Novel distance-based masking and adaptive alpha-shape methods for CNN-ready reconstruction of arbitrary 2D CFD flow domains

📝 Abstract

**
흩어진 CFD 데이터(점군)를 균일한 직교 격자에 보간하면 실제 물리적 경계가 왜곡돼 볼록한 외피가 형성되고, 비물리적 영역이 활성화되는 문제가 발생한다. 본 논문은 이러한 왜곡을 교정하고 CNN‑학습에 바로 사용할 수 있는 구조화된 필드를 제공하기 위한 재구성 파이프라인을 제안한다.

1. 거리 기반 마스킹 – KD‑Tree 등 최근접 탐색을 이용해 격자점과 가장 가까운 샘플 간 거리를 계산하고, 격자 간격 최소값(τ) 이하를 내부로 판정한다.
2. 적응형 알파‑쉐이프 – 전통적 알파‑쉐이프의 전역 α 값을 폐기하고, Delaunay 삼각분할에서 국부 평균 엣지 길이를 이용해 α를 정규화함으로써 샘플 밀도 변화에 강인하게 대응한다.
3. 경계 팽창 후처리 – 최소 팽창(η) 연산을 적용해 격자화 과정에서 놓친 경계 근처 샘플을 회복한다.

제안 방법들의 성능을 정량적·위상학적 메트릭(보존율, 비지원 영역 억제, 겹침 일관성, 연결성)으로 평가했으며, 거리 기반 마스킹은 동일 임계값 규칙 하에 500–800배 가속, 적응형 알파‑쉐이프는 1.7–2.6배 가속을 달성했다. 최종적으로 거리 기반 마스킹을 기본 전략으로, 그에 대한 보완으로 적응형 알파‑쉐이프를 제시한다. 또한 전체 워크플로우를 웹‑앱으로 구현해 2D ASCII 데이터 업로드 → 파라미터 튜닝 → 마스크·경계 생성 → CNN‑ready 출력까지 일괄 처리한다.

