본 논문은 파라미터화된 공학적 난류 최적화 문제에 유망한 잠재력을 보이는 물리 정보 신경망(PINNs)이 공학적 난류 문제에 적용될 때 높은 데이터 요구 사항 및 낮은 계산 정확도와 같은 어려움에 직면한다는 점을 지적합니다. 이 연구는 실험이나 CFD로부터의 훈련 데이터셋 없이 파라미터 난류 문제를 해결하는 PINNs의 능력을 향상시키는 프레임워크인 파라미터 난류 PINNs (PT-PINNs)를 제안합니다. 정확도와 강건성을 향상시키기 위해 난류 점성 계산을 위한 소프트 제약 방법과 유동장 내 유량 보존에 기반한 사전 훈련 방법이라는 두 가지 주요 방법을 도입합니다. 3차원 후향 단면 난류 문제(Re = 3000-200000, ER = 1.1-1.5)를 사용하여 PT-PINNs의 효과를 검증하였으며, 다양한 조건에서 실험 데이터 및 CFD 결과와 매우 일치하는 예측 결과를 얻었습니다. 또한 PT-PINNs는 기존 CFD 방법보다 계산 효율성이 뛰어나 파라미터 BFS 난류 모델을 구성하는 데 걸리는 총 시간이 기존 수치 방법의 1/16인 39시간이며, 단일 조건 예측에 대한 추론 시간은 단 40초로 단일 CFD 계산의 0.5%에 불과합니다. 이러한 결과는 공학적 난류 최적화 문제에 대한 PT-PINNs의 잠재력을 강조합니다.
