, 예측모델(C, 3D U-net)을 기반으로, 금번 실험 속도벡터장 데이터의 각 격자점 중 중요한 유동 특징을 보여줄 가능성(확률)이 가장 큰 n개의 스트림라인을 생성할 수 있는 것으로 예측된 격자점을 의미한다.The n lattice points recommended for the experimental velocity vector field data are likely (probability) to show important flow characteristics among each lattice point of the experimental velocity vector field data, based on the prediction model (C, 3D U-net) It means the lattice point predicted to be able to generate the largest number of n streamlines.
이후 본 발명의 실시예에 따른 유동해석 데이터 처리 기법에 따르면, 유동해석 데이터 처리장치(100)는, 실험 속도벡터장 데이터로부터 S50단계에서 추천한 n개의 격자점에 대해서만 격자점의 스트림라인을 생성하고, 이렇게 생성한 n개의 스트림라인에 대한 중요도 점수를 실제로 계산한다(S60).Subsequently, according to the flow analysis data processing technique according to an embodiment of the present invention, the flow analysis
이때, 유동해석 데이터 처리장치(100)는, 전술의 예측모델 생성 과정에서 격자점의 스트림라인을 생성하고 격자점에서 생성한 스트림라인의 중요도 점수를 계산하는 방식과 동일한 방식으로, S50단계에서 추천한 n개의 격자점 각각에 대해서 격자점의 스트림라인을 생성하고 생성한 n개의 스트림라인에 대한 중요도 점수를 실제로 계산할 수 있다.At this time, the flow analysis
그리고, 유동해석 데이터 처리장치(100)는, 추천한 n개의 격자점 별 스트림라인에 대해 계산한 중요도 점수를 기반으로, 추천한 n개의 격자점의 스트림라인 중 계산한 중요도 점수가 높은 순서에 따라 기 설정된 m개의 스트림라인을 전시할 수 있다(S70).In addition, the flow analysis
예를 들면, 전시할 스트림라인의 개수 m개는, 기 설정되거나 사용자에 의해 입력될 수 있다.For example, the number m of streamlines to be displayed may be preset or input by the user.
즉, 유동해석 데이터 처리장치(100)는, 추천한 n개의 격자점 별로 실제 계산한 스트림라인의 중요도 점수가 가장 높은 스트림라인부터 m개의 스트림라인을 선택하고, 선택한 m개의 스트림라인을 전시하여 가시화하는 것이다.That is, the flow analysis
이상 설명한 바와 같이, 본 발명의 유동해석 데이터 처리 기법(기술)에 따르면, 유동해석 데이터의 3차원 공간에 정의된 격자점 및 공간 응집성을 고려한 예측모델을 구현 및 이를 통해 3차원의 유동해석 데이터에서 중요한 유동 특징을 보여줄 가능성이 높은 격자점(씨드 포인트)을 추천하는 새로운 방식의 처리 기법(기술)을 구현하고 있다. As described above, according to the flow analysis data processing technique (technology) of the present invention, a prediction model considering the lattice points and spatial coherence defined in the 3-dimensional space of the flow analysis data is implemented, and through this, in the 3-dimensional flow analysis data We implement a new processing technique (technology) that recommends grid points (seed points) that are likely to show important flow characteristics.
이로 인해, 본 발명에 의하면, Trial & Error의 반복 작업을 통해 스트림라인을 전시/시각화하는 방식 대신, 3차원의 유동해석 데이터에 대해 추천 기반의 최적 스트림라인 만을 전시함으로써 획기적으로 시간을 단축시켜 최적의 유동 흐름을 빠르게 가시화할 수 있다.For this reason, according to the present invention, instead of displaying/visualizing streamlines through repetitive work of Trial & Error, only recommendation-based optimal streamlines for 3D flow analysis data are displayed, thereby dramatically reducing time and optimizing flow can be quickly visualized.