---

**

💡 Deep Analysis

**

구분	핵심 내용	평가·의의
연구 배경	CFD 점군 → 균일 격자 보간 시 발생하는 볼록형 외피 문제와 비물리적 영역 활성화	CNN은 규칙적인 격자를 전제하므로 전처리 중요성을 강조
주요 기여	1️⃣ 거리 기반 마스킹(전역 임계값 τ = 최소 CFD 격자 간격) 2️⃣ 데이터 해상도 기반 적응형 알파‑쉐이프(α 정규화) 3️⃣ 경계 팽창(η) 후처리 4️⃣ 위상학적 메트릭 세트 5️⃣ 웹‑앱 구현	기존 알파‑쉐이프의 전역 파라미터 튜닝 부담을 크게 경감하고, 계산 비용을 획기적으로 감소시킴
방법론 상세	- 거리 기반 마스킹: KD‑Tree를 이용한 O(N log N) 최근접 탐색 → 격자점마다 최소 거리 $d_i$ 계산 → $d_i$ ≤ τ이면 ‘내부’ 마스크 = 1, 그 외 0. - 적응형 알파‑쉐이프: Delaunay 삼각분할 후 각 삼각형(또는 엣지) 주변 평균 엣지 길 l̄_local을 구하고 α_i = κ·l̄_local (κ≈1) 로 정의. - 경계 팽창: 이진 마스크에 3×3 구조원소(또는 원형 커널)로 최소 팽창 수행 → 미세 누락 보완.	거리 기반은 전역 파라미터 하나만 필요해 설정이 간단하고, 복잡한 기하에서도 일관된 성능을 보임. 적응형 알파‑쉐이프는 지역 해상도에 따라 α를 자동 조정해 얇은 틈새와 급격한 곡률을 보존.
실험 설정	4가지 내부 흐름(급격 확·축, Y‑분기, 수축‑팽창 노즐, 곡선 터빈 통로) → 각기 다른 복합형 경계와 토폴로지를 가짐. CFD 시뮬레이션 후 2D 스칼라·벡터 필드(속도, TKE, ε, 온도, 열유속) 를 균일 격자에 보간, 마스크 재구성 수행.	다양한 토폴로지를 포함해 방법의 일반성을 검증.
정량적 결과	- 거리 기반: 보존율 96–99 % (α‑쉐이프 대비 0.5–2 % 향상), 비지원 영역 활성화 <0.08 %, 가속 500–800×. - 적응형 α‑쉐이프: 보존율 95–98 %, 가속 1.7–2.6×, 파라미터 κ=1 고정 시 안정적. - 경계 팽창: 보존율 추가 0.5–2.96 % 상승, 부작용 미미.	거리 기반이 정확도·속도·설정 용이성 3면에서 가장 우수함을 입증.
강점	1. 단일 전역 임계값만으로 복합형 경계 복원 가능 2. KD‑Tree 기반 구현이 간단하고 GPU 가속도 용이 3. 알파‑쉐이프의 파라미터 튜닝 필요성을 크게 완화 4. 위상학적 메트릭을 도입해 단순 면적·오차 지표를 넘어 토폴로지 보존을 정량화 5. 웹‑앱으로 비전문가도 손쉽게 사용 가능	실무 엔지니어·연구자가 CFD → CNN 파이프라인을 구축할 때 시간·노력 절감을 기대할 수 있음.
제한점 및 개선점	- 현재 2D에만 검증; 3D 확장은 슬라이스 기반 접근에 의존, 실제 3D 복합형 경계에서는 연속성 문제가 발생 가능. - 거리 기반은 격자 해상도에 민감; τ를 최소 CFD 격자 간격으로 고정하면 매우 촘촘한 격자에서는 메모리·시간 부담이 커질 수 있음. - 알파‑쉐이프 적응화는 지역 평균 엣지 길이에만 의존, 급격한 밀도 변화 구간에서는 과/과소 평활 위험.	3D Delaunay/볼륨 알파‑쉐이프와 거리 기반을 GPU‑가속 KD‑Tree(FAISS 등)로 확장하고, 다중 스케일 τ(예: 히스토그램 기반 자동 선택) 도입이 필요.
향후 연구 방향	1. 3D 전용 구현 및 대규모 점군(>10⁶) 처리 성능 평가 2. 다중 물리량 동시 마스킹(예: 온도·속도·압력 동시 보존) 3. 학습 기반 파라미터 자동 튜닝(메타러닝으로 τ·κ·η 최적화) 4. CNN‑friendly 데이터 증강(마스크 변형·노이즈 주입)과 결합해 전이학습 성능 향상 5. 오픈소스 라이브러리(Python·C++ API) 제공 및 커뮤니티 피드백 수집	논문의 실용성을 넘어 학계·산업 전반에 걸친 데이터 전처리 표준을 제시할 잠재력이 있음.
전체적인 의의	본 연구는 “데이터 전처리 → 딥러닝” 흐름에서 가장 취약한 ‘경계 왜곡’ 문제를 수학·컴퓨팅 기법으로 체계적으로 해결하고, 속도·정확도·사용성을 동시에 만족시키는 실용적 솔루션을 제공한다는 점에서 큰 의미가 있다. 특히, 거리 기반 마스킹을 기본 전략으로 제시함으로써 복잡한 파라미터 튜닝 없이도 다양한 CFD 응용에 바로 적용할 수 있다. 이는 CFD‑CNN 연계 연구의 진입 장벽을 크게 낮추고, 향후 물리‑인포머(Physics‑Informed) 모델링과 결합될 때 데이터 품질이 모델 성능에 미치는 영향을 최소화할 수 있게 한다.

