Surrogate Model for Heat Transfer Prediction in Impinging Jet Arrays using Dynamic Inlet/Outlet and Flow Rate Control

본 논문은 CFD 시뮬레이션의 높은 계산 비용을 우회하여 실시간 열 관리 제어가 가능하도록, 다양한 유입/유출 및 유량 제어 조건에서 임펄싱 제트 배열의 열전달 특성을 예측하는 CNN 기반 대리 모델을 개발하고 실험적으로 검증한 연구입니다.

핵심

이 논문은 **"에어컨처럼 작동하지만, 훨씬 더 똑똑하고 빠른 열 관리 시스템"**을 개발한 연구입니다.

일상적인 비유로 설명해 드리겠습니다.

1. 문제 상황: "뜨거운 팬을 식히는 것"

생각해 보세요. 전기자동차 배터리나 고성능 컴퓨터 칩은 열이 많이 납니다. 이 열을 식히기 위해 우리는 보통 "에어"를 불어줍니다. 하지만 단순히 바람을 쏘는 것만으로는 특정 부분만 뜨거울 때 그 부분만 집중적으로 식히기 어렵습니다.

연구자들은 **"여러 개의 노즐 (구멍) 이 있는 특수한 팬"**을 만들었습니다. 이 팬의 특징은 다음과 같습니다.

• 자유로운 방향: 각 노즐은 바람을 내보낼 수도 (Inlet), 바람을 빨아들일 수도 (Outlet), 아예 막을 수도 (Shut) 있습니다.
• 정밀한 제어: 마치 마리오 게임에서 블록을 움직이듯, 각 노즐의 상태를 실시간으로 바꿔가며 열이 나는 곳만 정확히 식힐 수 있습니다.

2. 난제: "너무 느린 시뮬레이션"

이런 복잡한 시스템을 제어하려면 컴퓨터가 "지금 바람을 어디로 쏘면 가장 잘 식을까?"를 매초 계산해야 합니다. 하지만 정확한 계산을 하려면 **CFD(전산유체역학)**라는 고난도 시뮬레이션을 돌려야 하는데, 이는 한 번 계산하는 데 몇 시간에서 며칠이 걸리는 무거운 작업입니다.

비유: 마치 "오늘 점심 메뉴를 정하기 위해" 매번 100 명의 요리사를 불러서 100 가지 요리를 직접 만들어 맛보고 비교하는 것과 같습니다. 너무 느려서 실시간으로 결정을 내릴 수 없습니다.

3. 해결책: "천재적인 예언가 (대리 모델)"

연구자들은 이 문제를 해결하기 위해 **딥러닝 (인공지능)**을 활용했습니다.

• 학습 과정: 컴퓨터로 수백 번의 시뮬레이션을 돌려 "어떤 바람 패턴이 어떤 열 분포를 만드는지" 데이터를 모았습니다. (약 100~200 가지 경우)
• 모델 훈련: 이 데이터를 바탕으로 **CNN(합성곱 신경망)**이라는 AI 모델을 훈련시켰습니다. 이 AI 는 마치 천재적인 예언가처럼, "이런 노즐 설정을 하면 이렇게 식을 거야!"라고 순간적으로 (실시간으로) 예측합니다.

비유: 100 명의 요리사를 부르는 대신, 그 100 가지 요리를 다 맛본 '요리 전문가'를 고용한 것입니다. 이제 메뉴를 정할 때 전문가에게 "이런 재료 조합이면 어때?"라고 물어보면, 그는 요리사들이 직접 해보지 않아도 순간적으로 맛을 예측해 줍니다.

4. 놀라운 성과: "실제 실험까지 성공!"

이 '예언가 AI'는 두 가지 큰 성과를 냈습니다.

1. 정확도: 실제 컴퓨터 시뮬레이션 결과와 비교했을 때, 오차가 1% 미만으로 매우 정확했습니다. (특히 3x3 노즐 배열에서는 0.6% 오차!)
2. 확장성: AI 는 낮은 속도 (Re 2,000) 로 학습했지만, 비율 공식을 적용해 훨씬 빠른 속도 (Re 10,000) 의 상황도 예측할 수 있었습니다.
3. 실험 검증: 실제로 실험실 장비를 만들어 AI 의 예측과 비교해 보았더니, 실제 온도 측정값과 거의 일치했습니다.

