| 학회 |
한국공업화학회 |
| 학술대회 |
2021년 가을 (11/03 ~ 11/05, 대구 엑스코(EXCO)) |
| 권호 |
25권 2호 |
| 발표분야 |
포스터-화학공정 |
| 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 PINN은 좌표와 시간에 따른 유체의 흐름을 파악하는 것이 가능하지만, 운전 조건을 변화시키는 경우 유체의 변화를 예측할 수 없다는 한계가 있다. 본 연구에서는 고분자 합성을 위한 autoclave 반응기 최적설계를 위해, 운전 온도, 단량체 농도, 그리고 교반 속도를 운전 조건 변수로 처리할 수 있는 PINN을 개발하였고 이를 통한 반응기 설계 최적화에 대해서 논의한다. 더 나아가, 여러 운전조건을 동시에 예측할 수 있는 PINN을 최소한의 CFD 샘플만으로 얻고 데이터 오류와 물리 오류를 레버리지 하기 위한 adaptive sampling/loss 기법을 적용하였다. |
| 저자 |
류유빈1, 신선규2, 최솔지2, 이원보2, 나종걸1
|
| 소속 |
1이화여자대, 2서울대 |
| 키워드 |
computational fluid dynamics; deep learning; optimization; design
|
| E-Mail |
|