이처럼, 본 발명에 따르면, 3차원의 유동해석 데이터에서 중요한 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.As such, according to the present invention, since it is possible to quickly visualize the optimal flow flow describing important flow characteristics in 3D flow analysis data, the effect of enabling fast visualization while minimizing trial and error, and thus time and processing The effect of reducing costs such as load can be expected.
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 on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program instructions recorded on the medium may be those specially designed and configured for the present invention or those 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. - includes hardware devices 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 high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler. The hardware devices described above may be configured to act as one or more software modules to perform the operations 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, the present invention is not limited to the above 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 skilled in the art will extend the technical spirit of the present invention to the extent that various variations or modifications are possible.
본 발명의 유동해석 데이터 처리장치 및 유동해석 데이터 처리 기법(기술)에 따르면, 3차원의 유동해석 데이터에서 중요한 유동 특징을 보여줄 가능성이 높은 격자점을 추천할 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 flow analysis data processing technique (technology) of the present invention, in that it is possible to recommend grid points that are highly likely to show important flow characteristics in 3-dimensional flow analysis data, the limitations of the existing technology are overcome. According to the jump, not only the use of the related technology, but also the possibility of marketing or business of the applied device is sufficient, and it is an invention with industrial applicability because it can be clearly implemented in reality.
100 : 유동해석 데이터 처리장치
110 : 모델생성부 120 : 중요도예측부
130 : 격자점추천부 140 : 가시화부100: flow analysis data processing device
110: model generation unit 120: importance prediction unit
130: lattice point recommendation unit 140: visualization unit
Claims (13)
상기 예측모델을 이용하여, 유동 흐름 가시화 대상의 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 추천하는 격자점추천부; 및
상기 유동해석 데이터로부터 상기 추천한 격자점 전체 또는 일부와 관련된 스트림라인을 전시하여, 상기 유동해석 데이터에 대한 유동 흐름을 가시화하는 가시화부를 포함하며,
상기 모델생성부는,
학습할 유동해석 데이터에 대하여 LIC(Line Integral Convolution) 연산을 통해 3D LIC 데이터를 생성하고,
상기 학습할 유동해석 데이터를 구성하는 다수의 격자점 별로 스트림라인을 생성하여, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산하고,
회귀 기반의 지도학습을 통해, 상기 생성한 3D LIC 데이터를 입력 값으로 하고 상기 각 격자점에서 계산한 중요도 점수를 목표 값으로 하는 학습을 수행하여, 상기 예측모델을 생성하는 것을 특징으로 하는 유동해석 데이터 처리장치.A model generator for generating a learning-based predictive model for three-dimensional flow analysis data;
an importance prediction unit that predicts an importance score for each of a plurality of lattice points constituting flow analysis data of a flow flow visualization target by using the prediction model;
a lattice point recommendation unit that recommends lattice points to generate a streamline from the flow analysis data among the plurality of lattice points based on the predicted importance score for each lattice point; and
A visualization unit for displaying streamlines related to all or some of the recommended lattice points from the flow analysis data to visualize the flow flow for the flow analysis data,
The model generator,
3D LIC data is generated through LIC (Line Integral Convolution) operation for flow analysis data to be learned,
Creating a streamline for each of a plurality of lattice points constituting the flow analysis data to be learned, calculating an importance score for the streamline at each lattice point,
Flow analysis characterized by generating the prediction model by performing learning with the generated 3D LIC data as an input value and the importance score calculated at each grid point as a target value through regression-based supervised learning data processor.
상기 모델생성부는,
LIC 연산 시 적용할 화이트 노이즈를 다수 개로 발생하고 상기 학습할 유동해석 데이터에 대한 LIC 연산 시 상기 다수 개의 화이트 노이즈를 적용하여,
상기 학습할 유동해석 데이터에 대하여 생성되는 3D LIC 데이터의 개수를 증가시키는 것을 특징으로 하는 유동해석 데이터 처리장치.According to claim 1,
The model generator,
By generating a plurality of white noise to be applied during LIC calculation and applying the plurality of white noise during LIC calculation for the flow analysis data to be learned,
Flow analysis data processing device, characterized in that for increasing the number of 3D LIC data generated for the flow analysis data to be learned.
