항공기 날개 및 안정판에서 레이놀즈 수에 따른 층류-난류 흐름의 자동 분리에 대한 적응형 주의력 버터플라이 네트워크

레이너-터뷸런트 흐름 지역화 기술의 대부분은 흐름 분포를 결정하는 것이 항공기 날개 및 안정판 설계의 효율성을 분석하는 전제 조건임에도 불구하고, 여전히 전문가의 수동 제어에 크게 의존하고 있다. 최근 몇몇 연구들은 자동 레이너-터뷸런트 흐름 지역화를 시도하고 있으나, 여전히 초기 단계에 있으며 노이즈가 강한 환경에서는 충분히 견고하지 못하다. 본 연구에서는 현재의 딥러닝 기술을 활용하여 흐름 영역을 분리할 수 있는지 여부를 탐구한다. 이를 위해, 두 개의 연속된 인코더-디코더로 구성된 흐름 세그멘테이션 아키텍처를 제안하며, 이를 '적응형 주의력 버터플라이 네트워크(Adaptive Attention Butterfly Network)'라 명명한다. 기존 문헌에서 일반적으로 사용되는 동질적이고 정제된 데이터에 의존하는 자동 흐름 지역화 기술과 달리, 본 연구에서는 다양한 열화상 관측 세트가 서로 다른 수준의 노이즈에 노출된 혼합 데이터셋을 활용하여 제안된 접근법의 자동 흐름 세그멘테이션 능력을 평가한다. 마지막으로, 제안된 아키텍처의 견고성을 향상시키기 위해, 레이너-터뷸런트 흐름 관측 데이터 23,468건을 레이블 없이 활용한 자기지도 학습 전략을 도입하였다.