---

**

📄 Full Content

컨볼루션 신경망(CNN)의 구조와 응용에 관한 한글 번역 (2000자 이상)

컨볼루션 신경망(CNN)은 구조화된 데이터로부터 계층적이며 공간적으로 상관된 특징을 추출하는 가장 강력한 아키텍처 중 하나로 부상하였다[1][2][3]. 원래는 컴퓨터 비전 분야를 위해 개발되었으며[4,5], 복잡한 과학·공학 데이터셋으로부터 다중 스케일 표현을 학습하는 데에도 높은 효율을 보였다[6][7][8]. CNN의 핵심 강점은 컨볼루션 연산에 있다. 이 연산은 지역 수용 영역(local receptive field)과 가중치 공유(weight sharing)를 이용해 공간적 의존성을 포착하면서, 변환 불변성(translational invariance)과 계산 효율성을 동시에 확보한다. 컨볼루션, 풀링, 정규화, 활성화 층을 차례로 쌓음으로써, CNN은 물리량 필드와 패턴의 저수준부터 고수준까지의 추상화를 점진적으로 학습한다.

적절히 구조화·정규화된 데이터셋으로 학습된 CNN은 고비용 시뮬레이션을 대체하는 빠른 데이터 기반 대리 모델로 활용될 수 있을 뿐 아니라, 특징 추출, 차원 축소, 패턴 인식 등 다양한 작업에도 유연하게 적용된다[9][10][11][12]. 경계 조건과 물리적 응답 사이의 비선형 매핑을 근사하는 능력 덕분에, 거의 실시간에 가까운 예측 및 최적화가 가능해져 여러 분야에서 큰 가치를 제공한다.

유체역학·열전달 분야에서는 CNN이 속도[13,14], 압력[15,16], 온도[17,18] 필드를 재구성하고, 난류 구조[19,20]를 예측하며, 대류, 경계층 발달, 흐름 분리와 같은 열유체 현상을 모델링하는 데 활용되어 왔다[21][22][23]. 이러한 접근은 고정밀 시뮬레이션을 가속화하고, 열교환기·에너지 저장 장치·상변화 공정 등 효율적인 열시스템 설계에 기여한다[24][25][26].

열유체 분야를 넘어, CNN은 재료 과학에서 미세구조 분석·물성 예측[27,28], 의료 영상에서 분할·진단[29,30], 지구과학에서 날씨 예보·지진 해석·지하수 모델링[31][32][33] 등에 핵심적인 역할을 수행한다. 공간적 의존성을 효율적으로 포착하고 기하학적 충실도를 유지함으로써, 데이터 기반 추론과 물리적 해석 가능성을 연결하는 다리 역할을 한다. 이는 CNN에 최적화된 구조화된 데이터셋을 생성하기 위한 전처리·도메인 재구성 프레임워크 개발을 촉진한다.

---

1. 구조화된 그리드와 CNN의 필요성

CNN의 성능은 구조화되고 격자에 정렬된 데이터에 크게 의존한다. 컨볼루션 연산은 이웃점이 균일하게 배치된 공간적 규칙성을 전제로 하기 때문에, 일관된 커널 적용, 효율적인 연산, 다중 스케일 특징 추출이 가능해진다. 반면, 대부분의 과학·공학 데이터는 비구조화 혹은 산포형(scattered) 형태이며, 불규칙한 메쉬, 실험 데이터, 혹은 결측이 있는 포인트 클라우드 등에서 유래한다[34,35].

이를 해결하기 위해 PointNet[36], PointNet++[37], PointConv[38], Kernel Point Convolution(KPConv)[39]와 같은 포인트 기반 신경망, 그리고 그래프 컨볼루션 네트워크(GCN)[40], GraphSAGE[41], ChebNet[42], Graph Attention Network(GAT)[43], MeshCNN[44] 등 그래프 기반 아키텍처가 개발되었다. 이들 방법은 기하·위상 관계를 보존하면서 비유클리드 데이터를 직접 처리할 수 있다. 그러나 높은 계산 비용, 복잡한 이웃 구조 구축, 대규모 다차원 필드에서 지역 공간 상관성을 포착하는 효율성 부족 등의 한계가 있다[45,46].