상기 예측모델은,
입력되는 데이터를 다운 샘플링 및 업 샘플링하여 출력하는 3D U-net 구조를 가지며, 상기 다운 샘플링 및 업 샘플링은 정해진 횟수 만큼만 수행되고 다운 샘플링 중 최하단의 계층에서는 확장된 컨볼루션(dilated convolution)을 적용하도록 생성되는 것을 특징으로 하는 유동해석 데이터 처리장치.According to claim 1,
The predictive model,
It has a 3D U-net structure that downsamples and upsamples the input data and outputs it. Flow analysis data processing apparatus, characterized in that generated.
상기 격자점추천부는,
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 추천하는 것을 특징으로 하는 유동해석 데이터 처리장치.According to claim 1,
The lattice point recommendation unit,
Characterized in that based on the predicted importance score for each lattice point, n lattice points preset according to the order of importance score among the plurality of lattice points are recommended as lattice points to generate a streamline from the flow analysis data. Flow analysis data processing device to be.
상기 가시화부는,
상기 유동해석 데이터로부터 상기 추천한 격자점 각각에서 생성된 스트림라인에 대한 중요도 점수를 계산하고,
상기 추천한 격자점의 스트림라인에 대해 계산한 중요도 점수를 기반으로, 상기 추천한 격자점의 스트림라인 중 계산한 중요도 점수가 높은 순서에 따라 기 설정된 m개의 스트림라인을 전시하는 것을 특징으로 하는 유동해석 데이터 처리장치.According to claim 1,
The visualization unit,
Calculate the importance score for the streamline generated at each of the recommended lattice points from the flow analysis data,
Based on the importance scores calculated for the streamlines of the recommended lattice points, the preset m streamlines are displayed according to the order in which the calculated importance scores are high among the streamlines of the recommended lattice points. Analytical Data Processor.
상기 예측모델을 이용하여, 유동 흐름 가시화 대상의 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 추천하는 격자점추천단계; 및
상기 유동해석 데이터로부터 상기 추천한 격자점 전체 또는 일부와 관련된 스트림라인을 전시하여, 상기 유동해석 데이터에 대한 유동 흐름을 가시화하는 가시화단계를 실행시키며,
상기 모델생성단계는,
학습할 유동해석 데이터에 대하여 LIC(Line Integral Convolution) 연산을 통해 3D LIC 데이터를 생성하고,
상기 학습할 유동해석 데이터를 구성하는 다수의 격자점 별로 스트림라인을 생성하여, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산하고,
회귀 기반의 지도학습을 통해, 상기 생성한 3D LIC 데이터를 입력 값으로 하고 상기 각 격자점에서 계산한 중요도 점수를 목표 값으로 하는 학습을 수행하여, 상기 예측모델을 생성하기 위해 기록 매체에 저장된 컴퓨터 프로그램.Combined with hardware, a model generation step of generating a learning-based predictive model for the three-dimensional flow analysis data;
an importance prediction step of predicting importance scores for each of a plurality of lattice points constituting flow analysis data of a flow flow visualization target using the prediction model;
a lattice point recommendation step of recommending lattice points to generate a streamline from the flow analysis data among the plurality of lattice points based on the predicted importance score for each lattice point; and
Executing a visualization step of visualizing the flow flow for the flow analysis data by displaying stream lines related to all or some of the recommended lattice points from the flow analysis data,
In the model generation step,
3D LIC data is generated through LIC (Line Integral Convolution) operation for flow analysis data to be learned,
Creating a streamline for each of a plurality of lattice points constituting the flow analysis data to be learned, calculating an importance score for the streamline at each lattice point,
Through regression-based supervised learning, the generated 3D LIC data is used as an input value and the importance score calculated at each lattice point is used as a target value to perform learning to generate the predictive model. A computer stored in a recording medium program.
