Predicting Thermodynamic Properties of R1234yf/R152a Mixtures Using Machine Learning and PRSV Equation of state

냉동 공학의 세계는 조용하지만 긴박한 변화를 겪고 있습니다. 수십 년 동안 자동차, 가정, 슈퍼마켓의 냉각 시스템은 하이드로플루오로카본(HFCs)이라 불리는 화학 물질에 의존해 왔습니다. 이 물질들은 오존층에는 안전했지만, 지구 온난화의 강력한 원인임이 밝혀졌습니다. 이에 대응하여, 국제 협약은 이러한 오래된 가스들의 단계적 감축을 추진하며, 기후에 해롭지 않은 대체제를 찾기 위한 경주를 만들어냈습니다. 새로운 후보들은 대개 단일 화학 물질이거나 정교하게 균형을 맞춘 혼합물로, 과도한 열을 대기에 가두지 않으면서도 효율적으로 냉각하도록 설계되었습니다. 그러나 이 새로운 유체들을 사용하는 시스템을 설계하려면 이들이 다양한 조건에서 어떻게 행동하는지 정확히 아는 것이 필요합니다. 엔지니어들은 가스를 압축할 때 얼마나 찌그러지는지, 혹은 액체가 냉각될 때 얼마나 무거워지는지를 예측해야 합니다. 이러한 특성들은 온도, 압력, 그리고 화학적 혼합물의 정확한 비율에 따라 복잡한 방식으로 변하기 때문에, 정확한 예측은 신뢰할 수 있고 친환경적인 냉각 시스템을 구축하기 위한 어렵지만 필수적인 과제입니다.

최근 한 연구에서 연구진은 이 특정하고 유망한 혼합물, 즉 R1234yf와 R152a라는 두 가지 냉매의 조합에 대한 예측 퍼즐을 해결하고자 했습니다. 이 조합은 낮은 환경 영향과 우수한 성능 사이의 균형을 맞추며, 어떤 경우에는 개별 성분들에 비해 가연성 위험을 줄일 수도 있다는 점에서 매력적입니다. 이 혼합물이 어떻게 작동하는지 이해하기 위해 연구팀은 이전 실험들로부터 145개의 특정 데이터 포인트를 수집했습니다. 이 지점들은 영상 직후의 온도부터 따뜻한 여름날까지의 온도 범위를 다루었으며, 압력은 중등도에서 상당히 높은 수준까지 아우릅니다. 목표는 현대적인 컴퓨터 프로그램, 즉 머신러닝이 이 데이터를 통해 두 가지 핵심 특성인 압축 인자(가스가 이상적인 거동에서 얼마나 벗어나는지를 알려줌)와 밀도(유체의 단위 부피당 무게)를 예측하는 법을 학습할 수 있는지 확인하는 것이었습니다.

연구진은 네 가지 유형의 머신러닝 알고리즘을 전통적인 물리 기반 공식들과 대결시켰습니다. 머신러닝 모델에는 의사 결정 나무를 구축하는 방식, 데이터 내의 가장 가까운 이웃을 찾아 패턴을 찾는 방식, 그리고 복잡한 곡선을 매핑하는 정교한 기술들이 포함되었습니다. 또한 그들은 수십 년 동안 가스와 액체의 거동을 설명하는 데 사용되어 온 PRSV 방정식이라는 고전적인 열역학 공식과, 테이트(Tait) 방정식으로 알려진 더 단순한 경험적 공식도 테스트했습니다. 연구팀은 컴퓨터 모델에 온도, 압력, 그리고 혼합물 내 한 화학 물질의 정확한 양을 입력한 뒤, 압축 인자와 밀도를 추측하도록 했습니다. 그런 다음 이 추측값들을 실제 실험 수치와 비교하여 어떤 방법이 가장 정확한지 확인했습니다.

