Engineering Hybrid Physics-Informed Neural Networks for Next-Generation Electricity Systems: A State-of-the-Art Review

기술 요약: 차세대 전력 시스템을 위한 하이브리드 물리 정보 신경망 엔지니어링

문제 제기
현대 전기 기계 및 구동의 설계, 모니터링, 제어는 데이터 부족, 제한된 모델 해석 가능성, 그리고 순수 데이터 기반 접근법 내에서 물리 법칙을 강제하는 어려움과 관련된 지속적인 과제에 직면해 있습니다. 고장 진단 및 성능 예측과 같은 작업에는 효과적이지만, 종종 물리적 일관성이 결여된 "블랙박스"로 기능하며 훈련 데이터를 넘어선 외삽에 어려움을 겪고 방대한 양의 고품질 데이터를 필요로 하는 전통적인 머신러닝 (ML) 방법과는 대조적으로, 전통적인 물리 기반 수치 방법 (예: 유한 요소법) 은 계산 비용이 많이 들고 실시간 응용, 디지털 트윈, 그리고 신속한 설계 최적화에는 너무 느린 경우가 많습니다. 본 논문은 Industry 4.0 응용을 위한 견고하고 확장 가능하며 투명한 솔루션을 창출하기 위해 데이터 기반 접근법과 불변의 물리 법칙을 조화시킬 긴급한 필요성을 확인합니다.

방법론
본 논문은 특히 물리 정보 신경망 (PINN) 과 그 고급 변형에 초점을 맞춘 하이브리드 물리 정보 머신러닝 (PIML) 아키텍처에 대한 최신 리뷰를 제시합니다. 방법론은 이러한 프레임워크가 데이터 기반 학습과 첫 번째 원리 모델링을 어떻게 융합하는지 평가하기 위해 출판된 사례 연구 및 시뮬레이션에 대한 비교 분석을 종합하는 것을 포함합니다.

검토된 주요 방법론적 구성 요소는 다음과 같습니다:

• 손실 함수 공식화: 전자기장을 위한 맥스웰 방정식과 유체 역학을 위한 나비에 - 스토크스 방정식과 같은 지배 편미분 방정식 (PDE) 의 잔차를 신경망 손실 함수에 직접 통합합니다. 이는 예측이 관측된 데이터에 적합하는 동시에 질량, 운동량, 에너지 보존과 같은 물리 법칙을 준수하도록 보장합니다.
• 아키텍처 변형: 본 리뷰는 몇 가지 고급 아키텍처를 검토합니다:
  • 딥 오퍼레이터 네트워크 (DeepONets) 및 푸리에 신경 오퍼레이터 (FNOs): 이러한 네트워크는 점별 해가 아닌 함수 공간 간의 매핑을 학습하여 이산화 불변성을 제공하고 고차원 문제를 효율적으로 처리할 수 있는 능력을 제공합니다.
  • 그래프 기반 PINN (PIGNNs): 공간적 상호의존성과 불규칙한 메쉬를 모델링하기 위해 그래프 구조를 활용하여 누락된 데이터와 다양한 경계 조건을 수용합니다.
  • 고급 PINN: 빠른 훈련을 위한 극한 학습기 (ELM) 통합, 복잡한 도메인의 병렬 처리를 위한 도메인 분해 (예: XPINN, FBPINN), 그리고 경계 조건의 분석적 강제를 위한 기능 연결 이론 (TFC) 을 포함합니다.
  • 하이브리드 제어 전략: 물리 정보 제약 조건과 모델 예측 제어 (MPC), 강화 학습 (RL), 적응형 신경 - 퍼지 추론 시스템 (ANFIS) 을 결합합니다.

