카트

이미지 검색을 사용해 보세요

검색창 이전화면 이전화면

최근 검색어: 전체삭제

인기 검색어

닫기

미리보기 공유하기

소득공제 베스트셀러 PDF

eBook CFD·CAE 기반 AI 대리모델 개발 따라하기

OpenFOAM·PyTorch·PhysicsNeMo로 배우는 열유동 예측과 설계 최적화 스마트한 PDF 필기 기능을 사용해 보세요!

이창근 저

위키독스 2026.11.02.

회원리뷰 첫번째 리뷰어가 되어주세요 판매지수 60

주간베스트: IT 모바일 100위

가격: 15,000원

15,000

YES포인트?: 750원 (5%)

5만원 이상 구매 시 2천원 추가 적립

앱 다운 시 1천원 상품권

결제혜택: 카드/간편결제 혜택을 확인하세요

PDF 안내

이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품입니다.

예스24만의 독보적인 PDF 필기 기능을 경험해 보세요!

시리즈 태그 업체 공지사항 구성 소개 특별 구성 MD 한마디 카드뉴스 상세 이미지 소개 관련 동영상 목차 미리듣기 저자 소개 관련분류 품목정보 만든이 코멘트 예스24 리뷰 책 속으로 줄거리 캐스팅 관련 자료 부가 영상 출판사 리뷰 전문가 리뷰 추천평

펼치기/닫기

소개

전기차 냉각 채널을 소재로 "CFD 데이터 생산 → AI 대리모델 학습 → 설계 최적화 → CFD 재검증" 전 과정을 직접 실행하며, 새 설계 조건을 넣으면 AI가 성능을 예측하고 유망 후보를 CFD로 다시 확인하는 시스템을 완성하는 실습서입니다. [이 책의 특징] - 데이터를 직접 만듭니다: 공개 데이터셋을 내려받아 모델만 학습하는 대신, OpenFOAM으로 학습용 CFD 데이터를 직접 생산합니다. - 하나의 프로젝트로 끝까지 갑니다: CFD 해석 → DOE 데이터 생성 → 대리모델 학습 → 설계 최적화 → CFD 재검증의 순환 구조를 냉각 채널 한 주제로 완성합니다. - 단계적으로 어려워집니다: 2D 가열 채널과 스칼라 예측에서 시작해 온도장·속도장 전체 예측, 복합 열전달 확장으로 넘어갑니다. - "최신 모델이 정말 나은가"를 실험으로 확인합니다: XGBoost vs MLP, Scalar vs FNO, 일반 학습 vs Physics-Informed, 무작위 샘플링 vs Active Learning을 같은 데이터로 비교합니다. - 성능을 정직하게 평가합니다: 격자 독립성·수렴성 검증, 형상·운전조건별 데이터 분리, OOD 평가, 데이터 생성 비용을 포함한 총비용 기준 속도 비교를 필수 절차로 다룹니다. - 실행 결과와 버전을 기록합니다: 모든 실습은 직접 실행한 결과로 쓰고, 예제 코드는 난수 시드와 데이터 분할까지 고정해 공개 저장소로 제공합니다. [대상 독자] - 반복 해석 비용을 줄이기 위해 AI 대리모델을 실무에 도입하려는 CFD·CAE 해석 엔지니어 - 시뮬레이션 데이터를 직접 만들어 학습·검증하는 방법을 배우려는 AI·데이터 엔지니어 - Neural Operator, 물리 제약 학습, 능동학습을 연구 주제로 넓히려는 기계·자동차·열유체 분야 대학원생과 연구자 - 열성능과 압력손실을 함께 고려한 설계 탐색을 자동화하려는 전기차 열관리·냉각 설계 실무자 선수 지식은 Python 기초와 미분·선형대수 기초입니다. CFD 경험은 없어도 되지만 2장의 격자·경계조건·수렴 개념은 반드시 따라 해야 합니다. [AI 활용 집필 안내] 이 책은 Claude Code(AI)를 활용하여 작성되었습니다. 저자가 실제 설치·실행 검증을 거치며, 각 페이지 상단에 검증 상태([검증] 직접 실행 확인 / [참고] 공식 문서 기준)와 기준 버전을 표시합니다. OpenFOAM·PyTorch·PhysicsNeMo 등 대상 소프트웨어가 바뀌면 다시 실행해 내용을 갱신합니다. [참고 자료] - 예제 코드 저장소: https://github.com/ady95/cfd-tutorial - OpenFOAM Foundation: https://openfoam.org - PyTorch: https://pytorch.org - NVIDIA PhysicsNeMo: https://github.com/NVIDIA/physicsnemo

