| 학회 |
한국화학공학회 |
| 학술대회 |
2022년 봄 (04/20 ~ 04/23, 제주국제컨벤션센터) |
| 권호 |
28권 1호, p.136 |
| 발표분야 |
[주제 2] 기계학습 |
| 제목 |
Physics-informed deep neural network for optimal reactor design under computational fluid dynamics details |
| 초록 |
Computational fluid dynamics (CFD)는 높은 정확도를 가지고 있지만, 막대한 계산 비용으로 인해 실시간 예측이 불가하다. 최근 CFD 모델을 대체하기 위해 데이터 기반의 머신 러닝과 물리 법칙을 통합한 Physics-informed neural network (PINN)이 새로운 대안으로 주목 받고 있다. 기존 연구의 PINN 모델은 좌표와 시간에 따른 유체의 흐름 및 물질의 농도를 재현하는 것이 가능하지만, 운전 조건을 변화시키는 경우 유체의 변화를 예측할 수 없다는 한계를 가진다. 본 연구에서는 고분자 합성을 위한 autoclave 반응기 최적설계를 위해 두가지 이상의 운전 조건을 변수로 처리할 수 있는 PINN을 개발하였고, 이를 통한 반응기 설계 최적화에 대해서 논의한다. 더 나아가, 예측 결과를 최소한의 CFD 샘플만으로 얻기 위한 space adaptive sampling 기법을 적용하여 향상된 성능을 보이는 PINN 모델을 제안한다. |
| 저자 |
류유빈1, 신선규2, 최솔지2, 이원보2, 나종걸1
|
| 소속 |
1이화여자대, 2서울대 |
| 키워드 |
공정시스템(Process Systems Engineering) |
| E-Mail |
|
| 원문파일 |
초록 보기 |