이에 비해 CNN은 구조화된 격자와 명확히 정의된 수용 영역을 활용해 효율적인 컨볼루션 연산, 공간 변환 불변성, GPU 기반 병렬화 등을 제공한다. 이러한 확장성·계산 효율·학습 안정성은 대규모 과학·공학 데이터셋에 특히 적합하게 만든다. 따라서 비구조화·산포형 데이터를 구조화된 격자로 재구성하고 도메인을 정규화하는 접근이 실용적이며 강력한 전략으로 자리 잡았다[5,47].

하지만 불규칙하거나 분리된 영역 근처의 경계 복원은 여전히 핵심 과제로 남아 있다. 균일 격자 보간은 기하학을 왜곡해 볼록 외피(convex envelope)를 생성하고, 이는 실제 물리적 영역을 과도하게 포함하게 만든다. 따라서 왜곡된 표현으로부터 진정한 오목(concave) 물리 경계를 복원할 수 있는 방법이 필요하다[48].

---

2. 거리 기반 경계 복원 방법

거리 기반 경계 복원은 임계값(thresholding) 혹은 레벨셋(level‑set) 방식으로 구현되는 간단하면서도 매우 효과적인 전략이다. 핵심 아이디어는 구조화된 격자상의 각 점과 가장 가까운 산포 샘플 간의 거리장을 계산하고, 사전에 정의된 거리 임계값에 따라 격자 노드를 내부·외부로 분류하는 것이다.

1. 거리장 계산 – KD‑Tree 등 효율적인 최근접 이웃(NN) 검색 구조를 이용해 격자점마다 가장 가까운 샘플까지의 유클리드 거리를 구한다[49].
2. 이진 마스크 생성 – 거리 ≤ τ인 점을 내부(1)로, 그 외를 외부(0)로 라벨링한다.
3. 형상 보존 – 부호 거리장(Signed Distance Field, SDF)은 기하적 근접성을 자연스럽게 포착하므로, 복잡한 형태·분리된 컴포넌트·불규칙 경계도 별도 메쉬 없이 표현 가능하다[50,51].

표 1은 이 방식을 다양한 과학·공학 분야에 적용한 연구들을 정리한 것이다.

---

3. α‑shape 기반 경계 복원

컴퓨팅 기하학에서는 α‑shape(또는 α‑complex) 를 이용해 비볼록 경계를 복원한다. Delaunay 삼각분할을 필터링하고, circumsphere 반지름이 지정된 α보다 작은 단순체(simplices)만을 남겨 비볼록 형태를 형성한다[67,68].

• 전역 α 값 하나만 사용할 경우, 샘플 밀도가 고르지 않은 경우 경계가 과도하게 매끄러워지거나 파편화될 위험이 있다.
• 적응형 α‑shape 은 지역 평균 엣지 길이 통계 등을 활용해 공간적으로 가변적인 α 값을 자동으로 결정한다. 이는 얇은 피처, 좁은 틈, 이질적인 영역을 보존하면서 CNN‑ready 구조화 마스크를 보다 견고하게 만든다[69,70].

표 2는 LiDAR, 의료 영상, 지구물리, 산림학, 입자 시뮬레이션 등에서 α‑shape 및 적응형 변형을 적용한 사례들을 요약한다.

전통적인 거리 기반 복원은 물리적 경계가 명시적으로 알려진 경우에 거리 계산을 수행한다. 이는 곡선형 경계에서 법선 추정 등 추가 연산이 필요해 계산 비용이 상승한다. 본 연구에서는 경계 정보를 전혀 사용하지 않고 입력 샘플과 격자점 간의 직접 NN 비교만으로 내부·외부를 판별한다. 이는 두 점 집합 간 거리 평가 문제로 재구성한다는 점에서 새로운 접근이다.