5. 결론: "미래의 스마트 온도 조절"

이 연구의 핵심은 **"복잡한 열 관리를 실시간으로 제어할 수 있는 도구"**를 만들었다는 점입니다.

앞으로 이 기술은 다음과 같이 쓰일 수 있습니다.

• 전기차 배터리: 주행 중 배터리 온도가 급격히 오르면, AI 가 즉시 노즐들을 조절해 가장 뜨거운 부분만 집중적으로 식힙니다.
• 반도체 제조: 공장에서 뜨거운 금속판을 식힐 때, 표면의 온도가 고르게 유지되도록 자동으로 바람을 조절합니다.

한 줄 요약:

"이 연구는 복잡한 열 흐름을 계산하는 데 며칠 걸리던 컴퓨터를 대신해, AI 가 순식간에 정답을 찾아주는 '스마트 온도 조절제'를 개발하여, 전기차나 전자기기가 과열되지 않도록 돕는 기술을 만들었습니다."

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 충돌 제트 (Impinging jets) 는 항공기 터빈, 전기차 배터리, 전자 장치 냉각 등 다양한 열 관리 분야에서 국소적인 고 열전달 계수 (높은 Nusselt 수) 를 생성하여 널리 사용됩니다. 특히 Lamarre 와 Raymond 가 개발한 '능동 냉각 시스템 (Active Cooling Systems)'은 각 제트의 유량을 독립적으로 제어할 뿐만 아니라, 제트를 입구 (Inlet), 출구 (Outlet), 또는 차단 (Shut) 상태로 동적으로 전환하여 표면 온도를 시간과 공간에 따라 정밀하게 제어할 수 있습니다.
• 문제점: 이러한 시스템의 제어 전략을 개발하려면 다양한 제트 배열 (Arrangement) 과 유량 조건에서의 열전달 분포 (Nusselt 수 분포) 를 실시간으로 예측해야 합니다.
  • 기존에 사용되는 전산유체역학 (CFD) 시뮬레이션은 높은 정확도를 제공하지만, 계산 비용이 매우 커서 실시간 제어 (Real-time control) 에 적용하기 어렵습니다.
  • 기존의 경험적 상관관계 (Empirical correlations) 는 고정된 배열에 국한되어 있으며, 동적으로 변하는 입구/출구 구성이나 제트 간 상호작용을 정확히 반영하지 못합니다.
• 목표: CFD 의 정확도를 유지하면서 계산 비용을 획기적으로 줄여, 실시간 모델 기반 제어 (Model-based control) 가 가능한 대리 모델 (Surrogate Model) 을 개발하는 것입니다.

2. 방법론 (Methodology)

연구팀은 두 가지 다른 기하학적 구조 (5x1 배열과 3x3 배열) 의 능동 냉각 시스템을 대상으로 다음과 같은 절차를 따랐습니다.

• 데이터 생성 (CFD Simulation):
  • 소프트웨어: 오픈소스 CFD 코드인 'Lethe'를 사용했습니다.
  • 해석 기법: 비압축성 Navier-Stokes 방정식과 에너지 방정식을 풀며, 높은 레이놀즈 수 영역에서는 암시적 대와도 시뮬레이션 (ILES, Implicit Large-Eddy Simulation) 전략을 적용했습니다.
  • 데이터셋:
    • 5x1 배열: 83 개의 시뮬레이션 (입구 레이놀즈 수 $Re < 2,000$).
    • 3x3 배열: 100 개의 시뮬레이션 ($Re < 2,000$).
    • 입력 변수는 각 제트의 상태 (입구, 출구, 차단) 와 유량 (정규화된 레이놀즈 수) 입니다.
    • 데이터는 라틴 하이퍼큐브 샘플링 (LHS) 을 통해 생성되었으며, 대칭성을 활용하여 학습 데이터를 증강했습니다.
• 대리 모델 아키텍처 (CNN):
  • 모델: 합성곱 신경망 (Convolutional Neural Network, CNN) 을 사용했습니다. Nusselt 수 분포의 공간적 상관관계를 학습하기에 적합합니다.
  • 입력: 제트 배열 상태, 유량, 공간 좌표 정보를 포함하는 다중 채널 텐서.
  • 출력: 충돌 표면의 Nusselt 수 분포 맵 (이미지).
  • 구조: 입력 데이터를 점진적으로 확대 (Transposed Convolution) 하여 고해상도 맵을 생성한 후, 다시 축소 (Convolution & Pooling) 하여 최종 예측을 수행하는 구조입니다.
• 고레이놀즈 수 외삽법 (Extrapolation):
  • CFD 계산 비용 절감을 위해 학습 데이터는 $Re < 2,000$까지만 사용했습니다.
  • $Re \le 10,000$의 고레이놀즈 수 영역으로의 예측은 Martin [15] 의 상관관계 ($Nu \propto Re^{0.574}$) 를 기반으로 한 스케일링 기법을 적용하여 수행했습니다.

