http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Bluff-body 후방의 난류유동에 대한 대와동모사(LES)의 성능검토
공민석(Min-Suk Kong),황철홍(Cheol-Hong Hwang),이창언(Chang-Eon Lee),김세원(Se-Won Kim) 한국전산유체공학회 2006 한국전산유체공학회지 Vol.11 No.4
The objective of this study is to evaluate the prediction accuracy of development large eddy simulation(LES) program for turbulent flow behind a bluff-body. The LES solver was implemented on parallel computer consisting 16 processors. To verify the capability of LES code, the results were compared with those of Reynolds Averaged Navier-Stokes(RANS) using standard k-ε model as well as experimental data. The results showed that the LES and RANS qualitatively well predicted the experimental results, such as mean axial, radial velocities and turbulent kinetic energy. 1n the quantitative analysis, however, the LES showed a better prediction performance than RANS. Specially, the LES well described characteristics of the recirculation zones, such as air stagnation point and jet stagnation point. Finally, the unsteady phenomena on the Bluff-body, such as the transition of recirculation region and vorticity, was examined with LES methodology.
공민석(Min Suk Kong),임흥빈(Heung Bin Lim),이경호(Kyoung Ho Lee) 대한설비공학회 2018 대한설비공학회 학술발표대회논문집 Vol.2018 No.11
건물에서의 에너지 소비량이 증가함에 따라 에너지 절감을 위한 노력으로 신재생에너지시스템 이용 확대 및 건물에너지 최적관리에 대한 관심이 높아지고 있다. 본 연구에서는 신재생융복합건물 에너지 최적운영을 위한 운영장치 개발 및 이의 성능을 검증하기 위한 시험환경 구축에 대하여 소개한다. 태양열집열기, 태양광모듈, 지열원히트펌프, 온수저장조 및 전력저장장치가 설치되어 냉난방, 급탕 및 전력을 공급할 수 있는 제로에너지주택을 연구대상으로 하였다. 건물 에너지의 최적 운영을 위해 건물시스템 물리모델을 개발하고 모델학습 및 최적화기법을 연계하여 최적운전을 위한 제어변수를 도출하는 에너지운영최적화 기법이 탑재된 운영장치가 설계 및 제작 되었다. 운영장치 프로그램은 데이터수집모듈, 기상예측모듈, 사용자입력모듈, 학습모듈, 운영계획 모듈, 출력정보관리모듈로 구성하였다. 운영장치는 수집된 입력정보를 이용한 시스템모델의 학습, 학습결과를 이용한 시스템 운전변수의 최적 제어값 도출, 이를 통한 설비제어기들의 운전 등의 과정을 통해 건물에너지시스템이 운영될 수 있도록 하였다. 운영장치는 신재생융복합건물에 설치되어 건물에너지시스템을 운영할 수 있도록 하였다. 추가적으로 시험주택에 모니터링 시스템을 구축하여 에너지운영 상세데이터를 수집할 수 있도록 하였으며 추후 운영장치의 에너지운영 최적화기법의 성능검증 및 개선에 활용할 예정이다.
제로에너지형 건물 및 타운 신재생복합에너지저장의 지능형 운영을 위한 예측적 물리모델과 동적계획 최적화기법 적용
이경호(Kyoung-ho Lee),공민석(Min-suk Kong),임흥빈(Heung-bin Lim),손정은(Jung-eun Son),황혜미(Hye-mi Hwang),신영기(Young-ki Shin),김의종(Eui-jong Kim) 대한설비공학회 2018 대한설비공학회 학술발표대회논문집 Vol.2018 No.11
본 연구는 소형 건물이나 주택, 건물군으로 구성된 타운의 복합신재생에너지시스템을 대상으로 지능형 운영기술에 대한 개발과 시뮬레이션 적용 성능에 대한 내용으로서, 건물과 에너지 시스템을 단순화한 물리적 예측모델을 이용하고 대상 건물로부터의 단기간 측정데이터를 이용한 학습을 통하여 부하예측과 에너지공급을 예측하며, 에너지저장의 운영 최적화를 위하여 동적계획법을 적용하여 하루 중 시간대별 실내설정온도, 열저장조 설정온도, 전력저장장치 충방전 설정전력을 계산하여 적용대상의 전체에너지를 최적화하고자 한다. 본 논문에서는 제로에너지형 주택과 계간축열식 제로에너지형 타운에 대한 TRNSYS 기반의 상세시뮬레이션 모델을 적용대상으로 하였으며, 단순화 물리 모델을 학습하고, 주택에 대하여 운영을 최적화한 결과와 함께 실적용을 위한 개념적 방안을 소개한다.
