⚡ electrical engineering

Machine learning-based regression and multi-objective optimization of thermo-hydraulic performance in a tubular heat exchanger with co-and counter-arranged V-winglet twisted tape inserts

본 연구는 동방향 및 역방향 스월(swirl) V-윙릿 이중 천공 트위스티드 테이프 삽입물이 장착된 관형 열교환기의 열수력 성능을 예측하고 최적화하기 위해 머신러닝 모델, 설명 가능한 AI, 그리고 다목적 최적화를 통합한 데이터 기반 프레임워크를 개발한다.

원저자: Bipin Kumar, Himani Sharma, Anil Kumar Patil, Manoj Kumar

게시일 2026-08-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Bipin Kumar, Himani Sharma, Anil Kumar Patil, Manoj Kumar

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

현대 세계에서 에너지 수요는 그 어느 때보다 빠르게 증가하고 있으며, 이는 엔지니어들이 한 곳에서 다른 곳으로 열을 이동시키는 더 스마트한 방법을 찾도록 몰아붙이고 있습니다. 이 도전 과제의 중심에는 유체가 서로 섞이지 않게 하면서 열에너지를 전달하는 산업계의 숨은 일꾼인 열교환기가 있습니다. 이러한 장치들을 더 효율적으로 만들기 위해, 과학자들은 종종 파이프 내부에 물리적 구조물을 추가하여 유체를 휘젓는 수동적 기법을 사용합니다. 흔히 쓰이는 방법 중 하나는 금속 띠를 관의 길이를 따라 나선형으로 늘어뜨린 트위스티드 테이프(twisted tape)를 삽ắp하는 것입니다. 유체가 이 나선형 구조 위로 흐를 때, 유체는 강제로 소용돌이치게 되며, 이는 파이프 벽면에 붙어 있는 정체된 얇은 유체 층을 깨뜨려 열이 훨씬 더 빠르게 빠져나가도록 돕습니다. 하지만 이러한 소용돌이 작용은 마찰을 발생시켜 유체를 펌프로 밀어내는 데 더 많은 에너지를 필요로 하는 브레이크 역할을 합니다. 엔지니어들의 목표는 언제나 완벽한 균형을 찾는 것입니다. 즉, 가능한 최대의 열 전달을 얻으면서도 그 마찰을 극복하기 위해 사용하는 에너지는 최소화하는 것입니다.

데라둔 공과대학교(Dehradun Institute of Technology)와 산칼란드 파텔 대학교(Sankalchand Patel University)의 연구팀은 물리적 실험과 첨단 컴퓨터 학습을 결합하여 이 균형 잡기 문제를 해결했습니다. 그들은 이중 천공 트위스티드 테이프와 V-윙릿(V-winglets)이라는 특정 유형의 인서트에 집중했습니다. 이것은 금속 리본이 나선형으로 뒤틀린 형태인데, 여기에 작은 구멍들이 뚫려 있어 일부 유체가 통과할 수 있게 함으로써 항력을 줄여줍니다. 이 리본의 가장자리를 따라 작은 V자 모양의 지느러미(fin)가 작은 날개처럼 튀어나와 있습니다. 이 날개들은 두 가지 방식으로 배치되었습니다: 두 개가 모두 같은 방향으로 회전하거나, 혹은 서로 반대 방향으로 회전하는 방식입니다. 연구진은 이러한 특정 형상들이 다양한 유속 조건에서 어떻게 작동하는지, 그리고 에너지를 절약하기 위해 어떻게 최적화될 수 있는지 알아보고자 했습니다.

