KR20240045603A - 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법 및 장치 - Google Patents

고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법 및 장치 Download PDF

Info

Publication number
KR20240045603A
KR20240045603A KR1020220125118A KR20220125118A KR20240045603A KR 20240045603 A KR20240045603 A KR 20240045603A KR 1020220125118 A KR1020220125118 A KR 1020220125118A KR 20220125118 A KR20220125118 A KR 20220125118A KR 20240045603 A KR20240045603 A KR 20240045603A
Authority
KR
South Korea
Prior art keywords
data
model
fidelity
streamline
variation
Prior art date
Application number
KR1020220125118A
Other languages
English (en)
Inventor
이상엽
조인표
이재규
Original Assignee
한국전자기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자기술연구원 filed Critical 한국전자기술연구원
Priority to KR1020220125118A priority Critical patent/KR20240045603A/ko
Publication of KR20240045603A publication Critical patent/KR20240045603A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법 및 장치에 관한 것으로, 본 발명에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법은, 스트림라인 모델 생성부가 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 특징을 추출하고, 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성하는 스트림라인 모델 생성 단계; 데이터 추출부가 상기 스트림라인 모델을 이용하여 상기 변이 부분을 HF(High Fidelity) 데이터에서 추출하는 변이 부분 추출 단계; 및 모델 구성부가 상기 HF 데이터에서 추출된 부분을 상기 LF 데이터에 결합하여 MFMM(Multi-Fidelity Meta Model)을 구성하는 모델 구성 단계;를 포함하여 구성된다.