상기 모델생성단계는,
LIC 연산 시 적용할 화이트 노이즈를 다수 개로 발생하고 상기 학습할 유동해석 데이터에 대한 LIC 연산 시 상기 다수 개의 화이트 노이즈를 적용하여,
상기 학습할 유동해석 데이터에 대하여 생성되는 3D LIC 데이터의 개수를 증가시키는 것을 특징으로 하는 컴퓨터 프로그램.According to claim 7,
In the model generation step,
By generating a plurality of white noise to be applied during LIC calculation and applying the plurality of white noise during LIC calculation for the flow analysis data to be learned,
A computer program characterized in that for increasing the number of 3D LIC data generated for the flow analysis data to be learned.
상기 예측모델은,
입력되는 데이터를 다운 샘플링 및 업 샘플링하여 출력하는 3D U-net 구조를 가지며, 상기 다운 샘플링 및 업 샘플링은 정해진 횟수 만큼만 수행되고 다운 샘플링 중 최하단의 계층에서는 확장된 컨볼루션(dilated convolution)을 적용하도록 생성되는 것을 특징으로 하는 컴퓨터 프로그램.According to claim 7,
The predictive model,
It has a 3D U-net structure that downsamples and upsamples the input data and outputs it. A computer program characterized in that it is created.
상기 격자점추천단계는,
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 추천하는 것을 특징으로 하는 컴퓨터 프로그램.According to claim 7,
In the lattice point recommendation step,
Characterized in that based on the predicted importance score for each lattice point, n lattice points preset according to the order of importance score among the plurality of lattice points are recommended as lattice points to generate a streamline from the flow analysis data. A computer program that does.
상기 가시화단계는,
상기 유동해석 데이터로부터 상기 추천한 격자점 각각에서 생성된 스트림라인에 대한 중요도 점수를 계산하고,
상기 추천한 격자점의 스트림라인에 대해 계산한 중요도 점수를 기반으로, 상기 추천한 격자점의 스트림라인 중 계산한 중요도 점수가 높은 순서에 따라 기 설정된 m개의 스트림라인을 전시하는 것을 특징으로 하는 컴퓨터 프로그램.According to claim 7,
The visualization step is
Calculate the importance score for the streamline generated at each of the recommended lattice points from the flow analysis data,
Based on the importance scores calculated for the streamlines of the recommended lattice points, the computer displays m preset streamlines in the order of highest importance scores calculated among the streamlines of the recommended lattice points. program.
상기 예측모델을 이용하여, 유동 흐름 가시화 대상의 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 추천하는 격자점추천단계; 및
상기 유동해석 데이터로부터 상기 추천한 격자점 전체 또는 일부와 관련된 스트림라인을 전시하여, 상기 유동해석 데이터에 대한 유동 흐름을 가시화하는 가시화단계를 포함하며,
상기 모델생성단계는,
학습할 유동해석 데이터에 대하여 LIC(Line Integral Convolution) 연산을 통해 3D LIC 데이터를 생성하고,
상기 학습할 유동해석 데이터를 구성하는 다수의 격자점 별로 스트림라인을 생성하여, 각 격자점에서의 스트림라인에 대한 중요도 점수를 계산하고,
회귀 기반의 지도학습을 통해, 상기 생성한 3D LIC 데이터를 입력 값으로 하고 상기 각 격자점에서 계산한 중요도 점수를 목표 값으로 하는 학습을 수행하여, 상기 예측모델을 생성하는 것을 특징으로 하는 유동해석 데이터 처리장치의 동작 방법.A model generation step of generating a learning-based predictive model for the three-dimensional flow analysis data;
an importance prediction step of predicting importance scores for each of a plurality of lattice points constituting flow analysis data of a flow flow visualization target using the prediction model;
a lattice point recommendation step of recommending lattice points to generate a streamline from the flow analysis data among the plurality of lattice points based on the predicted importance score for each lattice point; and
A visualization step of displaying streamlines related to all or some of the recommended lattice points from the flow analysis data to visualize the flow flow for the flow analysis data,
In the model generation step,
3D LIC data is generated through LIC (Line Integral Convolution) operation for flow analysis data to be learned,
Creating a streamline for each of a plurality of lattice points constituting the flow analysis data to be learned, calculating an importance score for the streamline at each lattice point,
Flow analysis characterized by generating the prediction model by performing learning with the generated 3D LIC data as an input value and the importance score calculated at each grid point as a target value through regression-based supervised learning A method of operating the data processing unit.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210057728A KR102520732B1 (en) | 2021-05-04 | 2021-05-04 | 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 |
|---|---|---|---|
