Hybrid Thermodynamic–Machine Learning Modeling of Nano-Refrigerant-Based Vapor Compression Refrigeration Systems

기술 요약: 나노 냉매 기반 증기 압축 냉동 시스템의 하이브리드 열역학-머신러닝 모델링

문제 제인 (Problem Statement)
R-134a와 같은 냉매를 사용하는 기존의 증기 압축 냉동 시스템(VCRS)은 열 성능과 에너지 효율 측면에서 한계에 직면해 있다. 나노 냉매(1~100 nm 크기의 나노 입자가 분산된 기존 유체)는 열전도율 및 열전달 계수와 같은 열물리적 특성을 향상시키는 것으로 유망한 가능성을 보여주었으나, 기존 문헌은 단편적인 분석에 머물러 있다. 이전 연구들은 종종 다양한 운전 조건 하에서의 개별 배합에 집중하며, 통합된 모델링 프레임워크가 부족하고, 주로 고립된 실험적 또는 수치적 접근 방식에 의존한다. 또한, 동일한 열역학적 조건 하에서 서로 다른 나노 입자 유형(예: Al₂O₃, TiO₂, CuO)에 대한 비교 평가가 부족하며, 많은 연구가 단순한 성적 계수(COP) 지표 대신 제2법칙 분석(엑서지 및 엔트로피)을 간과하고 있다. 아울러, 신속한 예측과 최적화를 위한 불확실성 정량화 및 머신러닝(ML)의 통합 역시 미개척 분야로 남아 있다.

방법론 (Methodology)
본 연구는 열역학 모델링, 머신러닝, 불확실성 정량화 및 최적화를 통합하는 포괄적인 하이브리드 계산 프레임워크를 제안한다. 방법론은 다음과 같은 단계로 진행된다:

1. 열역학 모델링: Python과 CoolProp 라이브러리를 사용하여 정상 상태(steady-state) VCRS 모델을 개발하였다. 이 시스템은 질량 보존, 에너지 균형 및 엑서지 분석을 포함하는 열역학 제1법칙과 제2법칙을 사용하여 분석되었다. 모델은 R134a와 Al₂O₃(두 가지 밀도 변화: 2200 및 3690 kg/m³), TiO₂, CuO가 혼합된 네 가지 나노 냉매 구성을 평가하였다. 주요 가정으로는 균일한 나노 입자 분산, 균질한 단상 혼합물 거동, 일정한 압축기 등엔트로피 효율(51%), 그리고 배관 내 압력 강하 무시 등이 포함되었다.
2. 검증: 수치 모델은 발표된 실험 데이터(Subramani 및 Prakash)와 수치 시뮬레이션(Aktas 등)을 통해 검증되었다. 검증은 열역학적 상태, 작동 압력 및 COP 값에 중점을 두었다.
3. 머신러닝 통합: 나노 입자의 특성과 시스템 성능 사이의 비선형 관계를 포착하기 위해, 핵심 성능 지표(COP, 냉동 능력, 압축기 일)를 예측하도록 열역학 시뮬레이션 데이터셋을 바탕으로 랜덤 포레스트(RF) 및 다층 퍼셉트론(MLP) 모델을 학습시켰다.
4. 불확실성 및 민감도 분석: 온도, 압력, 엔탈피 및 나노 입자 농도의 변화를 고려하여 제곱합의 제곱근(RSS) 방법을 통해 예측된 COP의 불확실성을 정량화하였다. 또한, 시스템 성능에 영향을 미치는 지배적인 변수를 식별하기 위해 민감도 분석을 수행하였다.
5. 최적화: 본 프레임워크는 시뮬레이션 데이터를 활용하여 최적의 운전 조건을 결정하였으며, 특히 성능을 극대화하면서 점도 효과를 균형 있게 조절하는 나노 입자 농도를 식별하였다.

