메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
하강우 (서강대학교) 윤현근 (서강대학교) 남상혁 (서강대학교) 김영재 (서강대학교) 강성원 (서강대학교)
저널정보
한국전산유체공학회 한국전산유체공학회지 한국전산유체공학회지 제26권 제1호
발행연도
2021.3
수록면
94 - 103 (10page)
DOI
10.6112/kscfe.2021.26.1.094

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
It is important to predict spatially varying parameters to model turbulent flows. In this study, the spatially varying parameters are modeled via machine learning techniques using experiment-based turbulent bubble flow data and DNS-based turbulent Prandtl number data. The prediction and generalization errors of machine learning models are evaluated, and the different techniques are compared. Among the artificial neural network (ANN) techniques, the regular ANN using the full-batch training and the stochastic gradient descent (SGD) ANN based on mini-batch training are compared with the random forest (RF) method. The prediction and generalization errors show different characteristics according to the data resolution. For the coarsest bubbly flow data set, SGD ANN shows stable training and prediction, which leads to the smallest prediction and generalization errors. For the data sets with a finer resolution, the generalization error of SGD ANN is smallest, whereas the average prediction errors of regular ANN and RF method are smaller compared to SGD ANN. When evaluated using the trained models, all machine learning techniques show similar spatial distribution to the original data.
#기계 학습(Maching Learning) #다변수 모델링(Multi-Parameter Modeling) #난류 유동(Turbulent Flows) #일반화 오차(Generalization Error) #인공신경망(Artificial Neural Network) #Stochastic Gradient Descent Algorithm #Random Forest Method

목차

1. 서론
2. 난류 모델링을 위한 유동 데이터 소개
3. 데이터 전처리 및 학습 방법
4. 학습 결과 및 분석
5. 결론
References

참고문헌 (23)

참고문헌 신청
2016, Goodfellow, I., Bengio, Y., Courville, A. and Bengio, Y., "Deep Learning," Cambridge: MIT press, Vol.1. No.2. google schola 2017, Zhang, C., Bengio, S., Hardt, M., Recht, B. and Vinyals, O., "Understanding deep learning requires rethinking generalization Int," arXiv preprint arXiv:1611.03530v2. google schola 2002, Bartlett, P.L. and Mendelson, S., "Rademacher and Gaussian complexities: Risk bounds and structural results," Journal of Machine Learning Research, Vol.3, pp.463-482. google schola 1989, Blumer, A., Ehrenfeucht, A., Haussler, D. and Warmuth, M.K., "Learnability and the Vapnik-Chervonenkis dimension," Journal of the ACM, Vol.36, pp.929-965. google schola 2003, Tipping, M.E., "Bayesian Inference: An Introduction to Principles and Practice in Machine Learning," ML 2003: Advanced Lectures on Machine Learning, pp.41-62. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

고해상도 시뮬레이션 기반 회전 원판 위 액막 불안정성 발생 위치에 대한 무차원화 분석
원종찬 ,  김태완 ,  박진규 외 1명 한국전산유체공학회지 2023 .09

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2021-559-001653181