PREDICTION OF PASSENGER EAR DISCOMFORT IN TUNNEL-RUNNING HIGH-SPEED TRAIN USING ARTIFICIAL NEURAL NETWORKS

H.M. Kang; H.B. Kwon

doi:10.6112/kscfe.2025.30.1.071

Preview

Original Article

Journal of Computational Fluids Engineering. 31 March 2025. 71-81
https://doi.org/10.6112/kscfe.2025.30.1.071

PREDICTION OF PASSENGER EAR DISCOMFORT IN TUNNEL-RUNNING HIGH-SPEED TRAIN USING ARTIFICIAL NEURAL NETWORKS

인공신경망을 활용한 터널 주행 고속철도차량의 승객 이명감 예측

H.M. Kang¹

H.B. Kwon²^†

강 형민¹

권 혁빈²^†

¹Dept. of Mechanical Engineering, Dongyang Mirae Univ.

²Dept. of Transportation System Engineering, Graduate School of Transportation, Korean National Univ. of Transportation

¹동양미래대학교 기계공학과

²한국교통대학교 교통대학원 교통시스템공학과

^{*Corresponding Author}

License (open-access, http://creativecommons.org/licenses/by-nc/4.0):

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0) which permits unrestricted noncommercial use, distribution, and reproduction in anymedium, provided the original work is properly cited.

ABSTRACT

An artificial neural network-based response surface was developed to predict passenger ear discomfort in high-speed trains traveling through tunnels. For this, axisymmetric flow analysis was conducted on high-speed trains running through tunnels, with variations in tunnel cross-sectional area, tunnel length, and train speed. Then, the time-dependent pressure change rate, derived from the pressure changes inside the train’s cabin, was obtained as the results of CFD computations. Subsequently, the response surface based on the artificial neural network was constructed from the results. The prediction errors between the response surface results and the actual CFD analysis values were within 2%. This confirmed the reliability and efficiency of the proposed passenger discomfort prediction method of the artificial neural network-based response surface.

Keywords

Passenger ear discomfort

High-Speed train

Tunnel

Artificial neural network

CFD

키워드

승객이명감

고속철도차량

터널

인공신경망

전산유체역학

MAIN

1. 서 론
2. 터널 내부 축대칭 유동 해석
3. 인공신경망을 활용한 반응면 구성
4. 반응면을 통한 해석값 예측
5. 결 론

1. 서 론

최근 국내외에서 기존의 300 km/h급 고속철도차량에 대해 최고주행속도를 증속하고자 하는 연구가 활발하게 수행되고 있다. 일례로 독일 Simens는 최고주행속도 360 km/h의 Velaro Novo를 2019년에 공개하였으며, 2023년 개량을 통해 미국의 새로운 고속철도 건설사업인 Brightline West에 도입을 목표로 하고 있다[1]. 영국의 경우 2029년과 2033년 사이에 개통을 목표하고 있는 최고주행속도 360 km/h의 고속철도 노선인 High Speed2(HS2) 사업을 통해, 신규 고속철도 노선 및 신규 고속열차의 개발을 진행하고 있다[1].

그러나 열차가 고속으로 주행하는 경우 차량 및 각종 부재에서 공기저항 및 공기소음이 증가하거나 차량이 터널 내부를 진행함에 따라 터널 출구에서 충격성 소음 문제가 발생하는 등 다양한 공기역학적 문제점들이 발생한다. 특히 고속열차가 터널 내부를 주행하는 경우 차량 주행에 따른 압축파와 팽창파가 발생하여 터널 내부 압력이 급격하게 변화한다[2]. 터널 내부 압력 변동은 차량 내부 객실에서의 급격한 압력변화를 유발하며 이로 인해 승객은 이명감을 느낀다[3]. 이러한 승객 이명감 문제를 해결하고자 차량 설계 및 제작 시에 차량 기밀도가 중요한 설계 요소 중 하나로 인식되고 있으며 객실 내 기압변화에 대한 기준을 법률로 규정하고 있다[4,5]. 따라서 차량 설계 시에 터널 내부 압력 변동에 따른 객실 내 기압변화에 대한 해석이 필수적으로 요구된다.