Description

고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법 및 장치{INTELLIGENT DATA GENERATION METHOD AND APPARATUS FOR REAL TIME USE OF HIGH FIDELITY PHYSICAL MODEL}
본 발명은 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법 및 장치에 관한 것으로, 보다 상세하게는 시간변화에 따른 변화량을 인지할 수 있는 순환 신경망(RNN, Recurrent Neural Network) 기법을 이용하여 실시간으로 빠르게 MFMM(Multi-Fidelity Meta Model) 데이터를 생성 및 예측할 수 있는 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법 및 장치에 관한 것이다.
최근에는 딥러닝을 활용하여 다중충실도(MFMM: Multi Fidelity Meta Model) 데이터를 생성하는 방법이 제안되었다.
이와 같은 방식은 고충실도(HF: High Fidelity) 데이터와 저충실도(LF: Low Fildelity) 데이터를 이용하며, LF 데이터를 기반으로 HF 데이터를 일부 활용한 딥러닝 모델을 생성하여 해당 모델을 통해 MFMM(Multi-Fidelity Meta Model) 데이터를 생성하는 방식이다.
특히, 이러한 딥러닝 구조에 있어 다양한 형태의 딥러닝 아키텍처 구조를 변경함으로써, MFMM 데이터와 HF 데이터의 오차를 줄여, MFMM 데이터 모델로 정확도를 최적화시키는 방법이 제안되었다.
그러나, 종래 기술에 따른 일반적인 딥러닝 방식은 LF 데이터의 양과 질에 따라 MFMM 데이터를 생성하는 성능이 결정되는 문제가 있으며, HF 데이터 수가 매우 제한적일 때 예측 결과가 저하되는 문제가 있었다.
또한, 종래 기술을 통해 모델링을 하는 경우, 실시간으로 물리모델을 활용함에 있어, 시간변화에 따라 LF 데이터가 급격하게 변할 경우, 예측정확도가 낮아지는 문제가 있었다.
특허문헌 1: 공개특허공보 제10-2022-0054410 (2022.05.02)
본 발명은 전술한 문제를 해결하기 위해 안출된 것으로서, 종래의 MFMM 생성 방법의 LF 데이터의 급격한 변화에 따라 발생하는 데이터 모델 정확도 저하 문제를 해결하기 위하여, 본 발명은 RNN을 이용하여 변화에 대한 정보를 같이 확인할 수 있도록 새로운 뉴럴 네트워크 아키텍처를 제공하고자 한다.
본 발명은 제한된 HF 데이터 수에 대해 LF 데이터의 실시간 변화를 인공지능 알고리즘을 통해 인지하고, 이를 통해 LF 데이터가 급격하게 변하는 부분에 맞춰 HF 데이터를 사용하여 실시간 성을 높이고, 시간에 따라 변화하는 데이터의 형태를 직접 반영할 수 있는 시계열 데이터 분석기반 MFMM 데이터 모델을 생성하는 것을 목적으로 한다.
본 발명은시간변화에 따른 변화량을 인지할 수 있는 순환 신경망(RNN, Recurrent Neural Network) 기법을 적용하여 실시간으로 빠르게 MFMM 데이터를 생성, 예측할 수 있는 새로운 아키텍처를 제공하고자 한다.
전술한 문제를 해결하기 위한 본 발명의 일실시예에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법은, 스트림라인 모델 생성부가 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 특징을 추출하고, 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성하는 스트림라인 모델 생성 단계; 데이터 추출부가 상기 스트림라인 모델을 이용하여 상기 변이 부분을 HF(High Fidelity) 데이터에서 추출하는 변이 부분 추출 단계; 및 모델 구성부가 상기 HF 데이터에서 추출된 부분을 상기 LF 데이터에 결합하여 MFMM(Multi-Fidelity Meta Model)을 구성하는 모델 구성 단계;를 포함하여 구성된다.
본 발명의 다른 일실시예에 따르면, 상기 스트림라인 모델 생성 단계는 상기 스트림라인 모델 생성부가 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출하고, 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 스트림라인 모델 생성 단계는 상기 스트림라인 모델 생성부가 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출하고, 마스킹(Masking)을 통해 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 모델 구성부가 상기 HF 데이터에서 추출된 부분을 상기 LF 데이터에서 변화가 적은 부분과 결합하여 MFMM(Multi-Fidelity Meta Model)을 구성할 수 있다.
본 발명에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치는, Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 특징을 추출하고, 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성하는 스트림라인 모델 생성부; 상기 스트림라인 모델을 이용하여 상기 변이 부분을 HF(High Fidelity) 데이터에서 추출하는 데이터 추출부; 및 상기 HF 데이터에서 추출된 부분을 상기 LF 데이터에 결합하여 MFMM(Multi-Fidelity Meta Model)을 구성하는 모델 구성부;를 포함하여 구성된다.
