자기장 제어 페로플루이드 굽힘 채널 열전달 딥러닝 예측 모델

초록

본 연구는 CFD 시뮬레이션으로 생성한 15 876개의 데이터셋을 기반으로, 7개의 입력 변수(입자 농도, 외곽 반경, 전선 위치·각도·전류, 레이놀즈 수)를 이용해 네 개의 구역별 누셀트 수를 예측하는 머신러닝 모델을 개발하였다. 완전 연결 신경망이 XGBoost와 Random Forest보다 높은 R²(0.83~0.98)를 기록했으며, SHAP·Permutation Importance 등 해석 기법과 Monte‑Carlo Dropout을 통한 불확실성 정량화로 모델의 투명성과 신뢰성을 확보하였다.

상세 분석

이 논문은 페로플루이드가 흐르는 굽힘 채널에서 외부 전류에 의해 생성되는 비균일 자기장이 열전달에 미치는 영향을 정량화하기 위해, 고성능 CFD 결과를 데이터베이스화한 뒤 머신러닝 기반 대리 모델을 구축한다. 입력 변수는 총 7가지이며, 각각은 물리적으로 의미 있는 파라미터(입자 부피분율, 굽힘 외곽 반경, 전선‑굽힘 중심 거리, 전선‑수평 각도, 두 전선 전류, 레이놀즈 수)이다. 데이터는 Z‑score 정규화 후 80:20 비율로 학습·검증 셋으로 분할하였다.

신경망 구조는 입력 레이어(7노드) → 정규화 레이어 → 128‑유닛 ReLU + Dropout(0.2) ×2 → 64‑유닛 ReLU + Dropout(0.2) → 출력 레이어(4노드) 로 구성되었으며, Adam 옵티마이저(learning rate = 0.001)와 MSE 손실 함수를 사용하였다. EarlyStopping과 ReduceLROnPlateau 콜백을 적용해 과적합을 방지하고 학습 효율을 높였다. 최적 모델은 150 epoch 이내에 수렴했으며, 테스트 셋에 대해 RMSE는 0.0450.155, MAE는 0.0360.089, R²는 0.832~0.978을 기록했다. 특히 굽힘 구역별 누셀트 수(두 번째와 세 번째 출력)는 R²가 0.97 이상으로 매우 높은 예측 정확도를 보였다.

비교 모델로 XGBoost와 Random Forest를 동일 데이터와 동일 하이퍼파라미터 설정으로 학습했지만, 복잡한 비선형 상호작용을 포착하는 데 한계가 있었으며, 전체적인 R²와 MAE에서 신경망보다 낮은 성능을 나타냈다.

해석 측면에서는 Permutation Importance와 SHAP 값을 통해 레이놀즈 수와 전류(특히 전선 1·2 전류)가 가장 중요한 피처임을 확인하였다. 전선‑수평 각도와 거리 역시 특정 구역(특히 전체 채널 평균 누셀트)에서 유의미한 영향을 미쳤다. Monte‑Carlo Dropout을 활용한 불확실성 정량화는 예측값에 신뢰 구간을 부여함으로써 설계 단계에서 위험 관리가 가능하도록 했다. 또한, 피처 제거 실험(ablations)과 잔차 분포 분석을 통해 모델이 특정 파라미터에 과도하게 의존하지 않으며, 데이터 희소 영역에서도 비교적 안정적인 성능을 유지함을 입증하였다.

결과적으로, 물리 기반 피처와 현대적 해석 도구를 결합한 다중 출력 신경망은 페로플루이드 굽힘 채널의 열전달 특성을 실시간으로 예측할 수 있는 신뢰성 높은 대리 모델임을 보여준다. 이는 마이크로 전자 냉각, 에너지 회수, 바이오메디컬 디바이스 등 자기장 제어 열관리 시스템의 설계 최적화에 직접 활용될 수 있다.