소개 더보기펼치기

00. 들어가며
01. CFD·CAE와 AI 대리모델 이해하기
01-1. CFD·CAE의 기본 개념
01-2. 수치해석을 AI로 가속하는 원리
01-3. Surrogate Model과 Physics-Informed AI
01-4. Scalar 예측과 Field 예측의 차이
01-5. 전체 실습 프로젝트 미리보기
02. OpenFOAM으로 CFD 실습 시작하기
02-1. OpenFOAM 설치와 개발환경 구성
02-2. 격자, 경계조건, 수렴 조건 이해
02-3. 실습: 2D 채널 유동 해석
02-4. ParaView·PyVista로 해석 결과 시각화
02-5. 실습: 해석 정확도 및 격자 독립성 검사
03. 자동차 냉각 채널 해석 모델 만들기
03-1. 냉각 채널 형상 파라미터화
03-2. 유량·온도·열유속 조건 설정
03-3. 압력손실 및 열전달 결과 추출
03-4. 실습: Python 기반 CFD 실행 자동화
03-5. 기본 해석 결과 재현성 확인
04. AI 학습용 CFD 데이터셋 생성하기
04-1. DOE와 Latin Hypercube Sampling
04-2. 설계 변수와 운전 조건 샘플링
04-3. 실습: OpenFOAM 배치 시뮬레이션
04-4. 실패한 CFD 케이스 탐지 및 처리
04-5. 학습용 CSV·Parquet 데이터셋 구축
05. XGBoost·MLP 기반 대리모델 개발하기
05-1. 입력·출력 변수 정의
05-2. 단순 회귀모델로 기준선 구축
05-3. 실습: XGBoost 회귀모델 학습
05-4. 실습: PyTorch MLP 대리모델 학습
05-5. 하이퍼파라미터 최적화(Optuna)
06. AI 대리모델 성능 평가하기
06-1. MAE·RMSE 및 상대오차
06-2. 형상·운전조건별 데이터 분리
06-3. 외삽 구간 및 OOD 성능 평가
06-4. CFD 대비 실제 추론 속도와 총비용 측정
06-5. 실습: 모델별 성능 비교 및 오차 분석
07. FNO로 온도장·속도장 예측하기
07-1. Neural Operator 개념
07-2. Fourier Neural Operator 원리
07-3. CFD Field 데이터 전처리
07-4. 실습: FNO 학습 및 공간 물리장 예측(neuraloperator)
07-5. 실제 CFD 분포와 예측 오차 시각화
08. NVIDIA PhysicsNeMo 활용하기
08-1. PhysicsNeMo 개발환경
08-2. 공식 Neural Operator 예제 실행
08-3. 실습: 기존 실습 데이터에 모델 적용
08-4. 단순 모델과 Physics AI 모델 비교
08-5. GNN·MeshGraphNet 확장 방향
09. 물리 법칙을 반영한 AI 모델 개발하기
09-1. Physics-Informed Learning 개념(PINN과의 구분)
09-2. 질량·에너지 보존과 경계조건
09-3. 실습: 데이터 손실과 물리 손실 결합
09-4. 물리 제약 적용 전후 비교
09-5. 학습 안정성과 오차 검증
10. AI 대리모델을 이용한 설계 최적화
10-1. 설계 변수와 제약조건 정의
10-2. 냉각 성능·압력손실 목적함수
10-3. 실습: Optuna·BoTorch 기반 최적화
10-4. 다목적 최적화와 파레토 해
10-5. 최적 설계 후보 도출과 CFD 재검증
11. Active Learning으로 AI 모델 개선하기
11-1. 예측 불확실성 추정
11-2. 신규 CFD 샘플 선택
11-3. CFD 자동 재실행
11-4. 실습: 데이터셋 확장과 모델 재학습
11-5. 추가 CFD 비용 대비 정확도 개선 검증
12. CFD?AI 통합 설계 자동화 시스템 완성하기
12-1. 전체 파이프라인 통합
12-2. 실습: 설계 조건 입력과 AI 예측 API
12-3. 최적화 후보의 CFD 재검증
12-4. 모델 학습·추론·최적화 성능 분석
12-5. 연구 결과 정리 및 실무 적용 방향
부록
부록A-1. 실행환경 고정·재현성 점검
부록A-2. 예제 저장소 구성 및 문제 해결
부록A-3. SU2 활용
부록A-4. 3D 해석 확장과 배터리 냉각 채널 복합 열전달(CHT)
부록A-5. MeshGraphNet 기초
부록A-6. 구조 CAE 대리모델
부록A-7. 공개 데이터셋(DrivAerML) 활용 확장 실습

목차 더보기펼치기

저자 소개

연세대학교에서 기계공학 학부·석사를 마쳤습니다. SK컴즈, 싸이월드, 네이버에 근무하면서 IT 서비스를 경험했고, 넥스트랩 창업, 크라우드웍스 근무를 통해 AI를 공부하고 인사이트를 얻었습니다. 지금은 AI 에이전트와 신뢰도 기반 지능화 기술에 특히 관심을 가지고 있습니다.