---

4. 제안된 세 가지 혁신

1. 거리 기반 복원의 첫 번째 혁신 – 명시적 경계 정보와 경계‑거리 평가를 배제하고, 입력 샘플과 격자점 간의 직접 NN 비교만으로 마스크를 생성한다.
2. 적응형 α‑shape의 두 번째 혁신 – Delaunay 테셀레이션에서 추출한 지역 평균 엣지 길이를 이용해 공간별 α 값을 자동으로 결정한다. 이는 재구성된 경계와 실제 물리 경계 사이의 일치를 크게 향상시킨다.
3. 경계 팽창(refinement) 세 번째 혁신 – 격자 기반 재구성 후 발생하는 경계 미포함 현상을 보정하기 위해 마스크를 최소한으로 팽창(확장 계수 η)한다. 이는 래스터화·서브볼륨 정렬 오류로 누락된 경계 인접 샘플을 포괄하면서, 불필요한 비지원 영역 활성화를 방지한다.

또한, 위상 인식형 메트릭 집합을 제안해 보존율, 비지원 영역 억제, 겹침 일치, 연결성 등을 정량화한다.

---

5. 웹 기반 워크플로우

전술한 방법들을 실용화하기 위해 전용 웹 애플리케이션을 개발하였다. 사용자는 2D ASCII 데이터셋을 업로드하고, 각 재구성 전략의 파라미터(τ, α, η 등)를 조정한 뒤, 자동으로 구조화된 출력 파일을 다운로드할 수 있다.

• 인터페이스는 거리 기반 분류, 전통적 α‑shape, 적응형 α‑shape 세 가지 옵션을 제공한다.
• 재구성 과정에서 물리적 경계를 직접 추출·시각화함으로써, 사용자는 결과를 즉시 검증하고 필요에 따라 파라미터를 튜닝할 수 있다.

---

6. 2D 적용 범위와 3D 확장 가능성

본 연구는 이미지 기반 CNN 워크플로우에 맞추어 2차원(2D) 기하학에 초점을 맞추었다. 2D 설정은 재구성·마스킹·메트릭 평가를 직관적이고 해석 가능하게 제시하면서, 다수의 엔지니어링 사례를 충분히 대표한다.

3차원(3D) 경우에도 동일 파이프라인을 슬라이스 기반 전략으로 적용할 수 있다. 즉, 3D 도메인을 여러 2D 단면으로 분할하고 각 단면을 독립적으로 처리한 뒤, 결과를 다시 합치는 방식이다.

---

7. 내부 흐름 사례 연구

내부 흐름은 파이프 네트워크, 열교환기, 노즐, 혈관 등 다양한 엔지니어링·생물학 시스템의 핵심이다. 비록 기하학적으로 단순해 보이지만, 분리, 재순환, 2차 와류, 급격한 가속·감속 등 복잡한 현상이 발생한다. 이러한 현상은 압력 손실, 혼합, 열·물질 전달, 입자 운반 등에 직접적인 영향을 미치므로, 정확한 수치 예측이 필수적이다.

본 논문에서 다룬 네 가지 내부 흐름 구성은 다음과 같다(그림 1a‑d 참조).

번호	구성	주요 기하 파라미터
(a)	급격한 팽창·수축 덕트	입구 길이 L, 폭 R → 메인 섹션 L, R → 수축 섹션 L, R
(b)	Y‑형 분기 채널	총 분기 각 2φ, 입구 길이 L, 폭 R, 각 지류 L, R
(c)	수축‑확장 노즐	입구 수축 L, R → 최소 목폭 R → 확장 L, R
(d)	곡선 터빈 통로	상류·하류 덕트 L, R, 블레이드 �ord L, 축 �ord L, 입구 각 ω, 출구 각 φ

각 기하학적 치수는 기존 검증 연구에서 차용했으며, 실용적·공학적 타당성을 유지하기 위해 표 3에 정리하였다.

CFD 시뮬레이션 후, 속도 성분·난류 운동량·특정 난류 소산률·온도·열 플럭스 등을 균일한 직교 Cartesian 격자에 보간한다. 그러나 이 과정에서 볼록 외피(convex envelope) 가 형성되어, 실제 물리 영역 외에 비물리적 영역이 활성화되는 문제가 발생한다(그림 2a‑d). 따라서 볼록 외피를 실제 오목 경계로 복원하는 강건한 재구성 전략이 필요하다.

