| 1 |
1
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; 및상기 유동해석 데이터로부터 상기 추천한 격자점 전체 또는 일부와 관련된 스트림라인을 전시하여, 상기 유동해석 데이터에 대한 유동 흐름을 가시화하는 가시화부를 포함하는 것을 특징으로 하는 유동해석 데이터 처리장치
|
| 2 |
2
제 1 항에 있어서,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
|
| 3 |
3
제 2 항에 있어서,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
|
| 4 |
4
제 1 항에 있어서,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
|
| 5 |
5
제 1 항에 있어서,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
|
| 6 |
6
제 1 항에 있어서,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
|
| 7 |
7
하드웨어와 결합되어, 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; 및상기 유동해석 데이터로부터 상기 추천한 격자점 전체 또는 일부와 관련된 스트림라인을 전시하여, 상기 유동해석 데이터에 대한 유동 흐름을 가시화하는 가시화단계를 실행시키기 위해 매체에 저장된 컴퓨터 프로그램
|
| 8 |
8
제 7 항에 있어서,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 컴퓨터 프로그램
|
| 9 |
9
제 8 항에 있어서,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
|
| 10 |
10
제 7 항에 있어서,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
|
| 11 |
11
제 7 항에 있어서,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
|
| 12 |
12
제 7 항에 있어서,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
|
| 13 |
13
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; 및상기 유동해석 데이터로부터 상기 추천한 격자점 전체 또는 일부와 관련된 스트림라인을 전시하여, 상기 유동해석 데이터에 대한 유동 흐름을 가시화하는 가시화단계를 포함하는 것을 특징으로 하는 유동해석 데이터 처리장치의 동작 방법
|
