극소 데이터 환경에서 물리 기반 로컬‑글로벌 CNN으로 지하수 열전달 예측

초록

본 논문은 데이터가 극히 제한된 상황에서 지하수 열펌프 시스템의 온도 분포를 예측하기 위해, 전역 흐름을 물리 기반 수치 모델로 처리하고 지역 확산을 두 개의 CNN으로 학습하는 로컬‑글로벌 CNN(LGCNN) 구조를 제안한다. 5회 이하의 고성능 시뮬레이션만으로도 대규모 도시 영역에 일반화가 가능하며, 실제 뮌헨 지역의 투과성 지도에도 성공적으로 전이된다.

상세 분석

LGCNN은 전통적인 전산유체역학 시뮬레이션이 요구하는 높은 연산 비용과 대규모 데이터 확보의 어려움을 동시에 해결하려는 시도이다. 저자들은 대류‑확산 방정식이 지역적 확산과 전역 대류라는 두 가지 물리적 스케일로 자연스럽게 분해될 수 있음을 강조한다. 이를 기반으로 모델을 세 단계 파이프라인으로 설계하였다. 첫 번째 단계에서는 입력으로 주어지는 초기 압력(p), 투과성(k), 그리고 열펌프 위치(i)를 이용해 지역적인 관계를 학습하는 CNN이 속도장(v̂)을 예측한다. 여기서 CNN은 작은 수용 영역(리셉티브 필드)만으로도 충분히 지역 확산 효과를 포착할 수 있다. 두 번째 단계는 물리 기반 수치 모듈로, 예측된 속도장을 이용해 각 펌프에서 시작되는 스트림라인(ŝ)을 계산한다. 이 모듈은 비학습형이며, 전역적인 대류 흐름을 정확히 전달함으로써 깊은 네트워크가 필요로 하는 큰 리셉티브 필드와 방대한 학습 데이터를 대체한다. 세 번째 단계에서는 다시 CNN이 투과성, 펌프 위치, 예측된 속도장 및 스트림라인을 입력으로 받아 온도장(T)을 출력한다. 이 구조는 “학습‑물리‑학습” 순환을 통해 지역적 비선형성은 CNN이, 전역적 비선형성은 물리 모듈이 담당하도록 명확히 역할을 분리한다.

실험에서는 12.8 km × 12.8 km 규모의 격자(2560 × 2560 셀)에서 3~5개의 시뮬레이션만으로 학습한 모델이 4배 확대된 영역까지도 정확히 예측함을 보였다. 기존 UNet, DDUNet, FNO, PINN 등 6가지 베이스라인과 비교했을 때, LGCNN은 MAE 0.05 °C 수준(3dp 대비 0.19 °C)과 MoC 0.09(연결성 지표) 등에서 현저히 우수했다. 특히 FNO는 메모리 제한으로 도메인 축소가 필요했고, PINN은 물리 손실만으로는 온도장을 제대로 학습하지 못했다. LGCNN은 전역 흐름을 물리적으로 정확히 전달함으로써 학습 데이터가 부족해도 전역적인 플룸 형성을 재현한다.

제한점으로는 현재 2차원 정적 상황에만 적용되었으며, 온도에 의한 흐름 변형이 약하거나 국소적이라고 가정한다는 점이다. 저자들은 3차원·시간변화 문제로 확장 가능하다고 주장하지만, 이에 대한 실증은 향후 연구 과제로 남겨두었다.

전반적으로 LGCNN은 물리적 인덕티브 바이어스를 네트워크 설계에 명시적으로 삽입함으로써, 데이터가 극히 제한된 과학·공학 문제에서 높은 일반화 능력과 추론 속도(≈2000배 가속)를 달성한 사례라 할 수 있다.