연소 플레임 입자 궤적을 위한 변분 오토인코더 모델

초록

고속 카메라로 촬영한 3차원 라그랑지안 입자 궤적 데이터를 변분 오토인코더(VAE)에 학습시켜, 실험과 통계적으로 일치하는 가상 궤적을 생성한다. 모델은 다중 컨볼루션 레이어와 KL‑다이버전스 손실을 결합해 정확도와 일반화 능력을 동시에 확보한다.

상세 분석

본 연구는 복잡한 회전 화염 내부에서 입자가 보이는 비선형, 비정상적인 움직임을 데이터‑드리븐 방식으로 재현하려는 시도이다. 실험적으로 고속 카메라(>10 kHz)와 다중 시점 보정 알고리즘을 이용해 입자의 3‑D 라그랑지안 궤적을 추출하고, 이를 시간‑연속적인 좌표 시퀀스로 정규화하였다. 데이터는 0.02 s 간격의 500 프레임을 하나의 샘플로 구성해, 전체 10 000개의 트레이닝 시퀀스를 확보했다.

VAE는 인코더와 디코더로 구성되며, 인코더는 3‑D 컨볼루션 레이어(커널 3×3×3, 스트라이드 2) 4층을 거쳐 평균 μ와 로그 분산 log σ²를 출력한다. 잠재 공간 차원은 64로 설정했으며, KL‑다이버전스와 재구성 손실(MSE) 사이의 가중치를 β = 0.5로 조정해 베이즈 정규화를 강화하였다. 디코더는 인코더와 대칭 구조의 전치 컨볼루션(Deconv) 레이어를 사용해 원래 시퀀스 길이와 차원을 복원한다.

학습은 Adam 옵티마이저(learning rate = 1e‑4)로 200 epoch 진행했으며, 조기 종료 기준은 검증 손실이 5 epoch 연속 감소하지 않을 경우로 설정했다. 모델 성능 평가는 (1) 재구성 정확도(MSE ≈ 1.2 × 10⁻³ mm²), (2) 잠재 변수의 분포가 표준 정규와의 KL ≈ 0.08, (3) 생성된 궤적의 통계적 특성(평균 속도, 확산 계수, 프랙탈 차원)이 실험값과 95 % 신뢰구간 내에서 일치함을 확인했다.

일반화 테스트로는 훈련에 사용되지 않은 새로운 입자 그룹과 다른 화염 조건(연료 비율 변동)에서 샘플을 생성했으며, 주요 동역학 지표가 기존 데이터와 유사한 수준을 유지함을 보였다. 그러나 고속 급격한 회전 구간에서는 재구성 오차가 다소 증가했으며, 이는 현재 컨볼루션 커널 크기와 잠재 차원의 제한으로 판단된다. 향후에는 시계열 특성을 강화하기 위해 Conv‑LSTM 레이어를 도입하거나, 물리 기반 제약(에너지 보존, Navier‑Stokes 방정식)과 결합한 하이브리드 모델을 탐색할 필요가 있다.