이 인서트의 거동을 이해하기 위해, 연구팀은 긴 투명 시험관을 제작하고 공기를 다양한 속도로 통과시켜 실제 산업 시스템에서 발견되는 조건을 시뮬레이션했습니다. 그들은 유동 강도를 측정하는 척도인 난류 수치가 약 10,400에서 22,800 사이인 범위에 해당하는 공기 흐름을 테스트했습니다. 또한 테이프의 꼬임이 얼마나 조밀한지도 변화시켰는데, 테이프가 길이 단위 2, 4, 또는 6마다 한 바퀴를 도는 비율을 테스트했습니다. 모든 테스트마다 열 전달 효율, 마찰로 인한 공기의 감속 정도, 그리고 무질서로 인해 낭비되는 에너지인 엔트로피를 측정했습니다. 그런 다음 이 모든 데이터를 컴퓨터 시스템에 입력하여 여러 가지 머신러닝 모델을 통해 패턴을 학습하게 했습니다. 이 모델들은 마치 고도로 훈련된 학생처럼, 실험 결과를 공부하여 이전에 본 적 없는 상황에서도 시스템이 어떻게 작동할지 예측했습니다.

결과는 인서트의 특정 설계가 매우 중요하다는 것을 보여주었습니다. 이중 트위스티드 테이프와 V자형 날개가 결합된 형태, 특히 두 나선이 반대 방향으로 회전하는 구성이 최고의 열 전달 성능을 보였습니다. 이 구성은 강력한 소용돌이 운동을 만들어 공기를 철저히 혼합함으로써, 일반적인 관이나 단순한 인서트보다 훨씬 효과적으로 열을 관 벽으로부터 끌어냈습니다. 그러나 이러한 높은 성능에는 대가가 따랐습니다. 마찰 또한 높아져 공기가 더 많은 저항을 받게 된 것입니다. 연구진은 꼬임 비율을 조정함으로써 이러한 상충 관계를 조절할 수 있다는 것을 발견했습니다. 꼬임이 조밀할수록 일반적으로 열 전달은 개선되지만 마찰은 증가하는 반면, 꼬임이 느슨할수록 마찰은 줄어들지만 열 교환은 적어지는 경향을 보였습니다. 연구는 V-윙릿과 역회전(counter-swirling) 배향을 가진 버전이 전체적인 효율성을 가장 높였다는 점을 밝혀냈으며, 유속이 증가할 때 다른 설정들에 비해 성능을 약 16% 향상시켰습니다.

이러한 복잡한 관계를 파악하기 위해 연구진은 설명 가능한 인공지능(explainable AI) 기술을 사용했습니다. 단순히 컴퓨터가 숫자만을 제공하게 하는 대신, 어떤 요인이 가장 중요한지 모델에게 설명하도록 요청했습니다. 분석 결과, 공기의 속도와 테이프의 특정 형상이 결과를 주도하는 지배적인 힘임이 확인되었습니다. 특히 최소 제곱 서포트 벡터 머신(Least Squares Support Vector Machine)과 XGBoost라고 불리는 컴퓨터 모델들은 열 전달 및 마찰 값을 거의 99%의 신뢰도로 예측하며 놀라운 정확도를 입증했습니다. 이는 엔지니어들이 모든 물리적 시제품을 일일이 제작하고 테스트할 필요 없이, 이러한 디지털 모델을 사용하여 새로운 열교환기가 어떻게 작동할지 예측할 수 있음을 의미하며, 이를 통해 상당한 시간과 자원을 절약할 수 있습니다.

마지막으로, 연구팀은 정교한 최적화 도구를 사용하여 이상적인 운전 조건을 찾아냈습니다. 열 전달을 개선하면 종종 마찰이 악화되기 때문에, 하나를 극대화하면서 동시에 다른 하나를 최소화하는 단 하나의 '완벽한' 설정은 존재하지 않습니다. 대신, 컴퓨터는 파레토 프런트(Pareto front)라고 알려진 최적의 절충안 목록을 생성했습니다. 이러한 솔루션들은 엔지니어들에게 선택의 폭을 제공합니다. 어떤 모델은 소형 시스템을 위해 최대 열 전달을 우선시할 수 있고, 다른 모델은 펌핑 비용이 높은 시스템을 위해 낮은 에너지 소비를 우선시할 수 있습니다. 연구는 데이터 기반 도구를 사용함으로써, 열을 이동시키는 데 더 효과적일 뿐만 아니라 에너지 사용 측면에서도 더 효율적인 열교환기를 설계하는 것이 가능하다는 결론을 내렸으며, 이는 점점 더 많은 전력을 소비하는 세상에서 더 나은 열 관리의 절실한 필요성에 부응하는 것입니다.