노주형(Joo-Hyung Roh),민세홍(Se-Hong Min),공민석(Min-Suk Kong) 한국화재소방학회 2022 한국화재소방학회논문지 Vol.36 No.6
본 연구에서는 화재 안전 향상을 위한 엣지 컴퓨팅(edge computing) 기반 화재감지시스템에 적용 가능한 합성곱 신경망 기반 이미지 분류 모델들인 MobileNetV2, ResNet101, EfficientNetB0를 이용하여 화재 예측 성능 해석을 수행하였다. 성능평가지표인 정확도, 재현율, 정밀도, F1-score와 혼동 행렬을 이용하여 화재 예측 성능을 비교 분석하였다. 또한 분류 모델의 경량화와 관련한 모델 용량 및 추론시간에 대한 비교 분석을 수행하였다. 비교 분석 결과로서 화재 예측 정확도는 EfficientNetB0 모델이 가장 높았으며 경량성 측면에서는 MobileNetV2가 가장 우수한 것으로 확인하였다. 더하여 화재와 유사한 특징을 갖는 비 화재 이미지인 빛과 연무에 대한 이미지 특성을 추가 학습한 결과, 경량성은 우수하나 예측 성능이 낮은 MobileNetV2의 화재 예측 정확도가 개선되는 것을 확인하였다. In this study, fire prediction performance was analyzed using convolutional neural network (CNN)-based classification models such as MobileNetV2, ResNet101, and EfficientNetB0 applicable to an edge computing-based fire detection system for improving fire safety. The fire prediction performance was evaluated using the performance evaluation measures including accuracy, recall, precision, F1-score, and the confusion matrix. The model size and inference time were assessed in terms of the light-weight classification model for the practical deployment and use. The analysis results confirmed that the EfficientNetB0 model had the highest fire prediction accuracy, and the MobileNetV2 was the best light-weight classification model. Notably, additionally learning the image features about light and haze images having similar features with those of the fire images improved the fire prediction accuracy of the light-weight MobileNetV2 model.
객체 탐지 기법 적용 YCbCr 컬러모델의 화염 영역 검출 특성에 관한 연구
노주형(Joo-Hyung Roh),민세홍(Se-Hong Min),공민석(Min-suk Kong) 한국화재소방학회 2023 한국화재소방학회논문지 Vol.37 No.6
화염 영역 검출을 위한 기존 YCbCr 컬러모델은 다양한 색상의 화염에 대한 낮은 검출 성능과 화염과 유사한 색상의 객체에 대한 오검출 특성을 갖는다. 따라서 본 연구에서는 YCbCr 컬러모델의 화염 영역 검출 성능을 개선하기 위하여 객체 탐지 기법 적용 개선된 YCbCr 컬러모델을 제안하였다. 화염과 유사한 색상을 갖는 객체 영역에 대한 검출을 방지하기 위해 객체 탐지 딥러닝 모델인 YOLOv8을 적용하여 화염 객체 영역을 탐지하고 해당 영역 내에서 화염을 검출하도록 하였다. 또한 화염 영역 검출 성능을 개선하기 위하여 적색 지배형 화염과 황색 지배형 화염을 구분하여 화염을 검출하는 YCbCr 규칙을 적용하였다. 화염 영역 검출 성능을 평가한 결과, 제안된 모델의 intersection over union (IoU) 값이 기존 YCbCr 모델 대비 약 15.4% 향상되었다. 또한 화재 및 비화재 예측성능의 경우 제안된 모델의 정밀도, 재현율, F1-score 값이 기존 YCbCr 모델 대비 각각 15.9%, 28.2%, 24.7%로 개선되었다. The existing YCbCr color model for flame segmentation has a low segmentation performance for various colored flames and mis-segmentation for flame-like colored-object regions. An improved YCbCr color model using an object detection technique is proposed in this study to improve the flame segmentation performance of the existing YCbCr color model. YOLOv8, a deep learning model for object detection, was used to form a bounding box for the flame to prevent the segmentation of the flame-like colored-object region, and flame segmentation in the bounding box was performed. In addition, YCbCr rules were proposed to segment red and yellow flames to improve flame segmentation performance. The performance evaluation showed that the proposed model increased the intersection over union value by approximately 15.4% compared to that of the existing YCbCr model. In terms of the fire prediction performance evaluation, the precision, recall, and F1-score of the proposed model increased by approximately 15.9%, 28.2%, and 24.7%, respectively.