주요 기여 (Key Contributions)

• 통합 프레임워크: 나노 냉매 VCRS 분석을 위해 열역학, 열전달, 나노 유체 거동 및 AI를 결합한 통합 다중 물리 플랫폼 개발.
• 비교 분석: 직접적인 비교 문헌이 부족한 점을 해결하기 위해 동일한 운전 조건 하에서 Al₂O₃, TiO₂, CuO 나노 입자를 체계적으로 비교함.
• 제2법칙 평가: 단순한 제1법칙 지표와 더불어 엔트로피 생성 및 엑서지 효율 분석을 포함하여, 열역학적 비가역성에 대한 보다 총체적인 관점을 제공함.
• 하이브리드 모델링: 물리 기반 시뮬레이션이 ML 모델을 위한 데이터를 생성하여 신속한 성능 예측을 가능하게 하고 계산 비용을 절감하는 하이브리드 접근 방식을 입증함.
• 불확실성 정량화: 예측된 COP의 불확실성을 명시적으로 정량화하여 공학적 응용을 위한 모델의 신뢰성을 확립함.

결과 (Results)

• 모델 검증: 열역학 모델은 수치 결과와 우수한 일치를 보였으며, 평균 절대 편차는 0.23%에서 2.72% 사이였다. 실험 데이터와의 비교에서도 공학적 응용에 적합한 수준의 일치도를 보였으며, 이러한 편차는 이상화된 가정(예: 정상 상태, 균질한 분산)에 기인한다.
• 성능 향상: 나노 입자의 도입은 시스템 성능을 크게 향상시켰다. 조사된 유체 중 R134a/CuO가 가장 우수한 종합 성능을 나타냈다. 약 **0.60 wt.%**의 최적 농도에서 R134a/CuO 시스템은 다음을 달와성:
  • 냉동 능력: 147.5 kJ kg⁻¹
  • 압축기 일: 49.0 kJ kg⁻¹
  • 성적 계수 (COP): 3.01
  • 대류 열전달 계수: 702 W m⁻² K⁻¹
  • 총 엔트로피 생성: 0.97 (테스트된 유체 중 최저)
  • 엑서지 효율: 70.4% (테스트된 유체 중 최고)
• 농도 효과: 나노 입자 농도가 약 0.60 wt.%까지 증가함에 따라 성능이 향상되었다. 이 지점을 넘어서면 점도 관련 효과가 추가적인 향상을 제한할 것으로 예상되나, 본 연구에서는 이 범위를 완전히 탐구하지는 않았다.
• 머신러닝 정확도: 랜덤 포레스트 모델은 열역학 시뮬레이션 결과를 성공적으로 재현하였으며, 이는 데이터 기반 모델을 복잡한 열역학 계산의 대리 모델(surrogate)로 사용하는 것이 가능하다는 것을 입증하였다. 특성 중요도 분석 결과, 나노 입자 농도와 열전도율이 가장 영향력 있는 변수로 식별되었다.
• 불확실성: 예측된 COP의 전체 불확실성은 ±3.2%로 계산되었으며, 이는 허용 가능한 공학적 한계인 ±5% 이내이다.

의의 및 주장 (Significance and Claims)
본 논문은 제안된 하이브리드 프레임워크가 고효율 나노 냉동 시스템의 설계, 최적화 및 지능적 운용을 위한 신뢰할 수 있는 다중 물리 플랫폼을 제공한다고 주장한다. 제1법칙 및 제2법칙 분석을 머신러닝 및 불확실성 정량화와 통합함으로써, 본 연구는 고립된 모델링 접근 방식의 한계를 극복하는 견고한 방법론을 제시한다. R134a/CuO(0.60 wt.%)를 가장 유망한 구성으로 식별한 것은 냉동 효율 개선을 위한 구체적이고 데이터에 기반한 권고를 제공한다. 저자들은 본 연구가 주로 계산 중심이며 새로운 실험실 실험보다는 기존 문헌을 통한 검증에 의존하고 있음을 인정하면서도, 본 프레임워크가 더 복잡한 미래 연구를 위한 탄탄한 기초를 마련한다고 강조한다. 또한, 과도 현상(transient behaviors), 나노 입자 응집 및 장기 안정성에 관한 제한 사항을 겸허히 언급하며, 현재의 연구가 더 복잡한 향후 조사를 위한 기초 단계임을 명시한다.