기술 요약: 코(Co-) 및 카운터(Counter-) 배치된 V-윙릿 트위스티드 테이프 인서트가 적용된 관형 열교환기의 열수력 성능에 대한 머신러닝 기반 회귀 및 다목적 최적화

문제 정의
현대 에너지 시스템은 증가하는 에너지 소비를 충족하기 위해 열교환기 효율의 지속적인 개선을 요구하고 있다. 유동 혼합과 난류를 촉진하기 위해 트위스티드 테이프 인서트와 같은 수동적 열전달 향상 기술이 널리 사용되고 있으나, 이는 본질적으로 마찰 손실을 증가시킨다. 구체적으로, 코-스월(co-swirl) 및 카운터-스월(counter-swirl) 방향의 V-윙릿 형상을 가진 이중 천공 트위스티드 테이프(DPTT) 터뷸레이터는 상당한 열전달 향상을 제공하지만, 복잡한 열수력적 트레이드오프(trade-offs)를 유발한다. 기존 문헌에는 다양한 레이놀즈 수와 기하학적 파라미터에 걸쳐 열전달 향상(누셀 수, 열성능 계수)과 압력 강하 페널티(마찰 계수) 및 열역학적 비가역성(엔트로피 생성) 사이의 균형을 맞추는 체계적인 최적화 프레임워크가 부족하다. 과제는 엔트로피 생성(엑서지 분석)과 머신러닝(ML)을 통합하여 이러한 구성을 예측하고 최적화하는 체계적인 프레임워크를 구축하는 데 있다.

방법론
본 연구는 실험적 조사, 다중 모델 머신러닝, 설명 가능한 인공지능(XAI), 그리고 다목적 최적화를 결합한 포괄적인 데이터 기반 프레임워크를 채택한다.

실험 설정:
- 3미터 길이의 원통형 튜브(내경 0.032 m)를 사용하였으며, 대기 공기를 흡입하기 위해 원심 블로워를 사용하였다.
- 외벽에 감겨 있는 가열 요소를 통해 열을 균일하게 공급하였다.
- 파라미터: 레이놀즈 수( $Re$ )는 10,400에서 22,800 사이였으며, 트위스트 비( $y$ )는 2에서 6까지 변화하였다.
- 인서트: 솔리드 트위스티드 테이프(STT), 천공 테이프(PTT), 이중 트위스티드 테이프(DSTT), 그리고 코-스월(CO) 및 카운터-스월(COT) 방향의 V-윙릿이 적용된 이중 천공 트위스티드 테이프(DPTT)를 포함한 다양한 기하학적 구조를 테스트하였다. 윙릿의 깊이 및 너비 비율은 0.2로 고정하였고, 공극률 비율은 0.045였다.
- 측정: 누셀 수( $Nu$ ), 마찰 계수( $f$ ), 열성능 계수( $\eta$ ), 엔트로피 생성 수( $N_s$ )를 계산하기 위해 벽면 온도, 입구/출구 공기 온도 및 압력 강하에 대한 정상 상태 데이터를 수집하였다.
머신러닝 프레임워크:
- 데이터 전처리: 데이터셋은 클리닝, 범주형 인코딩(테이프 유형에 대한 원-핫 인코딩), 그리고 z-점수 정규화를 거쳤다. 80:20 훈련-테스트 분할과 5-폴드 교차 검증을 활용하였다.
- 모델: 다섯 가지 회귀 모델인 다중 선형 회귀(MLR), 랜덤 포레스트(RF), 인공 신경망(ANN), XGBoost, 그리고 최소 제곱 서포트 벡터 머신(LS-SVM)을 훈련하고 평가하였다.
- 해석 가능성: 특징 기여도를 정량화하고 물리적 일관성을 보장하기 위해 SHAP(SHapley Additive exPlanations)을 적용하였다.
최적화:
- 비지배 정렬 유전 알고리즘 II(NSGA-II)를 사용하여 다목적 최적화 문제를 정식화하였다.
- 목적 함수: $Nu$ 및 $\eta$ 극대화; $f$ 및 $N_s$ 최소화.
- 대리 모델링: 훈련된 ML 모델은 직접적인 CFD 시뮬레이션의 높은 계산 비용을 피하기 위해 NSGA-II 루프 내에서 대리 예측 모델 역할을 수행하였다.

