유동장 해석에서 와도분포를 보다 정확하게 추정하는 것은 국소 변동 압력분포 추정, 나아가서는 난류 특성의 정량화에 기여하게 된다. 정량적 유동가시화기법에 해당되는 PIV(Particle Imaging Velocimetry, Adrian, 1991)법, PTV(Particle Tracking Velocimetry, Doh, 2002)법은 유동장 전체에 대한 정보를 제공하는 관계로 비정 상(unsteady)유동 해석에 많이 적용된다. 그런데, PIV법에서는 2시 각분의 영상사이에 계산영역(상관영역이라고도 함)내의 입자의 밝 기 정보의 상관도를 이용하여 속도벡터를 구하게 되므로 이 계산영 역보다 작은 크기의 와(vortex)에 대해서는 필터링 효과에 의하여 측정이 불가능하게 된다. 또한, PTV법에서는 2시각분의 영상사이에 입자중심의 정보를 이용하여 속도벡터를 얻어내는 관계로 측정원리 상 난류유동의 가장 작은 스케일에 해당되는 Kolmogrov 스케일까지 측정이 가능하게 된다. 그러나 PTV법은 보간하는 과정에서 Kolmogrov 스케일과 관련된 난류통계량이 필터링효과에 의하여 사라지게 되어 결국 PIV법의 필터링 효과에 의하여 사라지게 되는 동일한 결과를 초래하게 되어 본 연구는 PTV알고리즘에 있어서 보간 효과를 억제 하는 알고리즘의 구축과 관련되어 있다.
자연 현상이나 산업 현장에서 관찰되는 유동의 대부분은 비정상 (unsteady) 난류 유동(turbulent flow)이다. 유동을 기술하는 유체
역학의 기본방정식의 해는 Navier-Stokes 방정식의 발견 이래로 계
Yamakawa와 Iwashige(1986), Racca와 Dewey(1988), Adamczyk와 Rimai(1988), Kobayashi(1989) 등은 두 대의 카메라를 계측영역에 대하여 직각 방향으로 설치함으로써 카메라의 좁은 시선 각으로 인 한 깊이방향의 계측 오차를 줄였으나, 여전히 복잡한 유동장에서는 카메라의 위치선정이 까다로웠다. Kobayashi(1991) 등은 이러한 단 점을 극복하기 위해 AOM(Acousto Optical Modulator)이라 불리는 광학장치를 이용하여 4-Frame PTV계측법을 구축하였으나, 결과가 2 차원에 한정되었고, 계측 결과도 Baek and Lee(1996)의 2-Frame PTV알고리즘 보다 상대적으로 낮았다.
또한, Multi-Frame PTV방법은 여러 장의 연속적인 이미지를 사용 하여 동일입자를 추적하는 알고리즘을 채택하고 있기 때문에 상대 적으로 속도가 빠르거나 3차원성이 강한 복잡한 유동장에 적용하는 것은 거의 불가능하다. 이러한 단점을 극복하기 위해서 Doh(1996) 등의 연구에서는 1-Frame 3-D PTV알고리즘을 개발하였다. 최근에는 Adrian(1991) 등이 인간의 눈이 하나의 사물을 입체적으로 보는 원 리를 이용한 스테레오스코픽(stereoscopic) 기법의 사용이 널리 보 급되어 상용화되었다. 이는 2대의 카메라를 사용하여 PIV법에 의한 두 대 각각의 시각에서 바라본 2차원 벡터장의 계산결과를 매칭하 여 3차원의 공간벡터를 얻는다. 그러나 스테레오스코픽의 경우 평 면적인 벡터의 신뢰도는 우수하지만 유동장의 전역에 대한 순시 벡터의 획득은 불가능하다.
위의 해석법 이외에 최근에 각광 받고 있는 자연세계의 진화현상
인 적자생존에 기초한 최적화 알고리즘인 John Holland에 의해 개발된 유전적 알고리즘(Genetic Algorithm, GA)은 주어진 문제의 탐색 공간 내에서 최적화 할 목적 함수에 대해 초기 해로부터 재생 산(reproduction), 교배(crossover), 돌연변이(mutation)를 거쳐 새로운 자손을 인공적으로 만들어 내고, 자연의 생물유전을 모방한 과정에서 필터링효과(filtering effect)로 원래의 속도벡터(random vector)값이 평가 절하 또는 평가 절상되는 경우가 허다하다. 이는