Flow visualization is a subfield of data visualization, covering various science and engineering fields. It transforms the flow data defined by the velocity vector field into a meaningful visual representation. Even though there are many visualization methods for flow data, streamline is one of the most frequently utilized methods. Streamline is a geometric flow visualization technique that reveals the instantaneous particle trajectory along the velocity field. It describes global flow patterns to be able to understand flow streams intuitively. However, it is challenging to determine the seed locations generating streamlines that extract essential flow features. This thesis deals with the problem mentioned above using a deep learning model that learns global flow patterns and predicts the importance of streamlines across every grid point in the flow field. We presented a semi-automatic streamline generation method that reveals important flow features using the proposed deep learning model as well. More specifically, we proposed a deep regression model that learns global flows in the 3D velocity field to predict not only the importance score but also the spatial and shape properties of the streamlines across the entire flow field. Moreover, we presented the proposed model-based user interface, which shows the predicted information visually to extract important streamlines semi-automatically among all available streamlines. The proposed method was evaluated quantitatively and qualitatively by applying into 3D CFD data sets and performing an expert review.
유동 시각화는 다양한 공학 및 과학 분야에서 속도 벡터장으로 정의되는 유동 데이터를 시각적인 형태로 변환하는 데이터 시각화의 한 분야이다. 계산유체역학 시뮬레이션의 결과로 생성되는 유동 데이터를 시각적으로 표출하기 위한 다양한 방법들이 존재하지만, 스트림라인 시각화 기법은 그중 가장 널리 사용되는 기법 중 하나이다. 스트림라인은 파티클의 순간적인 흐름을 시각적으로 표출하는 기법으로, 유동해석 데이터에서 전역적인 유동의 흐름을 묘사할 수 있고, 직관적으로 이를 이해할 수 있도록 한다. 그러나 유동의 중요한 특성을 표출하는 스트림라인들을 시각화하는 씨드 포인트를 선택하는 것은 전통적으로 매우 어려운 문제로 알려져 있다. 이러한 문제를 해결하기 위해 본 연구에서는 유동의 전역적인 흐름을 학습하고, 유동 데이터의 각 격자점 마다 해당 지점에서 생성 가능한 스트림라인의 중요도를 미리 예측하는 심층 학습 모델과 해당 모델을 이용해서 유동의 중요한 특징을 표출하는 스트림라인을 반자동적으로 생성하는 방법을 제안했다. 이를 위해 3차원 속도 벡터장의 흐름을 학습하고, 각 씨드 포인트 후보 위치에서 생성 가능한 스트림라인의 중요도는 물론, 해당 스트림라인의 공간 및 형태적 특징을 사전에 예측하는 심층 회귀 모델을 제안했다. 또한 제안한 심층 회귀 모델을 이용해서 사용자에게 생성 가능한 스트림라인의 정보를 미리 시각적으로 전달하는 사용자 인터페이스과 이를 이용해서 유동의 중요한 특징을 표출하는 스트림라인을 반자동적으로 생성하는 방법을 제시했다. 제안된 방법은 실세계 3차원 유동해석 데이터에 적용, 전문가 평가를 통해 정량적, 정성적으로 검증하였다.