---

8. 세 가지 재구성 전략

1. 거리 기반 재구성 – 격자점과 입력 샘플 간의 최근접 거리 계산 후, 임계값 τ에 따라 내부·외부를 구분하고, 형태학적 클로징(팽창·침식)으로 작은 구멍을 메운다.
2. 전통적 α‑shape 재구성 – Delaunay 삼각분할을 기반으로 α‑complex를 구성하고, α 파라미터에 따라 볼록 외피를 오목 형태로 전환한다.
3. 적응형 α‑shape 재구성 – 경계 근처 지역 평균 엣지 길이를 이용해 공간별 α 값을 자동 조정함으로써, 얇은 피처와 복잡한 토폴로지를 보존한다.

각 방법에 대해 데이터 보존율, 기하학적 충실도, 위상 일관성을 정량화하는 메트릭을 정의하고, 구조화된 격자 위에서 비교 평가한다.

---

9. 수학적 정의

산포 데이터 집합을

[ \mathcal{P}= {(\mathbf{x}_i,\mathbf{f}i)}{i=1}^{N},\qquad \mathbf{x}_i\in\mathbb{R}^d,; d\in{2,3}, ]

라 두고, 축에 정렬된 바운딩 박스

[ \mathcal{B}= {\mathbf{x}\mid \mathbf{x}^{\min}\le \mathbf{x}\le \mathbf{x}^{\max}} ]

를 정의한다. 여기서 (\mathbf{x}^{\min},\mathbf{x}^{\max})는 각각 좌·우(또는 상·하) 경계값이다.

(\mathcal{B})를 균일하게 샘플링한 구조화 격자

[ \mathcal{G}= \bigotimes_{k=1}^{d}{x^{\min}_k, x^{\min}_k+\Delta $x_k$,\dots ,x^{\max}_k}, ]

를 구성한다. (\Delta \mathbf{x}= (\Delta x_1,\dots,\Delta $x_d$))는 격자 간격이며, (\mathbf{n})은 격자 해상도 벡터이다.

산포 데이터를 격자에 선형 보간(piecewise‑linear) 방식으로 전송한다. 보간 가중치 (\gamma(\mathbf{x}))는 Delaunay 테셀레이션에 의해 정의되며, (\mathbf{x})가 포함된 단순체의 정점에만 비제로 값을 갖는다. 따라서 임의의 쿼리 점 (\mathbf{p})에 대해

[ \mathbf{f}^{*}(\mathbf{p}) = \sum_{j\in \text{simplex}(\mathbf{p})}\gamm$a_j$(\mathbf{p}),\mathbf{f}_j, ]

와 같이 최대 (d+1)개의 샘플만이 기여한다.

---

10. 거리 기반 마스킹 절차

각 격자점 (\mathbf{x}_j\in\mathcal{G})에 대해

[ $d_j$ = \min_{i}|\mathbf{x}_j-\mathbf{x}_i|_2 ]

를 계산하고, 거리 지도 (D={$d_j$})를 만든다. 임계값 (\tau)를 적용해

[ \chi(\mathbf{x}_j)= \begin{cases} 1 & $d_j$\le \tau,\ 0 & \text{otherwise}, \end{cases} ]

를 정의한다. 이후 형태학적 클로징

[ \chi’ = (\chi\oplus B)\ominus B, ]

을 수행해 작은 구멍을 메우고, 최종 마스크

[ \mathcal{M}= {\mathbf{x}_j\mid \chi’(\mathbf{x}_j)=1} ]

를 얻는다. 여기서 (B)는 Chebyshev 반경 (r)을 갖는 정육면체 구조 요소이며, (s)는 구조 요소의 크기를 결정한다.

---

11. α‑shape 재구성

산포 집합 (\mathcal{P})에 대해 Delaunay 복합체 (\text{Del}(\mathcal{P}))를 구성한다. 각 단순체 (\sigma)는 circumball (\mathcal{S}(\mathbf{c}_\sigma,$r_\$sigma))을 갖는다.