주요 결과

실험적 성능:
- 열전달: 모든 구성에서 레이놀즈 수( $Re$ )가 증가함에 따라 누셀 수가 증가하였다. V-윙릿이 적용된 DPTT, 특히 카운터-스월(COT) 방향의 구성이 가장 높은 열전달 향상을 보여주었다.
- 마찰: V-윙릿 기하학이 적용된 DPTT가 가장 높은 마찰 계수를 나타냈다. 그러나 천공은 솔리드 테이프에 비해 마찰을 감소시키는 것으로 나타났으며, 트위스트 비를 2에서 6으로 증가시킴에 따라 일반적으로 마찰 계수가 감소하였다.
- 열성능: V-윙릿이 적용된 DPTT-COT는 최대 1.82에 달하는 가장 높은 열성능 계수( $\eta$ )를 달로 달성하였다. 이 기하학적 구조는 $Re$ 가 10,400에서 22,800으로 변함에 따라 $\eta$ 가 16.4% 증가함을 보여주었다.
- 엔트로피 생성: 트위스트 비 $y=6$ 에서 V-윙릿이 적용된 DPTT-COT는 최소 엔트로피 생성을 나타냈으며, 이는 테스트된 구성 중 가장 열역학적으로 효율적인 구성을 의미한다.
머신러닝 성능:
- 다섯 가지 모델 중 LS-SVM과 XGBoost가 가장 높은 예측 정확도를 보였으며, 주요 파라미터( $Nu$ , $f$ , $\eta$ , $N_s$ )를 예측하는 데 있어 높은 정확도를 나타냈다.
- 패리티 플롯(Parity plots), 회귀 오차 특성(REC) 곡선 및 교차 검증을 통해 이 모델들의 견고성과 일반화 능력을 확인하였다.
- SHAP 분석은 물리적 일관성을 검증하였으며, 레이놀즈 수가 높아짐에 따라 누셀 수에 긍정적으로 기여하고 기하학적 수정이 유동 영역에 따라 열전달에 다르게 영향을 미친다는 점을 확인하였다.
최적화 결과:
- NSGA-II 알고리즘은 최적의 해를 갖는 파레토 프런트(Pareto front)를 성공적으로 생성하였다. 이러한 해들은 엔지니어가 최대 열전달과 최소 마찰 손실 및 엔트로피 생성 사이의 균형을 맞추어 운영 조건을 선택할 수 있는 트레이드오프 곡선을 제공한다.

의의 및 주장
본 논문은 실험적 열수력 데이터와 고급 최적화 사이의 간극을 메우는 통합된 데이터 기반 프레임워크를 제시한다고 주장한다. 본 연구의 주요 의의는 다음과 같다:

체계적 최적화: 단순한 성능 지표를 넘어 엔트로피 생성을 통합하고 트위스티드 테이프 설계를 위한 다목적 최적화를 구현하였다.
고정밀 예측: LS-SVM과 XGBoost가 전통적인 선형 회귀보다 뛰어난 성능을 보이며 복잡하고 비선형적인 열수력 거동을 매우 정확하게 모델링할 수 있음을 입증하였다.
설명 가능성: SHAP을 활용하여 머신러닝 모델의 "블랙박스" 특성을 투명하게 하고 물리 법칙과 일치하도록 함으로써 예측의 신뢰성을 높였다.
설계 유용성: 엔지니어가 실제 제약 조건에 따라 특정 성능 기준(예: 최대 열전달 vs 최소 압력 강하)을 우선시할 수 있도록 유연한 설계 옵션을 제공하는 파레토 최적 해 집단을 제공한다.

본 연구는 V-윙릿 천공 트위스티드 테이프를 카운터-스월 배열으로 통합하고 ML 및 NSGA-II를 통해 최적화하는 것이 열교환기 효율을 높이면서 열역학적 비가역성을 관리할 수 있는 실행 가능한 경로임을 결론짓는다.

유사한 논문