Thermal transmittance prediction based on the application of artificial neural networks on heat flux method results

기술 요약: 열유속법 결과에 대한 인공신경망을 통한 열관류율 예측

문제 제기
유럽 연합에서 기존 건물ストック의 심층 에너지 개조는 최우선 과제이나, 기존 건물 요소의 열관류율 (U-값) 을 평가하는 것은 여전히 어렵습니다. 기존 구조물은 설계 문서가 부족한 경우가 많으며, 재료의 열화나 수분으로 인해 시간이 지남에 따라 열적 특성이 변할 수 있습니다. ISO 9869-1 표준으로 제정된 열유속법 (HFM) 은 현장 U-값을 결정하기 위한 일반적인 실험적 접근법이지만, 측정 기간이라는 중대한 한계를 안고 있습니다. 표준 기준을 충족하고 신뢰성을 확보하기 위해 HFM 테스트는 종종 최대 2 주가 소요되며, 특히 설계된 U-값과의 편차를 최소화하기 위해 동적 데이터 처리 방법을 사용할 때 그렇습니다. 이러한 장기화는 개조 공정의 효율적인 계획을 방해합니다. 또한, 여러 요소를 동시에 테스트하기 위해 여러 개의 센서를 배치하는 것은 재정적, 운영적으로 비효율적인 경우가 많습니다.

방법론
본 연구는 실내 및 실외 공기 온도를 기반으로 인공신경망 (ANN) 을 활용하여 열유속을 예측함으로써 측정 기간을 단축하는 방법을 제안합니다. 핵심 가설은 ANN 모델이 HFM 데이터의 짧은 구간으로 학습된 후, 온도 입력만 사용하여 해당 기간의 나머지 열유속을 예측할 수 있으며, 이를 통해 물리적 센서를 다른 측정 지점으로 이동시킬 수 있다는 것입니다.

본 연구는 2019 년 2 월 22 일부터 26 일까지 다층 벽체에서 수집된 실험 데이터를 활용했습니다. 데이터셋은 10 분마다 기록된 490 개의 엔트리로 구성되었으며, 내부 온도 ($T_i$), 외부 온도 ($T_e$), 그리고 열유속 ($q$) 을 포착했습니다.

네 가지 서로 다른 ANN 아키텍처가 열유속 예측 능력을 평가하기 위해 검증되었습니다:

1. MLP3: 하나의 은닉층에 3 개의 뉴런이 있는 다층 퍼셉트론.
2. LSTM100: 은닉층에 100 개의 유닛이 있는 장기 단기 기억 (Long Short-Term Memory) 네트워크.
3. GRU100: 은닉층에 100 개의 유닛이 있는 게이트 순환 유닛 (Gated Recurrent Unit) 네트워크.
4. LSTMGRU100: 두 개의 은닉층에 걸쳐 50 개의 LSTM 유닛과 50 개의 GRU 유닛을 결합한 하이브리드 아키텍처.

각 아키텍처는 세 가지 다른 학습/검증 데이터 분할 비율 (1/4, 1/2, 2/3) 하에서 테스트되었습니다. 모델의 성능은 열유속 예측에 대한 제곱근 평균 오차 (RMSE), 평균 제곱 오차 (MSE), 평균 절대 오차 (MAE) 를 사용하여 평가되었습니다. 또한, 예측된 열유속에 표준 평균 방법 (ISO 9869-1) 을 적용하여 예측된 U-값을 계산하고 측정된 U-값 (0.586 W/(m²K)) 과 비교했습니다.

주요 결과
온도 입력을 기반으로 한 열유속률 예측에 대한 분석은 유망한 결과를 도출했습니다:

• 아키텍처 성능: 순환 신경망 (RNN) 아키텍처 (LSTM 및 GRU) 는 일반적으로 더 큰 데이터셋 (1/2 및 2/3 학습 비율) 으로 학습할 때 더 신뢰할 수 있는 결과를 제공했습니다. 반면, MLP 아키텍처는 상대적으로 작은 학습 데이터셋 (1/4 비율) 으로 더 잘 수행되었습니다.
• 최고 성능: 1/2 학습/검증 비율에 대한 가장 정확한 예측은 LSTM100 모델이 달성했으며, 이는 측정된 U-값 대비 RMSE 1.68 및 상대적 차이 5.31% 를 기록했습니다.
• 하이브리드 모델: LSTMGRU100 모델은 2/3 학습 비율에서 가장 낮은 RMSE(1.22) 를 달성했으나, 저자는 이것이 내재적인 아키텍처의 우수성보다는 학습 데이터의 더 큰 비율에 기인한 것일 수 있다고 지적합니다.
• 한계: 다른 벽체에 대한 추가 분석은 학습 기간 동안 관찰되지 않은 방식으로 경계 온도가 변화할 때 예측에 잠재적인 불안정성이 있음을 드러냈습니다. 이는 이 방법이 안정적인 조건에서는 효과적이지만, 관찰되지 않은 열적 경계 변화에는 어려움을 겪을 수 있음을 시사합니다.

의의 및 주장
본 논문은 HFM 결과에 특정 클래스의 ANN 을 적용하면 현장 U-값 측정에 소요되는 시간을 단축할 수 있는 실현 가능한 경로가 된다고 주장합니다. 온도 데이터를 기반으로 열유속을 성공적으로 예측함으로써, 물리적 열유속 센서는 더 짧은 학습 기간 후 다른 위치로 이론상 이동할 수 있으며, 이는 여러 건물 요소의 평가를 가속화합니다.

그러나 저자들은 이 방법의 성숙도에 대해 겸손한 입장을 유지합니다. 특히 작은 데이터셋이나 다양한 경계 조건 하에서 장기적인 예측의 안정성은 추가적인 조사가 필요하다고 인정합니다. 연구는 관찰되지 않은 경계 온도 변화의 영향을 주요 한계로 식별하며, 더 확실한 결론을 위해서는 엄격한 측정 조건 또는 정규화 기법이 필요할 수 있음을 시사합니다. 따라서 본 논문은 이러한 발견을 즉시 광범위한 배포를 위한 최종 해결책이 아닌, 추가 연구의 방향으로서 제시합니다.