물리 기반 머신러닝 보조 프레임워크를 이용한 임계열플럭스 예측

초록

본 논문은 임계열플럭스(CHF) 예측에 물리 지식과 머신러닝을 결합한 하이브리드 모델을 제안한다. 기존의 도메인 지식 기반 모델과 순수 ML 모델을 비교한 결과, 제안된 프레임워크가 예측 정확도와 일반화 능력에서 우수함을 확인하였다. 또한 고비용 실험 설계를 효율화하기 위한 윈도우형 외삽 매핑 방법을 제시한다.

상세 분석

본 연구는 두 단계로 구성된 하이브리드 예측 체계를 설계하였다. 첫 번째 단계에서는 기존의 물리 기반 CHF 모델(예: Zuber, Kutateladze, Lienhard 등)을 이용해 기본적인 CHF 값을 산출한다. 이때 사용된 입력 변수는 압력, 질량 유량, 열 플럭스, 입구 온도, 채널 기하학적 파라미터 등 전통적인 Boiling 현상에 영향을 미치는 주요 변수들이다. 두 번째 단계에서는 물리 모델이 제공한 예측값과 실험 데이터 간의 잔차(residual)를 학습 데이터로 활용하여 Gradient Boosting, Deep Neural Network 등 최신 머신러닝 알고리즘을 적용한다. 여기서 핵심 아이디어는 “physics‑informed” 접근법으로, 물리 모델이 포착하지 못하는 비선형 상호작용이나 미세 현상을 ML이 보완하도록 설계한 것이다.

데이터베이스는 2,500건 이상의 DNB‑specific CHF 실험 데이터를 포함하고 있으며, 다양한 유동 조건(압력 0.110 MPa, 질량 유량 0.011 kg·s⁻¹, 열 플럭스 100~1,000 kW·m⁻² 등)을 포괄한다. 교차 검증과 독립 테스트 셋을 이용해 모델 성능을 평가한 결과, 전통적인 물리 모델은 평균 절대 오차(MAE) 15% 수준에 머물렀지만, 하이브리드 모델은 6% 이하로 크게 개선되었다. 또한 순수 ML 모델은 훈련 데이터에 과적합되는 경향이 있었으며, 새로운 조건(예: 압력 8 MPa, 열 플럭스 900 kW·m⁻²)에서는 MAE가 12%까지 상승했다. 반면 하이브리드 모델은 물리 모델이 제공하는 기본적인 물리적 경향성을 유지하면서도 잔차 학습을 통해 오차를 보정했기 때문에, 외삽(extrapolation) 상황에서도 8% 이하의 오차를 유지하였다.

프레임워크의 유연성도 중요한 장점으로 언급된다. 새로운 물리 모델이나 추가 변수(예: 표면 거칠기, 재료 열전도도)를 도입하고자 할 때, 기존 ML 모듈을 재학습하는 것만으로 손쉽게 적용 가능하다. 또한, 잔차 학습 단계에서 사용된 피처 중요도 분석을 통해 현재 물리 모델이 놓치고 있는 핵심 메커니즘(예: 마이크로 기포 성장, 현상 전이 현상)을 식별할 수 있다. 이러한 인사이트는 향후 물리 모델 개선에 직접적인 피드백을 제공한다.

마지막으로, 저자들은 “윈도우형 외삽 매핑”이라는 새로운 실험 설계 전략을 제안한다. 이는 하이브리드 모델이 높은 신뢰도를 보이는 입력 변수 구간을 사전에 정의하고, 그 구간 외의 고비용 실험을 최소화하는 방식이다. 예를 들어, 압력‑열 플럭스 2차원 공간에서 모델 신뢰도가 90% 이상인 영역을 ‘윈도우’로 설정하고, 그 외 영역에 대해서는 선택적인 실험만 수행한다. 이렇게 하면 실험 비용을 30~40% 절감하면서도 모델 검증에 필요한 데이터는 충분히 확보할 수 있다.

전반적으로 이 논문은 물리 기반 지식과 데이터 기반 학습을 효율적으로 결합함으로써, 복잡한 Boiling 현상의 핵심 지표인 CHF를 보다 정확하고 일반화 가능한 방법으로 예측할 수 있음을 입증한다.