태양반사 페인트를 활용한 열섬 완화: 물리‑정보 회귀모델의 실증 연구

초록

본 연구는 싱가포르의 한 건물 외벽에 고알베도 태양반사 페인트를 적용하고, 1년간 현장 데이터를 수집하였다. 물리 기반 일시적 모델과 다양한 머신러닝 회귀모델을 결합한 하이브리드 프레임워크를 구축해 온도와 열유속을 예측한다. 물리‑정보 다중선형회귀(MLR)가 가장 높은 정확도(R² = 0.96/0.95, RMSE = 0.83/0.65 °C)를 보였으며, 알베도가 0.1→0.9로 증가할 때 낮시간 최고 온도가 약 11 °C 낮아지고, 순열유속 피크가 161 W/m²에서 27 W/m²로 감소한다는 민감도 결과를 제시한다.

상세 분석

이 논문은 열섬 현상 완화를 위한 수동 냉각 전략으로서 ‘쿨 페인트’의 실제 효능을 정량화하고자 한다. 연구 설계는 크게 다섯 단계(데이터 수집·전처리·물리 모델·물리‑정보 회귀·민감도 분석)로 구성된다.

1. 데이터 수집: 건물 외벽에 열전대와 적외선 카메라를 설치해 온도 시계열을 측정하고, 모바일 기상관측소로 전역 일사량·기온·습도·풍속을 동시에 기록하였다. 사전(알베도 0.31)과 사후(알베도 0.73) 두 단계에서 각각 1년 이상 연속 데이터를 확보함으로써 계절·날씨 변동을 충분히 포괄한다.

2. 물리 기반 일시 모델: 전도·대류·복사 복합 열전달 방정식을 기반으로 한 1‑D 전이 모델을 구현했으며, Ladybug‑Grasshopper를 이용해 입사 일사량을 시뮬레이션한다. 결과는 저온 구간에서 과대예측(RMSE ≈ 1.1 °C)되는 경향을 보였는데, 이는 모델이 외부 대류 저항과 실제 표면 거칠기 등을 충분히 반영하지 못했기 때문으로 해석된다.

3. 물리‑정보 회귀: 물리 모델 출력과 현장 측정값의 차이를 ‘잔차’로 정의하고, 이를 보정하기 위해 다중선형회귀(MLR), 랜덤포레스트(RF), AdaBoost(AB), XGBoost(XGB), TabPFN(TPR) 등 5가지 머신러닝 기법을 적용했다. 학습‑검증 분할은 80/20 비율이며, 모든 모델이 물리 모델만 사용할 때보다 R²와 RMSE가 현저히 개선되었다. 특히 MLR는 과적합 위험이 낮고, 물리적 변수(일사량, 풍속, 상대습도 등)의 회귀계수가 직관적으로 해석 가능해 가장 우수한 성능(R² = 0.96/0.95, RMSE = 0.83/0.65 °C)을 기록했다.

4. 열유속 예측: MLR 기반 모델을 이용해 순열유속(q_net)과 각 열유속 성분(복사, 전도, 대류)을 시간별로 추정하였다. 사후 페인트 단계에서는 q_net 피크가 30–65 W/m² 감소했으며, 이는 알베도 상승에 따른 일사 흡수 감소와 복사 방출 증가가 복합적으로 작용한 결과이다.

5. 민감도 분석: 알베도를 0.1~0.9 범위로 가변시켜 시뮬레이션한 결과, 낮시간 최고 외벽 온도가 최대 11 °C 낮아지고, q_net 피크가 161 W/m²에서 27 W/m²로 급격히 감소한다는 비선형 관계가 도출되었다. 이는 알베도 향상이 열섬 완화에 미치는 효과가 임계값을 넘어설 때 급격히 증대한다는 중요한 정책적 시사점을 제공한다.

전체적으로 논문은 (1) 현장 기반 장기 데이터 확보, (2) 물리 모델과 데이터‑드리븐 모델의 효율적 결합, (3) 회귀계수 해석을 통한 물리적 인사이트 도출이라는 세 축을 성공적으로 구현했다. 또한, 기존 연구가 주로 지붕면에 초점을 맞춘 반면, 수직 외벽에 대한 정량적 평가와 알베도‑온도‑열유속 간의 정량적 관계를 최초로 제시함으로써 도시 열섬 완화 전략에 새로운 과학적 근거를 제공한다.