고속철도 차량의 터널 주행 해석 시 복잡한 3D 모델을 기반으로 해석을 수행하게 되면 많은 계산 자원과 시간이 필요하다. 차량 및 터널을 2차원 축대칭으로 가정하여 해석하게 되면 객실 내 압력변동 해석에 필요한 터널 내부에서의 압축파, 팽창파 및 압력파 전파에 따른 압력 변동 해석을 3차원 해석에 비해 서는 손쉽게 수행할 수 있다[3]. 그러나 최근 터널 길이가 길어지고 있으며 터널 단면적이 변화하는 바 차량 개발 시에 이러한 다양한 변수들을 변화시키면서 터널 내부 압력 변동을 해석하는 경우 여전히 계산 효율성 문제가 발생할 수 있다.

적정한 수준의 계산 정확도를 보장하면서 고속철도 차량의 터널 내부 주행 해석 시 발생할 수 있는 계산 효율성 문제를 해결하고자 본 연구에서는 2차원 축대칭 해석 결과로부터 인공신경망(Artificial Neural Network, 이하 ANN) 기반의 반응면 모델을 구성하고 이를 통해 객실 내부 압력 변동을 예측하고자 하였다. 반응면 기법은 다수의 해석 데이터를 학습하여, 복잡한 모델링 없이도 특정 변수들에 대한 반응을 빠르게 예측할 수 있도록 한다. 따라서 ANN을 이용해 고속철도차량의 터널 주행에 따른 터널 내부 압력 변동 및 이를 통한 객실 내부 압력 변동에 관한 반응면을 구성하면 이후에는 별도의 시뮬레이션 없이도 빠르고 정확하게 주어진 조건에서의 성능 예측을 수행할 수 있다.

본 연구에서는 터널 단면적, 터널 길이, 차량의 터널 내부 주행속도를 변경하면서 축대칭 Navier-Stokes 방정식을 이용하여 전산유체해석(이하 CFD)을 수행하였다. 해석 결과로부터 터널 내부 압력 변동 및 이에 따른 차량 객실 내부 압력변동의 값을 계산하였으며 이를 활용하여 ANN을 이용한 반응면을 구성하였다. 이후 반응면을 통한 예측값과 실제 해석값을 비교함으로 반응면의 정확도에 대해 평가하였다. 이러한 일련의 절차를 토대로 실제 유동 해석 없이도 주어진 조건에서의 승객 이명감에 대한 평가가 가능하도록 하는 성능 예측 프레임워크를 확립하고자 하였다.

2. 터널 내부 축대칭 유동 해석

본 연구에서는 2차원 축대칭 압축성 유동 해석을 수행할 수 있도록 한국교통대학교에서 개발한 C-STA^TM 프로그램을 이용하였으며 사용한 지배방정식은 식 (1)과 같다[3]. 식 (1)에서 $Q$ 는 보존량벡터를, $E$ , $F$ 는 플럭스 벡터를, $H$ 는 소스항을, $E_{v}$ , $F_{v}$ 는 점성 플럭스 벡터를, $H_{v}$ 는 점성 소스항을 의미한다[3].

(1)

\frac{\partial Q}{\partial t} + \frac{\partial E}{\partial x} + \frac{\partial F}{\partial y} + H = \frac{1}{R e_{c}} [\frac{\partial E_{v}}{\partial x} + \frac{\partial F_{v}}{\partial y} + H_{v}] Q = {[ρ u, ρ u^{2} + p, ρ u v, (ρ e + p) u]}^{T} F = {[ρ u, ρ u v, ρ v^{2} + p, (ρ e + p) v]}^{T} H = \frac{1}{y} {[ρ v, ρ u v, ρ v^{2}, (ρ e + p) v]}^{T}

C-STA^TM 프로그램에서 사용되는 격자계는 Fig. 1과 같다. 터널 내부(Zone 2) 및 터널 입구(Zone 3), 터널 출구(Zone 4)는 고정 영역으로 정렬 격자를 사용하여 격자가 생성되었으며 각 영역 간에는 patched grid 기법을 활용하여 영역 간 정보 전달을 수행하였다. 열차 형상의 경우 KTX-산천의 형상을 활용하였다. KTX-산천 차량의 경우 열차 길이와 차량의 최대 단면적, 차체 기밀도는 각각 201.3 m, 10.008 m², 18 sec이다. KTX-산천 차량 및 차량 전두부의 단면적 분포를 Fig. 2에 도시하였다. 이러한 단면적 분포로부터 반지름 분포를 구하여 열차의 축대칭 형상을 도출하였으며, 축대칭 형상으로부터 정렬 격자를 활용하여 열차 주변부(Zone 1) 영역의 격자를 구현하였다. 또한 Zone 1은 이동 영역으로 하여 터널 입구에서부터 열차 속도에 맞춰 터널 내부를 이동하도록 하였으며, 각 반복 계산마다 유동 계산 후 Overset과 Patched 기법을 결합하여 주변 고정 격자계와 유동 정보를 교환하도록 하였다[6].

https://cdn.apub.kr/journalsite/sites/kscfe/2025-030-01/N0500300107/images/jkscfe_2025_301_071_F1.jpg

Fig. 1.

The grid system of C-STA^TM

https://cdn.apub.kr/journalsite/sites/kscfe/2025-030-01/N0500300107/images/jkscfe_2025_301_071_F2.jpg

Fig. 2.

The nose shape and cross-sectional area distribution of the KTX-Sancheon

고속철도차량 속도 부여 시에 차량 주행 속도를 그대로 적용하여 터널에 진입시키는 경우 수치적인 압축파가 터널 내부로 전파되어 계산 정확도를 해치게 된다. 이를 해결하기 위해서는 터널 외부에서 충분히 주행시킨 후 열차를 터널에 진입시켜야 하나 이로 인해 계산 효율성이 저하된다. 따라서 짧은 거리에서 출발하여 열차를 주행 속도까지 가속시켜 급격한 가속으로 인한 수치 오차를 줄일 수 있도록 하는 완만한 출발 조건을 적용하였다[7]. 원방 경계조건은 자유흐름 조건과 유동의 방향에 따라 Riemann 불변량의 외삽을 통하여 속도, 압력 및 밀도를 구하였으며 경계면에 무반사 조건을 부여하였다.

객실 내 압력 변화 해석을 위해서 본 연구에서는 우선 터널 단면적( $T_{A}$ ), 터널 길이( $T_{L}$ ), 차량의 터널 내부 주행 속도( $V$ )를 유동변수로 하여 C-STA^TM 프로그램을 이용한 축대칭 유동 해석을 수행하였다. 각 유동변수의 값을 Table 1에 정리하였으며 전체 100개 Case에 대한 해석을 진행하였다.

Table 1.

The flow parameters and their variation ranges

Flow parameter	Range
Tunnel area( $T_{A}$ ) (m²)	50, 70, 90, 110, 130
Tunnel length( $T_{L}$ ) (m)	2000, 3000, 4000, 5000
Train velocity( $V$ ) (km/h)	200, 250, 300, 350, 400

해석 Case 중 $T_{A}$ =70 m², $T_{L}$ =4,000 m, $V$ =300 km/h 조건에 대해 비정상 해석 후 터널 벽면에서 추출한 압력값을 터널 위치 및 시간에 따라 Fig. 3(a)에 X-T contour로 도시하였으며, 25sec에서의 터널 벽면에서의 압력 분포를 Fig. 3(b)에 도시하였다. 그림에서 고속철도차량은 대략 터널의 중간 정도에 위치하며 차량의 터널 내부 주행에 따른 압축파 /팽창파의 전파 및 각 터널 출구에서의 반사, 터널 내부에서의 압력파 간 중첩에 따른 터널 내부 압력 변동을 확인할 수 있다. C-STA^TM 프로그램은 이러한 고속철도차량의 터널 내부 주행에 따른 터널 내부에서의 압력 변동을 실제 값과 유사하게 해석함을 기존 연구에서 확인할 수 있다[3,6].

https://cdn.apub.kr/journalsite/sites/kscfe/2025-030-01/N0500300107/images/jkscfe_2025_301_071_F3.jpg

Fig. 3.

Wall pressure distribution inside tunnel( $T_{A}$ =70 m², $T_{L}$ =4,000 m, $V$ =300 km/h)

이러한 터널 내부에서의 압력 변동으로부터 고속철도차량 객실 내부 승객의 이명감 계산을 수행하게 된다. 국내 철도차량 기술기준 Part 31 고속철도차량 기술기준에서 승객 이명감은 객실 내 기압변화로 평가하도록 되어 있다[8]. 시간에 따른 객실 내 기압변화 계산을 위해 우선 터널 내부 압력 변동값 중 열차 위치에 해당하는 지점의 압력값을 이용하여 열차 외부 압력( $P_{e x t}$ )을 추출하며 식 (2)로부터 시간에 따른 열차 내부 압력( $P_{i n t}$ )을 계산한다.

(2)

\frac{d P_{i n t}}{d t} = \frac{1}{τ} (P_{e x t} - P_{i n t}) .

이때 𝜏는 차량의 차체기밀도로 본 연구에서는 KTX-산천 차량의 차체기밀도인 18 sec를 사용하였다. 식 (2)를 차분화하여 시간에 따른 $P_{i n t}$ 의 변화를 구하게 되면 이로부터 Fig. 4와 같이 시간에 따른 1 sec 당, 3 sec 당, 그리고 10 sec 당 $P_{i n t}$ 의 변화량 $Δ P$ (각각 $Δ P / 1 s$ , $Δ P / 3 s$ , $Δ P / 10 s$ )를 구할 수 있다. 마지막으로 $Δ P / 1 s$ , $Δ P / 3 s$ , $Δ P / 10 s$ 의 변동으로부터 각각의 최대값을 구하면 Part31 기준에 따라 해석 조건에 따른 승객 이명감을 평가할 수 있다.

https://cdn.apub.kr/journalsite/sites/kscfe/2025-030-01/N0500300107/images/jkscfe_2025_301_071_F4.jpg

Fig. 4.

Pressure variation in the cabin(Center of 1^st cabin)

전체 100개의 Case 중 $T_{L}$ =3,000 m 조건에서 $T_{A}$ , $V$ 를 변화시켜가면서 계산한 터널 내부 최대 압력( $P_{t u n n e l, \max}$ ), 터널 내부 최소 압력( $P_{t u n n e l, \min}$ ), $Δ P / 1 s$ , $Δ P / 3 s$ , $Δ P / 10 s$ 등의 해석 결과를 Table 2에 정리하였다. 기본적으로 $V$ 가 증가함에 따라 $P_{t u n n e l, \max}$ , $P_{t u n n e l, \min}$ 의 값이 증가하거나, $T_{A}$ 가 커짐에 따라 $Δ P / 1 s$ , $Δ P / 3 s$ , $Δ P / 10 s$ 이 감소하여 승객 이명감이 줄어드는 등 물리적인 현상을 잘 반영하여 계산 결과가 도출됨을 확인할 수 있다.

Table 2.

Passenger ear discomfort results of $T_{L}$ =3,000 m

$T_{A}$ (m2)	$V$ (km/h)	$P_{t u n n e l, \max}$ (pa)	$P_{t u n n e l, \min}$ (pa)	$Δ P / 1 s$ (pa/sec)	$Δ P / 3 s$ (pa/sec)	$Δ P / 10 s$ (pa/sec)
50	200	1688.20	-2263.83	83.86	229.96	473.44
50	250	2409.66	-3366.06	122.73	322.39	710.96
50	300	3258.88	-4694.46	174.33	425.69	977.28
50	350	4261.82	-6248.95	241.31	543.41	1292.64
50	400	5427.40	-8131.10	322.04	681.86	1743.74
70	200	1058.14	-1503.57	56.27	154.18	311.41
70	250	1521.82	-2254.61	83.25	217.10	463.57
70	300	2073.80	-3177.53	116.58	286.39	633.81
70	350	2746.05	-4281.22	161.34	366.93	865.80
70	400	3532.52	-5574.46	215.10	459.36	1168.74
90	200	761.17	-1101.01	41.16	114.39	227.51
90	250	1094.27	-1687.28	62.37	162.76	343.38
90	300	1507.28	-2394.50	87.72	215.06	476.90
90	350	2000.61	-3247.83	119.98	275.40	651.50
90	400	2593.21	-4235.34	159.88	341.71	872.13
110	200	590.97	-874.06	32.90	92.08	184.59
110	250	862.36	-1348.20	50.15	130.44	271.89
110	300	1181.94	-1924.87	71.42	173.55	383.84
110	350	1576.62	-2609.30	96.22	220.38	520.74
110	400	2044.93	-3406.14	127.87	274.15	694.85
130	200	480.03	-714.44	26.58	75.18	151.09
130	250	705.98	-1118.73	41.83	109.09	225.42
130	300	970.60	-1593.04	59.09	143.17	315.93
130	350	1296.62	-2160.04	79.70	182.90	431.72
130	400	1683.83	-2831.18	106.12	227.35	577.25

3. 인공신경망을 활용한 반응면 구성

본 연구에서는 비선형 특성을 갖는 데이터 처리 시 활용되는 ANN 기법을 이용하여[9] C-STA^TM 해석 결과들로부터 반응면을 구성하도록 하였다. ANN은 데이터 기반의 함수 근사 도구로, 일반적으로 입력 변수와 출력 변수 간 복잡한 비선형 관계를 모델링하는 데 활용된다. ANN 이론에서 기본 단위인 인공 뉴런(Artificial neuron)은 외부로부터 입력되는 정보를 전달받아 그 정보에 가중치를 곱하여 더하고 전달 함수(Transfer function)를 통해 다음 뉴런으로 전달하는 역할을 수행한다. 이 과정은 수식 (3)과 같이 표현된다.

(3)

a = f (\sum_{i = 1}^{i = R} w_{1, i} P_{i} + b_{i})

이 식에서 $a$ 는 출력값 벡터, $f$ 는 전달함수, $R$ 은 입력값의 계수, $w$ 는 가중치, $P$ 는 입력값의 벡터, 그리고 $b$ 는 Bias 벡터를 의미한다.

본 연구에서는 ANN 구성을 위해 파이썬으로 작성된 오픈소스 딥러닝 라이브러리인 Keras 3.7.0을 사용하였다. 반응면 구성 시에 3개의 입력 값( $T_{A}$ , $T_{L}$ , $V$ )을 받아서 1개의 출력값을 예측하도록 하여 총 5개의 ANN을 구성하였다. 출력값은 $P_{t u n n e l, \max}$ , $P_{t u n n e l, \min}$ , $Δ P / 1 s$ , $Δ P / 3 s$ , $Δ P / 10 s$ 의 5개로 하였다. 이때 예측하고자 하는 값에 따라 높은 예측정확도를 가질 수 있도록 ANN의 구성을 조금씩 다르게 하였다. Table 3은 $P_{t u n n e l, \max}$ 를 예측할 때 사용된 ANN의 구조로, 3개의 완전 연결된 층(Fully connected layer)로만 구성되어 있으며 각각의 Node 수는 32, 16, 8개이다. 모든 층의 전달함수로는 계산이 간단하고 속도가 빠른 ReLU를 사용하였으며 총 801개의 가중치에 대한 학습을 수행하였다.

Table 3.

Structure of Artificial Neural Network(ANN) of $P_{t u n n e l, \max}$

Layer type	Output dimension	Number of weights
Dense	32	128
Dense	16	528
Dense	8	136
Dense	1	9

학습용 Optimizer로는 Adam을 사용하였고 Loss function으로는 식 (4)와 같은 Mean squared error를 사용하였다.

(4)

M S E = \frac{1}{n} \sum_{i = 1}^{n} {(Y_{i} - {\hat{Y}}_{i})}^{2} .

학습 및 검증 데이터는 전체 데이터를 8:2로 나누어 총 100 Epoch 동안 학습되었으며 Batch size는 16을 설정하였다. 학습 진행에 따라 모든 ANN에서 $M S E$ 가 10^-3 이하로 수렴하였다. 그중 $P_{t u n n e l, \max}$ 출력값에 대해 학습 진행에 따른 $M S E$ 의 수렴 정도를 Fig. 5에 도시하였다. Fig. 5에서와 같이 초기 20 Epoch 이후 $M S E$ 가 10^-3 이하로 수렴하여 안정화되고, 더 이상 큰 오류가 발생하지 않으면서 구성된 ANN 모델이 데이터의 패턴을 효과적으로 학습하고 있음을 확인하였다.

https://cdn.apub.kr/journalsite/sites/kscfe/2025-030-01/N0500300107/images/jkscfe_2025_301_071_F5.jpg

Fig. 5.

Loss curve of $P_{t u n n e l, \max}$

4. 반응면을 통한 해석값 예측

ANN 구성에 의한 성능값 예측을 정확도를 살펴보기 위해 각각의 출력값에 대해 반응면 모델의 정확도를 Fig. 6에 도시하였다. 이때 전체 Case 중 80개는 ANN 모델의 훈련 데이터로, 20개는 Test data로 활용하였다. 그림에서 예측값(Predicted)과 실제값(Actual)이 $Y = X$ 직선 위에 분포하여 매우 잘 일치함을 확인할 수 있다. 정량적으로도 5개의 ANN 모델에서 구한 예측값과 실제값의 오차는 모두 2% 이내로 계산되어 ANN 모델이 정확하게 구성되었음을 확인하였다.

https://cdn.apub.kr/journalsite/sites/kscfe/2025-030-01/N0500300107/images/jkscfe_2025_301_071_F6.jpg

Fig. 6.

Comparison of predicted values and actual values

$T_{A}$ , $T_{L}$ , $V$ 입력값에 따른 출력값 변화에 대해서 CFD 해석을 통해 얻은 실제값(Simulation, X)과 ANN을 통해 얻게 된 예측값(실선)을 출력값 별로 하여 각각 Fig. 7부터 11까지에 도시하였다. 이때 해석 값 중 훈련에 사용되지 않은 데이터는 녹색의 원으로 표시하였으며, Y 축은 각각의 출력값을 정규화하여 0과 1사이에 출력값이 표현되도록 하였다. $V$ 증가, 또는 $T_{A}$ 감소에 따른 압력변화율의 증가 및 이에 따른 승객 이명감의 악화 , $T_{L}$ 증가에 따른 $P_{t u n n e l, \max}$ , $P_{t u n n e l, \min}$ 의 변화 등이 정확하게 모사됨을 확인할 수 있다. $T_{A}$ =50 m²의 경우에는 해석값과 예측값 간 차이가 보이는데 이는 KTX-산천의 차량 면적이 10.008 m²이므로 터널의 Blockage Ratio(BR)가 20% 이상이 되는 것에 기인한다. 즉 BR이 20% 이상이 되면서 차량과 터널 간 공간이 줄어들고 이로 인해 압력파가 더욱 집중되거나 난류가 발생하는 등 비선형성이 높아지면서 반응면을 통한 예측값과의 차이가 발생한다. 그러나 대부분의 조건에서 ANN 반응면 모델 예측의 신뢰성이 높으며. 따라서 ANN에 기반한 터널 주행 고속철도 차량의 승객 이명감 예측 프레임워크가 추가적인 CFD 해석 없이도 다양한 조건에서 승객 이명감을 분석하는 데에 유용한 도구로 활용될 수 있음을 확인하였다.

https://cdn.apub.kr/journalsite/sites/kscfe/2025-030-01/N0500300107/images/jkscfe_2025_301_071_F7.jpg

Fig. 7.

Prediction of $P_{t u n n e l, \max}$

https://cdn.apub.kr/journalsite/sites/kscfe/2025-030-01/N0500300107/images/jkscfe_2025_301_071_F8.jpg

Fig. 8.

Prediction of $P_{t u n n e l, \min}$

https://cdn.apub.kr/journalsite/sites/kscfe/2025-030-01/N0500300107/images/jkscfe_2025_301_071_F9.jpg

Fig. 9.

Prediction of $Δ P / 1 s$

https://cdn.apub.kr/journalsite/sites/kscfe/2025-030-01/N0500300107/images/jkscfe_2025_301_071_F10.jpg

Fig. 10.

Prediction of $Δ P / 3 s$

https://cdn.apub.kr/journalsite/sites/kscfe/2025-030-01/N0500300107/images/jkscfe_2025_301_071_F11.jpg

Fig. 11.

Prediction of $Δ P / 10 s$

5. 결 론

고속철도차량의 터널 주행에 따른 터널 내부 압력 변동 및 이를 통한 객실 내부 압력 변동 등에 대하여 CFD 해석 없이도 이를 손쉽게 계산할 수 있도록 ANN 기반의 반응면 모델을 구성하고 이로부터 성능 예측을 수행하는 프레임워크를 개발하였다. 이를 위해 본 연구에서는 터널 길이, 터널 단면적, 차량 속도를 변경해 가면서 터널 내부 주행 고속철도차량에 대한 비정상 축대칭 CFD 해석을 수행하였다. 해석 결과를 토대로 ANN을 이용한 반응면을 구성하였으며, 이를 토대로 새로운 유동 해석 없이도 다양한 조건에 대해 승객 이명감과 연관한 차량 성능 예측이 가능하도록 하였다. 그 결과 다양한 결과값에 대해 오차율 2% 이내에서 ANN을 이용한 예측 결과와 CFD 해석 결과가 유사한 값을 보임을 확인하였다. 본 연구에서 제시한 ANN 반응면 기반의 성능 예측 프레임워크는 고속철도차량 초기 설계 시에 다양한 $T_{A}$ , $T_{L}$ , $V$ 에 따른 터널 및 객실 내부 압력 변동 등의 공력값들을 빠른 속도로 예측하거나 입력 변수 변화에 따른 승객 이명감의 변화 양상을 분석하는 데에 도움을 줄 것으로 기대한다.

Acknowledgements

본 연구는 2024년도 동양미래대학교 학술연구지원사업의 지원을 받아 수행된 연구과제입니다.

References

2022, Ministry of Land, Infrastructure, and Transport, Development for core technologies and specification to increase the operation speed of the high speed train over 370kph.

2002, Raghunathan, R.S., Kim, H. and Setoguchi, T., "Aerodynamics of high-speed railway train," Prog. Aerosp. Sci., Vol.38, No.6-7, pp.469-514.

10.1016/S0376-0421(02)00029-5

2015, Kwon, H., "A study of the minimum cross-sectional area of high-speed railway tunnel satisfying passenger ear discomfort criteria", J. Comput. Fluids Eng., Vol.20, No.3, pp.62-69.

10.6112/kscfe.2015.20.3.62

2005, International Union of Railways, UIC code 779-11 2nd edition: Determination of railway tunnel cross-sectional areas on the basis of aerodynamic considerations.

2019, HS2, Train Technical Specification (HS2-HS2-RR-SPE-000-000007).

2024, Kim, B., Kim, N., Ahn, J. and Kwon, H., "Computational analysis to derive passenger ear discomfort criteria for 400 km/h high speed train," J. Korean Soc. Railw., Vol.27, No.12, pp.1055-1064.

10.7782/JKSR.2024.27.12.1055

2001, Kwon, H., A study on the unsteady compressible flow field induced by a high-speed train passing through a tunnel. Ph.D. dissertation, Seoul National University.

2023, Ministry of Land, Infrastructure, and Transport, Technical specification for high speed railway vehicles, KRTS-VE-Part31-2023(R2).

2013, Park, K., Jun, S., Baek, S., Cho, M., Yee, K. and Lee, D., "Reduced-order model with an artificial neural network for aerostructural design optimization," J. Aircr., Vol.50., No.4, pp.1106-1116.

10.2514/1.C032062

Journal of Computational Fluids Engineering ISSN:1598-6071(Print) 3022-6252(Online) 한국전산유체공학회지

Preview

PREDICTION OF PASSENGER EAR DISCOMFORT IN TUNNEL-RUNNING HIGH-SPEED TRAIN USING ARTIFICIAL NEURAL NETWORKS

ABSTRACT

MAIN

(1)

Fig. 1.

The grid system of C-STATM

Fig. 2.

The nose shape and cross-sectional area distribution of the KTX-Sancheon

Table 1.

The flow parameters and their variation ranges

Fig. 3.

Wall pressure distribution inside tunnel(TA=70 m2, TL=4,000 m, V=300 km/h)

(2)

Fig. 4.

Pressure variation in the cabin(Center of 1st cabin)

Table 2.

Passenger ear discomfort results of TL=3,000 m

(3)

Table 3.

Structure of Artificial Neural Network(ANN) of Ptunnel,max

(4)

Fig. 5.

Loss curve of Ptunnel,max

Fig. 6.

Comparison of predicted values and actual values

Fig. 7.

Prediction of Ptunnel,max

Fig. 8.

Prediction of Ptunnel,min

Fig. 9.

Prediction of ΔP/1s

Fig. 10.

Prediction of ΔP/3s

Fig. 11.

Prediction of ΔP/10s

Acknowledgements

References

The grid system of C-STA^TM

Wall pressure distribution inside tunnel( $T_{A}$ =70 m², $T_{L}$ =4,000 m, $V$ =300 km/h)

Pressure variation in the cabin(Center of 1^st cabin)

Passenger ear discomfort results of $T_{L}$ =3,000 m

Structure of Artificial Neural Network(ANN) of $P_{t u n n e l, \max}$

Loss curve of $P_{t u n n e l, \max}$

Prediction of $P_{t u n n e l, \max}$

Prediction of $P_{t u n n e l, \min}$

Prediction of $Δ P / 1 s$

Prediction of $Δ P / 3 s$

Prediction of $Δ P / 10 s$