Modelling of the noise-added saturated steam table using neural networks

The thermodynamic properties of steam table are obtained by measurement or approximate calculation under appropriate assumptions. Therefore they are supposed to have basic measurement errors. And thermodynamic properties should be modeled through function approximation for using in numerical analysis. In order to make noised thermodynamic properties corresponding to measurement errors, random numbers are generated, adjusted to appropriate magnitudes and added to original thermodynamic properties. Both neural networks and quadratic spline interpolation method are introduced for function approximation of these modified thermodynamic properties in the saturated water based on pressure and temperature. In analysis spline interpolation method gives much less relative errors than neural networks at both ends of data. Excluding the both ends of data, the relative errors of neural networks is generally within ${\pm}0.2%$ and those of spline interpolation method within ${\pm}0.5$~1.5%. This means that the neural networks give smaller relative errors compared with quadratic spline interpolation method within range of use. From this fact it was confirmed that the neural networks trace the original values better than the quadratic interpolation method and neural networks are more appropriate method in modelling the saturated steam table.

노이즈가 포함된 포화증기표의 신경회로망 모델링

증기표의 상태량들은 실험을 통하여 얻어진 값이거나 적절한 가정하에서 근사적으로 계산된 값이다. 따라서 증기표의 상태량들은 기본적으로 오차를 가지고 있다. 또한 이러한 상태량을 수치해석에서 사용하기 위하여는 함수 근사를 통하여 모델링하여야 한다. 본 연구에서는 포화증기표에 대해 난수를 적절한 크기로 조절한 다음 원래의 성질들에 더하여 인위적으로 노이즈가 포함된 데이터를 만들어 측정오차를 포함하는 상태량의 대용으로 사용했다. 이 데이터의 모델링에는 신경회로망과 2차 스플라인 보간법을 사용되었다. 해석 결과 양단에서는 스플라인 보간법이 신경회로망보다 훨씬 더 적은 상대오차를 보였으며, 양단을 제외하면 신경회로망은 대체로 ${\pm}0.2%$, 스플라인 보간법은 ${\pm}0.5$~1.5%의 오차를 보였다. 이것은 사용 범위에서는 신경회로망이 스플라인 보간법보다 훨씬 더 적은 상대오차를 가진다는 것을 의미한다. 이 결과로부터 신경회로망이 스플라인 보간법보다 원래의 값은 더 잘 추적할 수 있으며, 신경회로망이 포화증기표의 모델링에 더 적절한 방법이라는 사실을 확인하였다.