본 논문은 크게 2개의 챕터로 구성되어 있다. 첫 번째 챕터에서는 이차원 채널내 역방향 깃발을 이용한 열전달 향상 시스템 수치해석을 수행했다. 두 번째 챕터에서는 대와류모사(LES, Large Eddy Simulation) 코드를 제작하고 검증하는 내용과 유동데이터 사이의 관계성을 이용한 머신 러닝 기반의 연구로 새로운 LES 모델을 제시했다.
첫 번째 챕터에서는 와류 발생기의 역할을 하는 기울어진 역방향 깃발을 포함하는 열전달 시스템을 제안한다. 역방향 깃발의 경사각과 강성도가 열전달 시스템 성능에 미치는 영향을 분석하기 위해 이차원 시뮬레이션을 수행하였다. 유체-연성체-열 상호 작용을 고려하기 위해 가상 경계 기법을 사용했다. 역방향 깃발의 경사각과 강성도에 따라 LAF(Large Amplitude Flapping), SAF(Small Amplitude Flapping), D(Deflected) 및 S(Straight) 모드의 네 가지 모드를 정의했다. LAF 및 SAF 모드는 열유속 및 기계적 에너지 손실을 고려한 열전달 효율 측면에서 유리한 것으로 나타났다. 또한 와류 발생기의 거동과 열전달량 사이의 상관관계를 설명하기 위해 차원분석을 수행했다. 스케일링 파라미터는 와류 충격에 의한 역방향 깃발의 운동량 전달을 기반으로 새롭게 정의되며 와류 발생기에 가해지는 평균항력과 0.166의 기울기로 비례관계를 보인다. 열전달 효율은 SAF 및 LAF 모드에서 파라미터에 각각 비례하고 반비례하는 것으로 나타난다. 최적의 열전달 시스템은 역방향 깃발의 경사각이 12°, 강성도 0.7에서 얻어지며 여기서 효율은 기준 흐름에 비해 최대 112.8% 향상된다.
두 번째 챕터에서는 유한차분법(FDM, Finite Difference Method) 기반의 고 레이놀즈 수 해석을 위한 대와류모사(LES, Large Eddy Simulation) 모델의 개념을 정리하고 기계학습 기반의 LES 모델을 개발하여 난류 채널 및 실린더 주위 유동의 난류 데이터를 예측하는 방법을 제안했다. LES 모델은 Smagorinsky-Lilly, Germano, 그리고 Lagrangian scale independence 모델을 사용했고, 머신러닝에 사용된 알고리즘은 ANN(Artificial Neural Network)와 RF(Random Forest)이다. 앞서 제작한 LES 모델을 검증하기 위해 난류 채널의 평균 유속와 속도 RMS(Root mean square) 값을 직접수치모사(DNS, Direct Numerical Simulation) 데이터와 비교했다. Reτ=180, 395, 590의 난류 채널에 대해서 LES 데이터와 No SGS model의 데이터를 비교했을 때, LES를 사용했을 때, DNS와 유사한 벽 전단 응력과 벽함수로 표현되는 유동데이터를 얻었다. 또한 실린더 주위 유동에 대해서, DNS 또는 실험 데이터에서 얻은 실린더의 항력 계수와 후류의 최소 유속 비교했을 때, No SGS model의 오차는 10% 이상인 반면, LES를 사용한 경우 2% 미만의 오차를 확인했다.
ANN과 RF 알고리즘을 학습시키기 위해 필터링 된 DNS(fDNS, filtered DNS)의 유체변형률을 입력 변수로, 출력 변수로 아격자 응력(τIJ = uv - u v)을 사용했다. 위 바(-)는 격자 필터링으로, 특정 범위에서의 공간적 평균을 의미한다. 한 점의 데이터 또는 x, z방향으로 (3x3)의 데이터를 입력 변수로 사용했다. 기본 난류 채널의 경우 적게는 100만 데이터 셋, 실린더 주위 유동의 경우 800만 데이터 셋을 사용했다. ANN의 경우 활성 함수는 ReLU, 히든 레이어의 개수는 난류 채널의 경우 2개, 실린더 주위 유동의 경우 6개를 사용했다. 배치 사이즈와 에포크는 각각 128과 20으로 고정했다. Random Forest의 경우, n_estimator의 값은 50으로 고정했고 나머지 값은 디폴트 값으로 결정했다. 학습 데이터는 총 데이터의 75%를 사용했고 나머지 25%의 데이터로 예측률을 확인했다. fDNS의 난류 데이터와 학습된 알고리즘의 관계를 R²의 값으로 정량화했다.