주요 기여
본 논문은 전기 기계 및 구동에 PIML 을 적용한 최근 진전을 분류하여 연구자 및 실무자를 위한 포괄적인 프레임워크를 제공합니다. 주요 기여는 다음과 같습니다:

1. 아키텍처의 체계적 검토: 유도 전동기, 영구 자석 동기 전동기 (PMSM), 그리고 스위치드 릴럭턴스 전동기 (SRM) 를 포함한 전기 기계 구성 요소에 대한 PIML 방법 (PINN, PIGNN, DeepONet, FNO) 의 상세한 분류 및 특정 적용 가능성.
2. 응용 매핑: 본 논문은 특정 PIML 기술을 중요한 엔지니어링 작업에 매핑합니다.
   • 장 분석: 메쉬 기반 솔버에만 의존하지 않고 전자기 토크 및 장 분포를 위한 맥스웰 방정식 해결.
   • 성능 추정: 자기 포화 및 히스테리시스와 같은 비선형성을 고려한 상태 추정 및 온라인/오프라인 파라미터 식별을 위한 하이브리드 모델.
   • 설계 최적화: 희토류 원소에 대한 의존도를 줄이고 자기 재료 및 기하학의 최적화를 가속화하기 위해 대리 모델링을 위한 PIML 활용.
   • 디지털 트윈: 실시간 모니터링, 고장 감지, 그리고 예측 정비를 위한 디지털 트윈 프레임워크에 PIML 통합.
3. 비교 분석: 전통적인 ML 방법 (예: SVM, 랜덤 포레스트) 과 PIML 접근법 간의 구조화된 비교로, 후자가 희소 데이터를 처리하고 물리적 일관성을 보장하며 불확실성 정량화를 제공하는 데 있어 더 뛰어난 능력을 강조합니다.

결과
검토된 증거는 PIML 이 다양한 전기 시스템 구성 요소에 걸쳐 견고하고 확장 가능하며 물리적으로 일관된 예측을 제공함을 보여줍니다. 주요 발견 사항은 다음과 같습니다:

• 데이터 효율성: PIML 모델은 물리적 제약을 활용하여 대규모 데이터셋에 대한 의존성을 크게 줄여 희소하거나 노이즈가 많은 센서 데이터에서도 효과적입니다.
• 계산 효율성: 특히 신경 오퍼레이터 및 도메인 분해 PINN 과 같은 하이브리드 접근법은 유한 요소 시뮬레이션을 다중 분기 네트워크로 대체하는 것과 같이 시뮬레이션 시간을 몇 시간에서 밀리초 단위로 단축할 잠재력을 보여주어 실시간 제어 및 최적화를 가능하게 합니다.
• 일반화: 물리 법칙을 내장함으로써 이러한 모델은 개선된 일반화 및 외삽 능력을 보여주며, 순수 데이터 기반 모델이 종종 실패하는 다양한 작동 조건과 보이지 않는 시나리오 하에서도 정확성을 유지합니다.
• 불확실성 정량화: PIML 내의 베이지안 추론 및 확률론적 프레임워크 통합은 엄격한 불확실성 정량화를 가능하게 하여 안전이 중요한 응용 분야에 대한 모델의 신뢰성을 향상시킵니다.

의의
본 논문은 이러한 진전이 차세대 전력 시스템을 위한 불투명한 블랙박스 데이터 기반 방법에서 투명한 화이트박스 물리 정보 전략으로의 패러다임 전환을 알린다고 주장합니다. 이 작업의 의의는 다음과 같은 잠재력에 있습니다:

• 격차 해소: 이론 물리와 산업 응용을 연결하여 데이터가 제한적이거나 물리적 일관성이 불가결한 환경에서 ML 배포를 가능하게 합니다.
• Industry 4.0 지원: 현대 스마트 그리드 및 자동화 제조에 필수적인 실시간 진단, 디지털 트윈, 그리고 적응형 제어 전략을 촉진합니다.
• 지속 가능성 최적화: 재료 사용 감소 및 수명 주기 관리 개선을 통한 더 효율적인 전기 기계 설계를 지원합니다.

저자들은 계산 복잡성, 불확실성 정량화, 그리고 산업 규모 배포와 관련된 과제가 남아 있지만, 물리 모델링과 고급 ML 의 수렴이 전기 기계 및 구동의 설계 및 제어를 위한 변혁적인 길을 제시한다고 결론지었습니다. 향후 연구는 다중 물리 제약 조건을 정교화하고, 적응형 실시간 방법을 개발하며, 벤치마크 및 데이터 공유를 표준화하기 위한 학제 간 협력을 장려하는 방향으로 진행될 것입니다.