슈퍼포지션 원리를 활용한 터빈 냉각 예측 신경 연산자
Enhancing generalization in endwall film cooling prediction: Incorporating the superposition principle into transformer-based neural operators
arXiv터빈 엔드월의 냉각 패턴 예측 정확도를 높이기 위해 물리 기반 신경 연산자(SDNO) 프레임워크가 제안되었습니다.
- 이 모델은 냉각 슈퍼포지션 원리를 활용하여 엔드월을 분할 예측한 후, 이를 결합하는 2단계 과정을 거쳐 열 분포를 계산합니다.
- 학습 데이터에 없던 다양한 구멍 개수에서도 높은 일반화 능력을 보여, 고효율 터빈 엔진 설계의 신뢰성을 높이는 핵심 기술입니다.
- 특히 구멍 위치 변화에 민감한 '부호 거리 함수(SDF)'를 도입하여 일반화 성능을 극대화했으며, 기존 방식 대비 우수한 예측 정확도를 입증했습니다.
본 연구는 가변적인 필름 홀 개수를 가진 터빈 엔드월의 냉각 레이아웃 예측 일반화 능력을 향상시키기 위해 물리 기반 신경 연산자 프레임워크를 제안합니다. 특히, 필름 냉각 슈퍼포지션 원리에서 영감을 받아 '슈퍼포지션 기반 딥 신경 연산자(SDNO)' 모델을 개발했습니다. 이 모델은 엔드월 온도장 예측 과정을 두 단계로 나누어 수행합니다. 첫 번째 단계에서는 터빈 엔드월의 냉각 레이아웃을 무작위 필름 홀이 할당된 여러 하위 부분으로 분할하고, 기반 신경 연산자 네트워크인 Calculate Net을 사용하여 각 하위 부분의 온도장을 예측합니다.
두 번째 단계에서는 Super Net이라는 또 다른 신경 연산자 네트워크를 훈련하여, Calculate Net이 예측한 각 하위 부분의 온도장들을 결합하고 전체 냉각 레이아웃의 슈퍼포지션된 온도장을 얻습니다. 또한, 필름 홀의 위치 변화에 민감하게 반응하는 부호 거리 함수(SDF)를 설계하여 단순한 픽셀 플롯 대신 냉각 홀의 위치 정보를 인코딩함으로써 모델의 성능을 높였습니다.
제안된 SDNO는 필름 홀 개수를 1개부터 5개까지 변화시키고 위치가 가변적인 샘플로 훈련되었습니다. 그 결과, 학습 데이터에서 보지 못한 10~20개의 필름 냉각 홀이 있는 레이아웃에서도 우수한 일반화 예측 능력을 보여주었습니다. 이는 제안된 SDNO가 기존의 완전 지도 기반 기준 모델 대비 향상된 예측 정확도를 입증하며, 고효율 터빈 엔진 설계에 활용될 수 있음을 보여줍니다.
용어 풀이
- 트랜스포머
- 오늘날 대부분의 언어 모델이 쓰는 신경망 구조. 문장 속 단어들의 관계를 한꺼번에 계산해요.