본 발명의 다른 일실시예에 따르면, 상기 스트림라인 모델 생성부는 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출하고, 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 스트림라인 모델 생성부는 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출하고, 마스킹(Masking)을 통해 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성할 수 있다.
본 발명의 다른 일실시예에 따르면, 상기 모델 구성부는 상기 HF 데이터에서 추출된 부분을 상기 LF 데이터에서 변화가 적은 부분과 결합하여 MFMM(Multi-Fidelity Meta Model)을 구성할 수 있다.
종래의 MFMM 생성 방법의 LF 데이터의 급격한 변화에 따라 발생하는 데이터 모델 정확도 저하 문제를 해결하기 위하여, 본 발명은 RNN을 이용하여 변화에 대한 정보를 같이 확인할 수 있도록 새로운 뉴럴 네트워크 아키텍처를 제공할 수 있다.
또한, 본 발명에 따르면 기존의 뉴럴 네트워크의 성능 향상을 위해 많은 양의 LF 데이터를 사용했던 것에 비교하여, LF 데이터 내에서 발생하는 변화의 인식에 RNN 네트워크를 활용함으로써, 데이터 내 변화가 있는 LF 데이터를 사용하여 LF 데이터가 적은 경우에도 변화가 감지되는 부분만을 확인하여 추정함으로써, HF 데이터의 특정 부분의 데이터만을 활용하여 MFMM 데이터 생성에 활용이 가능하다.
도 1은 본 발명의 일실시예에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치의 개념도이다.
도 2 내지 도 6은 본 발명의 일실시예에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치를 설명하기 위한 도면이다.
도 7은 본 발명의 일실시예에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법을 설명하기 위한 흐름도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
다만, 실시형태를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다. 또한, 도면에서의 각 구성요소들의 크기는 설명을 위하여 과장될 수 있으며, 실제로 적용되는 크기를 의미하는 것은 아니다.
또한, 명세서 전체에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다. 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.
도 1은 본 발명의 일실시예에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치의 개념도이다. 또한, 도 2 내지 도 6은 본 발명의 일실시예에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치를 설명하기 위한 도면이다.
이후부터는 도 2 내지 도 6을 참조하여 본 발명의 일실시예에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치를 설명하기로 한다.
본 발명의 일실시예에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치(100)는 스트림라인 모델 생성부(110), 데이터 추출부(120) 및 모델 구성부(130)를 포함하여 구성된다.
상기 스트림라인 모델 생성부(110)는 Convolution LSTM(ConvLSTM)을 이용하여, 다양한 LF(Low Fidelity) 데이터의 특징을 추출한다.
도 2를 참조하면, 상기 스트림라인 모델 생성부(110)는 LF(Low Fidelity) 데이터의 다양한 형태를 확보하여 이에 대한 시간 정보를 사용하며, 이때 합성곱(Convolution)을 사용할 수 있다. 상기 합성곱은 데이터의 특징을 추출하기 위하여 시간에 대한 변화량을 확인하기 위하여 사용될 수 있다.
보다 구체적으로, 상기 스트림라인 모델 생성부(110)는 LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출할 수 있다.
이때, 상기 스트림라인 모델 생성부(110)는 다양한 LF 데이터의 합성곱 성분을 이용하여 시간의 따른 변화 특징을 확인하고 이를 뉴럴 네트워크에 적용하기위해 Convolution LSTM(ConvLSTM)를 사용한다.
LSTM(Long Short-Term Memory)은 RNN(Recurrent Neural Network)의 일종으로 기존 RNN의 장기간 데이터에 대한 학습능력 저하와 기울기 소실 현상을 보완한 모델이다.
도 3에 도시된 바와 같이 LSTM은 이전 cell(t-1)의 정보를 받아 현재의 state(t)를 update하고 다음 셀(t+1)로 전달하는 구조이다. 각각의 cell에서는 sigmoid 함수로 다음 셀에 전달할 정보와 누락할 정보를 구분한다.
도 4를 참조하여 설명하면, Convolution LSTM(ConvLSTM)은 기존 Fully Connected LSTM(CNN + LSTM)이 공간적 특성을 반영하지 못하는 단점을 보완한 모델로서, 기존 모델과 학습 방법은 동일하지만 입/출력, 상태 레이어가 3차원 벡터로 연산되며 일반 행렬곱 대신 합성곱으로 이루어져 시간적, 공간적 특성을 동시에 학습할 수 있다는 장점이 있다. Convolution LSTM(ConvLSTM)은 기존 LSTM보다 성능 측면에서 공간(이미지)정보와 시간정보를 함께 가지고 있으므로 성능이 우수한 장점이 있다.