3. 주요 기여 (Key Contributions)

1. 동적 구성을 위한 최초의 대리 모델: 고정된 배열이 아닌, 입구/출구가 동적으로 변하는 충돌 제트 배열의 열전달을 예측하는 최초의 CNN 기반 대리 모델을 제안했습니다.
2. 실시간 제어 가능성 입증: CFD 의 높은 정확도를 유지하면서도 실시간 예측이 가능하도록 계산 비용을 획기적으로 줄였습니다.
3. 고레이놀즈 수 예측 방법론: 저레이놀즈 수 학습 데이터를 기반으로 상관관계 스케일링을 통해 고레이놀즈 수 ($Re=10,000$) 영역까지 확장 가능한 방법론을 제시했습니다.
4. 실험적 검증: 개발된 모델의 예측 결과를 실제 실험 데이터와 비교하여 검증했습니다.

4. 결과 (Results)

• 예측 정확도:
  • 5x1 모델: 검증 데이터에서 정규화 평균 절대 오차 (NMAE) 가 1.6%, RMSE 는 0.64였습니다.
  • 3x3 모델: 더 많은 학습 데이터와 대칭성 활용으로 인해 성능이 더 우수하여 NMAE 가 0.57%, RMSE 는 0.24였습니다.
  • 전체 표면의 평균 Nusselt 수 예측 오차는 5x1 모델에서 1.4%, 3x3 모델에서 0.2% 로 매우 낮았습니다.
• 외삽 성능 ($Re=10,000$):
  • 스케일링 기법을 적용한 후, $Re=10,000$에서의 NMAE 는 약 11% 로 증가했으나, 전체적인 열전달 특성과 주요 피크 위치는 여전히 잘 포착했습니다.
  • 피드백 제어기 (Feedback controller) 가 이러한 모델 오차를 보정할 수 있을 것으로 기대됩니다.
• 실험 검증:
  • 실제 실험 장치 (5x1 구성, $Re=10,000$) 를 사용하여 열전달 예측을 검증했습니다.
  • 120 초 후 재구성된 온도 분포와 실험 측정값 간의 오차는 평균 5.8% 이내로 나타나 모델의 유효성이 입증되었습니다.
• 한계: 5x1 모델의 경우 국소적인 고주파수 변동 (High-frequency fluctuations) 을 완벽하게 재현하지는 못했으나, 이는 전체 평균 열전달 성능에는 큰 영향을 미치지 않았습니다.

5. 의의 및 결론 (Significance)

• 모델 기반 제어의 토대: 이 연구는 복잡한 열 관리 시스템에서 개별 제트의 유량과 구성을 실시간으로 최적화하는 '모델 기반 폐루프 제어 전략 (Model-based closed-loop control strategies)'을 구현할 수 있는 핵심 도구를 제공합니다.
• 확장성: 제안된 프레임워크는 다양한 제트 배열 크기와 복잡한 열 부하 조건에 적용 가능하여, 항공기 엔진 냉각, 배터리 열관리, 정밀 주조 금형 냉각 등 다양한 산업 분야에 적용될 수 있습니다.
• 재현성: 연구에 사용된 데이터와 코드는 Zenodo 공개 저장소에 공개되어 있어, 후속 연구 및 기술 개발의 기초 자료로 활용될 수 있습니다.

결론적으로, 본 논문은 고비용의 CFD 시뮬레이션 대신 효율적인 딥러닝 기반 대리 모델을 통해 동적 충돌 제트 시스템의 열전달을 실시간으로 예측하고 제어할 수 있는 새로운 패러다임을 제시했습니다.