| KR1020210057728A KR102520732B1 (en) | 2021-05-04 | 2021-05-04 | Flow analysis data processing device and computer trogram that performs each step of the device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220150575A KR20220150575A (en) | 2022-11-11 |
| KR102520732B1 true KR102520732B1 (en) | 2023-04-12 |
Family
ID=84042943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210057728A KR102520732B1 (en) | 2021-05-04 | 2021-05-04 | Flow analysis data processing device and computer trogram that performs each step of the device |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102520732B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116167221B (en) * | 2023-02-21 | 2023-09-01 | 哈尔滨工程大学 | Self-adaptive step length streamline generating method based on complete information entropy, computer equipment and storage medium |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102171600B1 (en) * | 2019-12-30 | 2020-10-29 | 한국과학기술정보연구원 | Flow analysis data processing device and computer trogram that performs each step of the device |
| WO2020252256A1 (en) * | 2019-06-12 | 2020-12-17 | Carnegie Mellon University | Deep-learning models for image processing |
-
2021
- 2021-05-04 KR KR1020210057728A patent/KR102520732B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020252256A1 (en) * | 2019-06-12 | 2020-12-17 | Carnegie Mellon University | Deep-learning models for image processing |
| KR102171600B1 (en) * | 2019-12-30 | 2020-10-29 | 한국과학기술정보연구원 | Flow analysis data processing device and computer trogram that performs each step of the device |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220150575A (en) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10140395B2 (en) | Detecting collisions in a simulated machining of a workpiece represented by dexels | |
| JP6667674B2 (en) | Reinforcement learning using pseudo counting | |
| EP3038060B1 (en) | 3D modeled object defined by a grid of control points | |
| US9928314B2 (en) | Fitting sample points with an isovalue surface | |
| US10303156B2 (en) | Detecting cut-outs | |
| US9589389B2 (en) | Sample points of 3D curves sketched by a user | |
| US8370116B2 (en) | Harness verification apparatus, harness verification method and storage medium | |
| US10496784B2 (en) | Designing a physical system constrained by equations | |
| EP3293648A1 (en) | Representation of a skeleton of a mechanical part | |
| KR102520732B1 (en) | Flow analysis data processing device and computer trogram that performs each step of the device | |
| KR102171600B1 (en) | Flow analysis data processing device and computer trogram that performs each step of the device | |
| US10540459B2 (en) | Quickdart: operational space debris visualization, characterization, and volume modeling | |
| Perhac et al. | Urban fusion: visualizing urban data fused with social feeds via a game engine | |
| JP2014006901A (en) | Method for estimating quantity of light received by participating media, and corresponding device | |
| KR102181988B1 (en) | Sph based on fluid simulation method and fluid analysis simulation apparatus | |
| JP6424651B2 (en) | Magnetic field simulator program, magnetic field simulator device and magnetic field simulation method | |
| US20230114354A1 (en) | Designing a modeled object | |
| US20190197775A1 (en) | Determining a set of facets that represents a skin of a real object | |
| CN107590300B (en) | Shortest path determining method and information processing apparatus | |
| US20190244403A1 (en) | Paint reflection around a curvilinear path | |
| US20200211296A1 (en) | Flexible modeling using a weak type definition | |
| US20170098018A1 (en) | Information processing method, information processing apparatus, and non-transitory recording medium storing information processing program | |
| KR101635621B1 (en) | Mesh generating method and Circle packing method using particle simultion, Computer program for the same, Recording medium storing computer program for the same | |
| KR102571148B1 (en) | Method and apparatus for visualizing models for 3d printers | |
| JP2020205005A (en) | Information processor and program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |