전기차 냉각 채널을 소재로 "CFD 데이터 생산 → AI 대리모델 학습 → 설계 최적화 → CFD 재검증" 전 과정을 직접 실행하며, 새 설계 조건을 넣으면 AI가 성능을 예측하고 유망 후보를 CFD로 다시 확인하는 시스템을 완성하는 실습서입니다.

[이 책의 특징]

- 데이터를 직접 만듭니다: 공개 데이터셋을 내려받아 모델만 학습하는 대신, OpenFOAM으로 학습용 CFD 데이터를 직접 생산합니다.
- 하나의 프로젝트로 끝까지 갑니다: CFD 해석 → DOE 데이터 생성 → 대리모델 학습 → 설계 최적화 → CFD 재검증의 순환 구조를 냉각 채널 한 주제로 완성합니다.
- 단계적으로 어려워집니다: 2D 가열 채널과 스칼라 예측에서 시작해 온도장·속도장 전체 예측, 복합 열전달 확장으로 넘어갑니다.
- "최신 모델이 정말 나은가"를 실험으로 확인합니다: XGBoost vs MLP, Scalar vs FNO, 일반 학습 vs Physics-Informed, 무작위 샘플링 vs Active Learning을 같은 데이터로 비교합니다.
- 성능을 정직하게 평가합니다: 격자 독립성·수렴성 검증, 형상·운전조건별 데이터 분리, OOD 평가, 데이터 생성 비용을 포함한 총비용 기준 속도 비교를 필수 절차로 다룹니다.
- 실행 결과와 버전을 기록합니다: 모든 실습은 직접 실행한 결과로 쓰고, 예제 코드는 난수 시드와 데이터 분할까지 고정해 공개 저장소로 제공합니다.

[대상 독자]

- 반복 해석 비용을 줄이기 위해 AI 대리모델을 실무에 도입하려는 CFD·CAE 해석 엔지니어
- 시뮬레이션 데이터를 직접 만들어 학습·검증하는 방법을 배우려는 AI·데이터 엔지니어
- Neural Operator, 물리 제약 학습, 능동학습을 연구 주제로 넓히려는 기계·자동차·열유체 분야 대학원생과 연구자
- 열성능과 압력손실을 함께 고려한 설계 탐색을 자동화하려는 전기차 열관리·냉각 설계 실무자

선수 지식은 Python 기초와 미분·선형대수 기초입니다. CFD 경험은 없어도 되지만 2장의 격자·경계조건·수렴 개념은 반드시 따라 해야 합니다.

[AI 활용 집필 안내]

이 책은 Claude Code(AI)를 활용하여 작성되었습니다. 저자가 실제 설치·실행 검증을 거치며, 각 페이지 상단에 검증 상태([검증] 직접 실행 확인 / [참고] 공식 문서 기준)와 기준 버전을 표시합니다. OpenFOAM·PyTorch·PhysicsNeMo 등 대상 소프트웨어가 바뀌면 다시 실행해 내용을 갱신합니다.

[참고 자료]

- 예제 코드 저장소: https://github.com/ady95/cfd-tutorial
- OpenFOAM Foundation: https://openfoam.org
- PyTorch: https://pytorch.org
- NVIDIA PhysicsNeMo: https://github.com/NVIDIA/physicsnemo