또한, 상기 스트림라인 모델 생성부(110)는 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출하고, 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성할 수 있다.
이때, 상기 스트림라인 모델 생성부(110)는 마스킹(Masking)을 통해 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성할 수 있다.
보다 상세하게 설명하면, 상기 스트림라인 모델 생성부(110)는 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출하고, 도 5에 도시된 바와 같이 마스킹(Masking)을 통해 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 찾아낼 수 있다.
이와 같이, LF 데이터의 공간 이미지 및 시간 데이터의 특성을 추출하여 변이 부분을 찾아내고, 이러한 변이 부분에 대응되는 부분을 HF 데이터에서 추출하여 HF 데이터 내 변화가 발생할 부분을 확인히고, HF 데이터 부분과 LF 데이터를 결합하여 구성한 MFMM(Multi-Fidelity Meta Model)을 생성할 수 있다.
즉, 상기 스트림라인 모델 생성부(110)는 Convolution LSTM을 통해 LF 데이터의 특징을 추출하고, 추출된 특징을 통해 변이 부분(variation point)를 보여주는 스트림라인 모델(streamline model)을 생성하고, 생성된 스트림라인 모델을 통해, HF 데이터의 특징 포인트를 획득할 수 있다.
상기 모델 구성부(130)는 HF 데이터의 추출된 특징 포인트 부분을 바탕으로 LF 데이터 내에서 변화가 적은 부분과의 결합을 통해 MFMM를 생성할 수 있다.
이와 같이, 도 6을 참조하면 본 발명의 일실 시예에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치는, 다량의 LF(Low Fidelity: 저충실도) 데이터를 이용하여 ConvLSTM과 결과 Masking을 통해 스트림라인 모델을 생성하고, 스트림라인 모델을 통해 고충실도 데이터 내 특징 부분을 추출한 후, 이를 저충실도 데이터와 결합하여 MFMM(Multi-Fidelity Meta Model: 다중충실도 데이터 모델)을 생성할 수 있다.
도 7은 본 발명의 일실시예에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법을 설명하기 위한 흐름도이다.
이후부터는 도 7을 참조하여 은 본 발명의 일실시예에 따른 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법을 설명하기로 한다.
먼저, 스트림라인 모델 생성부가 LF(Low Fidelity) 데이터를 입력 받으며(S210), 또한 HF(High Fidelity) 데이터를 입력 받는다(S215).
그에 따라, 스트림라인 모델 생성부가 Convolution LSTM(ConvLSTM)을 적용하여(S220), 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성하고(S230), 이와 같이 생성된 스트림라인 모델의 정보를 표시한다(S240).
보다 상세하게 설명하면, 상기 스트림라인 모델 생성부가 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출하고, 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성할 수 있다.
이후, 상기 스트림라인 모델 생성부가 마스킹(Masking)을 통해 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성한다(S250).
따라서, 데이터 추출부가 상기 스트림라인 모델을 이용하여 상기 변이 부분을 HF(High Fidelity) 데이터에서 추출하는 변이 부분을 추출하여(S250), 모델 구성부가 상기 HF 데이터에서 추출된 부분을 상기 LF 데이터에 결합하여 MFMM(Multi-Fidelity Meta Model)을 구성한다(S260).
이때, 상기 모델 구성부가 상기 HF 데이터에서 추출된 부분을 상기 LF 데이터에서 변화가 적은 부분과 결합하여 MFMM(Multi-Fidelity Meta Model)을 구성할 수 있다.
따라서, 종래의 MFMM 생성 방법의 LF 데이터의 급격한 변화에 따라 발생하는 데이터 모델 정확도 저하 문제를 해결하기 위하여, 본 발명은 RNN을 이용하여 변화에 대한 정보를 같이 확인할 수 있도록 새로운 뉴럴 네트워크 아키텍처를 제공할 수 있다.
또한, 본 발명에 따르면 기존의 뉴럴 네트워크의 성능 향상을 위해 많은 양의 LF 데이터를 사용했던 것에 비교하여, LF 데이터 내에서 발생하는 변화의 인식에 RNN 네트워크를 활용함으로써, 데이터 내 변화가 있는 LF 데이터를 사용하여 LF 데이터가 적은 경우에도 변화가 감지되는 부분만을 확인하여 추정함으로써, HF 데이터의 특정 부분의 데이터만을 활용하여 MFMM 데이터 생성에 활용이 가능하다.
전술한 바와 같은 본 발명의 상세한 설명에서는 구체적인 실시예에 관해 설명하였다. 그러나 본 발명의 범주에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능하다. 본 발명의 기술적 사상은 본 발명의 전술한 실시예에 국한되어 정해져서는 안 되며, 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
100: 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법
110: 스트림라인 모델 생성부
120: 데이터 추출부
130: 모델 구성부

