[논문 리뷰] Predicting wind pressures around circular cylinders using machine learning techniques

Gang Hu, K.C.S. Kwok|arXiv (Cornell University)|2019. 01. 21.

Wind and Air Flow Studies참고 문헌 77인용 수 4

한 줄 요약

이 연구는 레이놀즈 수(Re), 난류 강도(Ti), 그리고 둘레 각도를 입력으로 사용하여 매끄러운 원형 실린더 주변의 평균 및 변동 풍압을 예측하기 위해 기울기 부스팅 회귀 트리(GBRT)를 적용한다. GBRT 모델은 Re = 10⁴–10⁶ 및 Ti = 0–15% 범위에서 높은 정확도를 달성하여, 구조 설계 응용 분야에서 풍동 시험과 CFD 시뮬레이션에 비해 비용 효율적인 대안을 제공한다.

ABSTRACT

Numerous studies have been carried out to measure wind pressures around circular cylinders since the early 20th century due to its engineering significance. Consequently, a large amount of wind pressure data sets have accumulated, which presents an excellent opportunity for using machine learning (ML) techniques to train models to predict wind pressures around circular cylinders. Wind pressures around smooth circular cylinders are a function of mainly the Reynolds number (Re), turbulence intensity (Ti) of the incident wind, and circumferential angle of the cylinder. Considering these three parameters as the inputs, this study trained two ML models to predict mean and fluctuating pressures respectively. Three machine learning algorithms including decision tree regressor, random forest, and gradient boosting regression trees (GBRT) were tested. The GBRT models exhibited the best performance for predicting both mean and fluctuating pressures, and they are capable of making accurate predictions for Re ranging from 10^4 to 10^6 and Ti ranging from 0% to 15%. It is believed that the GBRT models provide very efficient and economical alternative to traditional wind tunnel tests and computational fluid dynamic simulations for determining wind pressures around smooth circular cylinders within the studied Re and Ti range.

연구 동기 및 목표

• 기존 실험 데이터를 활용하여 원형 실린더 주변의 풍압을 예측하는 기계 학습 모델을 개발하기 위해.
• 다양한 기계 학습 알고리즘의 평균 및 변동 압력 분포를 포괄하는 성능을 평가하기 위해.
• 넓은 범위의 레이놀즈 수 및 난류 강도에서 풍압을 예측하는 데 가장 정확하고 일반화 능력이 뛰어난 모델을 식별하기 위해.
• 전통적인 풍동 시험과 CFD 시뮬레이션에 비해 계산 효율성이 높은 대안을 제공하기 위해.

제안 방법

• 결정 트리 회귀분석기, 랜덤 포레스트, 기울기 부스팅 회귀 트리(GBRT)의 세 가지 기계 학습 알고리즘을 실험적 풍압 데이터에 기반해 훈련시켰다.
• 입력 특징으로는 레이놀즈 수(Re), 난류 강도(Ti), 실린더의 둘레 각도를 포함하였다.
• 모델는 평균 및 변동 압력 계수를 별도로 예측하도록 훈련되었다.
• 모델 성능은 레이놀즈 수(10⁴–10⁶) 및 난류 강도(0–15%)의 광범위한 범위에서 표준 회귀 평가 지표를 사용하여 평가되었다.
• GBRT 성능을 최적화하기 위해 초모수 튜닝을 적용하였다.
• 데이터셋에 포함된 전체 레이놀즈 수 및 난류 강도 범위에서 일반화 능력을 평가하였다.

실험 결과

연구 질문

• RQ1 Re, Ti, 및 둘레 각도를 입력으로 사용할 때 기계 학습 모델이 원형 실린더 주변의 평균 및 변동 풍압을 정확하게 예측할 수 있는가?
• RQ2 다른 기계 학습 알고리즘은 풍압 분포 예측에서 어떻게 비교되는가?
• RQ3 가장 뛰어난 성능을 보인 모델의 일반화 성능은 전체 레이놀즈 수 및 난류 강도 범위에서 어떻게 되는가?
• RQ4 가장 우수한 모델은 풍동 시험과 CFD 시뮬레이션의 신뢰할 수 있는 대안이 될 수 있는가?

주요 결과

• 기울기 부스팅 회귀 트리(GBRT)가 평균 및 변동 풍압 예측에서 결정 트리 회귀분석기 및 랜덤 포레스트를 모두 압도적으로 뛰어났다.
• GBRT 모델은 레이놀즈 수 10⁴에서 10⁶, 난류 강도 0%에서 15%의 범위에서 높은 정확도를 달성하였다.
• GBRT 모델은 강력한 일반화 능력을 보였으며, 전체 시험 파rameter 범위에서 정확도를 유지하였다.
• 이 연구는 GBRT 모델이 전통적인 풍동 시험과 CFD 시뮬레이션에 비해 효율적이고 경제적인 대안이 될 수 있음을 확인하였다.
• 훈련된 모델는 분리점과 최대 압력과 같은 복잡한 압력 분포 패턴을 높은 정밀도로 포착하였다.