결과는 어떤 특성을 예측하느냐에 따라 접근 방식의 성과가 명확히 갈린다는 것을 보여주었습니다. 압축 인자의 경우, 머신러닝 모델들이 월등히 우수한 도구임이 입증되었습니다. 특히 이전 모델의 오류를 수정하는 일련의 모델을 구축하는 방식으로 작동하는 특정 알고리즘이 가장 높은 정확도를 달립다. 이 알고리즘은 전통적인 물리 공식보다 데이터의 미묘하고 비선형적인 굴곡을 훨씬 더 잘 포착해 냈습니다. 가장 뛰어난 전통적 공식조차도 두 화학 물질 간의 상호작용이 온도에 따라 어떻게 변하는지를 고려하도록 조정되었음에도 불구하고 미치지 못했습니다. 전통적인 방식은 분자 간의 상호작용을 설명하기 위해 단순화된 규칙에 의존하는데, 이 경우에는 그 규칙들이 혼합물의 거동을 완전히 포착하기에 충분히 복잡하지 않았습니다. 반면 머신러닝 모델은 단순화된 규칙 없이 데이터로부터 직접 패턴을 학습함으로써, 더 높은 정밀도로 가스의 복잡한 지형을 탐색할 수 있었습니다.

연구진이 밀도를 살펴보았을 때는 이야기가 상당히 달라졌습니다. 밀도의 경우, 판세는 크게 평준화되었습니다. 머신러닝 모델들은 여전히 좋은 성능을 보였고 한 방법은 완벽에 가까운 정확도를 달성했지만, 전통적인 물리 기반 공식들도 거의 대등한 수준이었습니다. 특정 수학적 관계를 통해 온도를 조정한 고전적인 PRSV 방정식은 놀라울 정도로 근접하게 데이터를 일치시켰으며, 더 단순한 테이트 방정식 역시 매우 근접한 결과를 보였습니다. 이는 밀도가 압축 인자보다 더 단순하고 예측 가능한 방식으로 행동한다는 것을 시사합니다. 밀도는 복잡한 컴퓨터 모델과 확립된 물리 법칙 모두가 높은 신뢰도로 설명할 수 있는 더 매끄러운 경로를 따릅니다. 이 연구에서 수십 년 된 단순한 공식이 특정 작업에서 현대 인공지능과 경쟁할 수 있다는 사실은, 모든 열역학적 특성에 '블랙박스' 형태의 컴퓨터 솔루션이 필요한 것은 아니며, 때로는 기초적인 물리 법칙만으로도 충분하다는 점을 강조합니다.

연구 과정 전반에 걸쳐 연구진은 어떤 요인이 가장 중요한지도 조사했습니다. 그들은 압력이 밀도와 압축 인자의 변화를 주도하는 지배적인 힘이라는 것을 발견했습니다. 압력이 증가함에 따라 유체는 눈에 띄게 밀도가 높아졌고 압축 인자는 예측 가능한 방식으로 변화했습니다. 온도는 부차적인 역할을 했으며, 혼합물 내 두 화학 물질의 정확한 비율은 선형적 추세에 미치는 직접적인 영향이 놀라울 정도로 작았습니다. 다만 머신러닝 모델은 조성이 결과에 영향을 미치는 미묘한 비선형적 방식은 포착할 수 있었습니다. 이러한 압력 중심의 결과는 기본적인 물리적 직관과 일치합니다. 즉, 유체를 압착하면 더 무거워지고 거동이 변하지만, 적용되는 힘이 화학적 혼합물의 구성보다 더 중요하다는 것입니다.

본 연구는 이 특정 냉매 혼합물을 사용하는 시스템을 설계할 때, 머신러닝이 가스의 복잡한 거동, 특히 압축 인자를 예측하는 데 있어 뚜렷한 이점을 제공한다고 결론짓습니다. 그러나 밀도를 예측할 때는 엔지니어가 고급 컴퓨터 모델이나 잘 확립된 물리 방정식을 동일한 성공률로 사용할 수 있습니다. 이 연구는 한 가지 방법이 보편적으로 더 낫다는 것을 제안하는 것이 아니라, 최선의 도구는 측정하고자 하는 특정 특성에 달려 있다는 것을 보여줍니다. 데이터 기반 방식이 특정 복잡한 거동에 대해 전통적인 공식을 능가할 수 있음을 입증함으로써, 이 연구는 엔지니어들이 더욱 효율적이고 환경 친화적인 냉각 시스템을 설계할 수 있는 새로운 경로를 제공하며, 이를 통해 저영향 냉매의 잠재력을 온전히 활용할 수 있도록 보장합니다.