Claims (8)

  1. 스트림라인 모델 생성부가 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 특징을 추출하고, 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성하는 스트림라인 모델 생성 단계;
    데이터 추출부가 상기 스트림라인 모델을 이용하여 상기 변이 부분을 HF(High Fidelity) 데이터에서 추출하는 변이 부분 추출 단계; 및
    모델 구성부가 상기 HF 데이터에서 추출된 부분을 상기 LF 데이터에 결합하여 MFMM(Multi-Fidelity Meta Model)을 구성하는 모델 구성 단계;
    를 포함하는 것을 특징으로 하는 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법.
  2. 청구항 1에 있어서,
    상기 스트림라인 모델 생성 단계는,
    상기 스트림라인 모델 생성부가 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출하고, 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성하는 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법.
  3. 청구항 2에 있어서,
    상기 스트림라인 모델 생성 단계는,
    상기 스트림라인 모델 생성부가 Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출하고, 마스킹(Masking)을 통해 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성하는 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법.
  4. 청구항 1에 있어서,
    상기 모델 구성 단계는,
    상기 모델 구성부가 상기 HF 데이터에서 추출된 부분을 상기 LF 데이터에서 변화가 적은 부분과 결합하여 MFMM(Multi-Fidelity Meta Model)을 구성하는 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법.
  5. Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 특징을 추출하고, 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성하는 스트림라인 모델 생성부;
    상기 스트림라인 모델을 이용하여 상기 변이 부분을 HF(High Fidelity) 데이터에서 추출하는 데이터 추출부; 및
    상기 HF 데이터에서 추출된 부분을 상기 LF 데이터에 결합하여 MFMM(Multi-Fidelity Meta Model)을 구성하는 모델 구성부;
    를 포함하는 것을 특징으로 하는 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치.
  6. 청구항 5에 있어서,
    상기 스트림라인 모델 생성부는,
    Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출하고, 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성하는 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치.
  7. 청구항 6에 있어서,
    상기 스트림라인 모델 생성부는,
    Convolution LSTM(ConvLSTM)을 이용하여, LF(Low Fidelity) 데이터의 공간 이미지와 시간 데이터의 특징을 추출하고, 마스킹(Masking)을 통해 상기 LF 데이터의 추출된 특징을 이용해 상기 LF 데이터의 변화가 높은 부분인 변이 부분(variation point)을 나타내는 스트림라인 모델(streamline model)을 생성하는 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치.
  8. 청구항 5에 있어서,
    상기 모델 구성부는,
    상기 HF 데이터에서 추출된 부분을 상기 LF 데이터에서 변화가 적은 부분과 결합하여 MFMM(Multi-Fidelity Meta Model)을 구성하는 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 장치.
KR1020220125118A 2022-09-30 2022-09-30 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법 및 장치 KR20240045603A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220125118A KR20240045603A (ko) 2022-09-30 2022-09-30 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220125118A KR20240045603A (ko) 2022-09-30 2022-09-30 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20240045603A true KR20240045603A (ko) 2024-04-08

Family

ID=90715244

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220125118A KR20240045603A (ko) 2022-09-30 2022-09-30 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20240045603A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220054410A (ko) 2019-09-24 2022-05-02 구글 엘엘씨 국부적으로 해석 가능한 모델에 기반한 강화 학습

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220054410A (ko) 2019-09-24 2022-05-02 구글 엘엘씨 국부적으로 해석 가능한 모델에 기반한 강화 학습

Similar Documents

Publication Publication Date Title
Perarnau et al. Invertible conditional gans for image editing
US10325181B2 (en) Image classification method, electronic device, and storage medium
CN110490082B (zh) 一种有效融合神经网络特征的道路场景语义分割方法
CN109840531A (zh) 训练多标签分类模型的方法和装置
Hu et al. A dynamic multi-scale voxel flow network for video prediction
CN113688723A (zh) 一种基于改进YOLOv5的红外图像行人目标检测方法
US10334202B1 (en) Ambient audio generation based on visual information
Yang et al. Spatio-temporal domain awareness for multi-agent collaborative perception
CN112396645A (zh) 一种基于卷积残差学习的单目图像深度估计方法和系统
CN112036260B (zh) 一种自然环境下多尺度子块聚合的表情识别方法及系统
CN111178520A (zh) 一种低计算能力处理设备的数据处理方法及装置
KR20190091806A (ko) 생성적 적대 네트워크를 이용한 비디오 시퀀스 생성 시스템 및 그 방법
KR20190125029A (ko) 시계열 적대적인 신경망 기반의 텍스트-비디오 생성 방법 및 장치
KR20200057823A (ko) 영상 데이터 증식 장치 및 방법
CN112699889A (zh) 基于多任务监督的无人驾驶实时道路场景语义分割方法
CN112906800B (zh) 基于图像组自适应的协同显著性检测方法
Chen et al. Multi‐feature fusion attention network for single image super‐resolution
CN113096133A (zh) 一种基于注意力机制的语义分割网络的构建方法
Ding et al. Object counting for remote-sensing images via adaptive density map-assisted learning
KR102567128B1 (ko) 개선된 적대적 어텐션 네트워크 시스템 및 이를 이용한 이미지 생성 방법
CN110942463B (zh) 一种基于生成对抗网络的视频目标分割方法
KR20240045603A (ko) 고충실도 물리모델 실시간 사용을 위한 지능형 데이터 생성 방법 및 장치
CN110807462A (zh) 一种针对语义分割模型的上下文不敏感的训练方法
KR20230096901A (ko) 자율 주행 차량의 학습을 위한 데이터 증식 방법 및 그를 위한 장치
KR20220130498A (ko) 딥뉴럴 네트워크 기반 이미지 아웃페인팅 방법 및 그 장치