주어진 (\alpha>0)에 대해

[ \mathcal{C}_\alpha = {\sigma\in \text{Del}(\mathcal{P})\mid $r_\$sigma\le \alpha} ]

를 선택하고, 모든 면을 포함시켜 α‑complex를 만든다. α‑shape은 이 복합체의 기하학적 실현이며, 경계 (\partial\text{Sh}_\alpha(\mathcal{P}))가 물리적 도메인의 재구성된 형태가 된다.

전통적 α‑shape은 전역 α 하나만 사용하므로, 샘플 밀도가 고르지 않을 경우 과도한 매끄러움 혹은 경계 파편화가 발생한다.

---

12. 적응형 α‑shape

경계 근처 지역 평균 엣지 길이 (\bar{l}_\text{edge}(\mathbf{x}))를 추정하고,

[ \alpha(\mathbf{x}) = \kappa ,\bar{l}_\text{edge}(\mathbf{x}), ]

와 같이 공간별 α를 정의한다((\kappa)는 경험적 스케일 계수). 이렇게 하면 얇은 피처는 작은 α, 넓은 평탄 영역은 큰 α가 적용돼, 전체 경계가 실제 물리 형태와 높은 일치를 보인다.

---

13. 경계 팽창(Inflation) 정제

재구성 후 얻은 마스크 (\mathcal{M})는 래스터화 오차로 인해 경계 인접 샘플을 놓칠 수 있다. 이를 보완하기 위해

[ \mathcal{M}\text{inflated}= { \mathbf{x}\mid \exists \mathbf{y}\in\mathcal{M},; |\mathbf{x}-\mathbf{y}|\infty \le \eta}, ]

와 같이 확장 계수 (\eta) 로 최소 팽창한다. 이렇게 하면 작은 구멍을 메우면서, 불필요한 비지원 영역을 과도하게 활성화하지 않는다.

---

14. 평가 메트릭

• 보존율 (Retention) – 원본 샘플이 마스크 내부에 남아 있는 비율.
• 비지원 영역 억제 (Suppression of Unsupported Regions) – 실제 물리 영역 외에 마스크가 차지하는 비율.
• 겹침 일치 (Overlap Agreement) – 재구성된 경계와 기준(예: 고해상도 메쉬) 사이의 IoU(Intersection‑over‑Union).
• 연결성 (Connectivity) – 마스크가 하나의 연결된 컴포넌트인지 여부(위상 일관성).

---

15. 결론

본 논문에서는 비구조·산포형 과학·공학 데이터를 CNN에 바로 적용할 수 있는 구조화된 격자로 변환하는 전 과정을 체계화하였다.

1. 거리 기반 마스킹은 경계 정보를 전혀 필요로 하지 않으며, NN 검색만으로 빠르게 비물리적 영역을 제거한다.
2. 적응형 α‑shape은 지역 해상도에 기반해 가변 α를 자동 결정함으로써, 복잡하고 이질적인 경계에서도 높은 기하학적 충실도를 유지한다.
3. 경계 팽창 정제는 격자화 과정에서 발생하는 미세 누락을 보완해, 최종 마스크가 물리적 도메인을 완전하게 포괄하도록 만든다.

또한, 웹 기반 인터페이스를 제공해 사용자는 2D ASCII 데이터를 손쉽게 업로드하고, 파라미터를 조정한 뒤, CNN‑ready 구조화 출력을 즉시 얻을 수 있다.

비록 현재는 2D 이미지 기반 CNN 워크플로우에 초점을 맞추었지만, 제시된 파이프라인은 슬라이스 기반 3D 확장에도 그대로 적용 가능하다. 따라서 다양한 분야에서 고성능 CNN을 활용한 데이터‑구동 시뮬레이션·설계·예측 작업을 수행하기 위한 실용적인 전처리 솔루션으로 활용될 수 있다.