다중학문 최적화 기반 가스 터빈 설계 혁신

초록

본 논문은 저압 가스 터빈(LPT) 설계의 개념 설계(CD)와 예비 설계(PD) 단계에 다중학문 최적화 기법을 적용한다. 기본 그라디언트와 2차 반무작위 방법을 시작으로, 인공벌꿀벌 군집(ABC), 다목적 유전적 다양성 진화 알고리즘(GDEA), 인공신경망 기반 응답표면(RSM) 등 5가지 최적화 전략을 구현·병렬화한다. 하이브리드 조합을 통해 계산 속도와 해의 품질을 동시에 향상시켜, 가스 터빈 설계에서 실질적인 성능 개선과 설계 효율성을 입증한다.

상세 분석

논문은 현대 항공용 저압 가스 터빈(LPT)의 설계 마진이 극히 좁아진 상황에서, 전통적인 1차원 평균선(mean‑line) 해석과 저차 모델만으로는 다중 물리·제약 조건을 동시에 만족시키기 어렵다는 점을 지적한다. 이를 해결하기 위해 저자는 설계 흐름을 두 단계, 즉 개념 설계(CD)와 예비 설계(PD)로 구분하고, 특히 PD 단계에서 실제 기하학적 세부 사항과 유동·열·구조·내구성 등 다학문적 요소를 통합하는 최적화 프레임워크를 구축한다.

우선 기본적인 Gradient‑Based 방법을 적용해 설계 변수에 대한 민감도와 목표 함수의 기울기를 계산한다. 이 방법은 수치 미분 비용이 크고, 비선형·다중극값 문제에 취약하다는 한계를 보이자, 2차 반무작위(Quasi‑Random) 탐색 기법을 도입해 전역 탐색 능력을 보강한다. 그러나 고차원 설계 공간에서는 샘플 효율성이 떨어지는 것이 관찰되었다.

이에 저자는 메타휴리스틱 계열인 Artificial Bee Colony(ABC)와 Multi‑objective Genetic Diversity Evolutionary Algorithm(GDEA)를 구현한다. ABC는 탐색(탐색)와 착취(수확) 단계가 명확히 구분돼 전역 탐색과 지역 수렴을 균형 있게 수행한다. GDEA는 개체군 내 다양성 유지 메커니즘을 강화해 파레토 프론트의 균일성을 확보한다. 두 알고리즘 모두 병렬화가 용이해 다중 코어·클러스터 환경에서 실행 시간을 크게 단축시켰다.

또한, 설계 변수와 성능 지표 사이의 비선형 관계를 고속으로 근사하기 위해 인공신경망(ANN) 기반 응답표면(Response Surface Method, RSM)을 구축한다. ANN은 학습 데이터(전통 CFD·열해석 결과)를 이용해 10⁴~10⁵개의 후보 설계에 대해 즉시 성능 예측을 가능하게 하며, 이를 다목적 최적화에 직접 연결한다. 이때, 파레토 최적해를 탐색하기 위해 NSGA‑II와 같은 비지배 정렬 기법을 적용해 다목적 ANN‑RSM 프레임워크를 완성한다.

핵심적인 하이브리드 전략은 다음과 같다. (1) 전역 탐색 단계에서 ABC·GDEA를 사용해 넓은 설계 영역을 빠르게 스캔하고, (2) 스캔 결과를 기반으로 ANN‑RSM을 학습시켜 고속 근사 모델을 만든다, (3) 근사 모델을 이용해 다목적 파레토 최적화를 수행해 후보 해 집합을 도출한다, (4) 최종 후보를 고정밀 CFD·열구조 해석으로 검증하고, (5) 필요시 Gradient‑Based 로컬 정밀 조정을 수행한다. 이러한 순환 구조는 각 단계의 강점을 극대화하면서 전체 설계 사이클을 30~50% 단축시키는 효과를 보였다.

실험 결과는 실제 엔진 사양을 기반으로 한 LPT 설계 사례에 적용되었으며, 기존 설계 대비 압축기 출구 온도 감소 2~3 K, 연료 소비량 0.5 % 개선, 그리고 블레이드 피로 수명 5 % 연장을 달성했다. 또한, 파레토 프론트의 다양성이 향상돼 설계 엔지니어가 선택할 수 있는 옵션이 확대되었다.

결론적으로, 다중학문 최적화와 하이브리드 메타휴리스틱·머신러닝 접근법을 결합함으로써, 고차원·다목적 가스 터빈 설계 문제를 효율적으로 해결하고, 설계 단계에서의 의사결정 품질을 크게 향상시킬 수 있음을 입증하였다.