저에너지주택 CO2 기반 환기모델예측제어를 위한 실내오염도 학습모델
임흥빈(Heung Bin Lim),이경호(Kyoung Ho Lee),공민석(Min Suk Kong) 대한설비공학회 2018 대한설비공학회 학술발표대회논문집 Vol.2018 No.11
본 연구는 건물의 실내 CO₂를 이용하여 환기장치를 모델예측제어하기 위해 필요한 물리적 학습 모델을 구성함에 있어 모델 파라메터로써 유효실체적, 침기량, 누기량을 구하기 위해 침기량과 누기량의 개수를 달리하며 그 결과를 비교하였다. 파라메터와 사용 데이터의 단순화가 될수록 이를 보상하기 위해 모델 파라메터를 학습하며 실체적이 늘어난 결과가 나타나며 파라메터의 개수가 적을수록 모델의 학습 성능은 낮아지는 것으로 나타났다.
TRNSYS 건물 에너지 시뮬레이션 모델 캘리브레이션: GenOpt를 이용한 사례 연구
임흥빈(Lim, Heung-Bin),이경호(Lee, Kyoung-Ho),공민석(Kong, Min-Suk),서동현(Seo, Dong-Hyun) 한국건축친환경설비학회 2019 한국건축친환경설비학회 논문집 Vol.13 No.4
This paper demonstrates a calibration methodology for adjusting model parameters and factors using assistant tools - python and GenOpt. In this study, a building simulation model is developed for a demonstration building for a low-energy solar house. The model is composed of a 3D model describing building architecture and HVAC system model using TRNSYS simulation program. In this study, model calibration methodology consists of two phases in order to improve the accuracy of building energy model and reduce errors of simulation results: Parameter adjustment phase and factor optimization phase. Trial and error approach is used for the first phase and GenOpt tool is employed for the second phase to improve the model performance. Based on American Society of Heating, Refrigerating and Air-conditioning Engineers (ASHRAE) Guideline 14 indices, the performance of the calibrated building simulation model is evaluated to obtain Normalized Mean Bias Error (NMBE)hourly, values within ±10% and Coefficient Variation of Root Mean Square Error (CV (RMSE))hourly, values within 30%. The performance indices are calculated with simulated and measured temperatures of each indoor zone and buffer tank. Daily data is used for calibrating heat pump (HP) electrical energy consumption because it is hard to fit the operating time of HP which can be different to time that heating load occurs. As a result of the calibration process, it is found that the values of NMBEhourly and CV (RMSE)hourly achieves within followings: Average indoor temperature - NMBEhourly is 1.2% and CV (RMSE)hourly is 2.2%. Buffer tank temperature NMBEhourly is 1.5% and CV (RMSE)hourly is 8.2%. And the value of NMBEdaily and CV (RMSE)daily are used for HP electrical use as following: NMBEdaily is 9.5%, CV (RMSE) is 23.4%.