물리 기반 신경망을 활용한 연기 입자의 광학적 농도 추정

Optical Smoke Obscuration Rate Estimation Using PINNs

연기 농도 측정은 화재 탐지, 공기질 모니터링, 산업 공정 제어 등 다양한 분야에서 중요한 역할을 하고 있다. 기존의 광소멸법은 정확하지만, 입자 크기와 농도의 변화 그리고 측정 규모에 따른 한계가 있으며, 실시간 적용이나 복잡한 환경 조건에서 어려움을 겪는 경우가 발생한다. 이러한 데이터 수집의 한계를 고려하여, 물리 기반 신경망(PINNs)을 활용해 딥러닝과 물리 법칙을 결합함으로써 복잡한 물리 시스템을 효과적으로 모델링하고자 한다. Physics-Informed Neural Networks(PINN)는 물리 법칙을 신경망 학습 과정에 직접 통합하여, 데이터 기반 학습과 물리적 지식을 결합하는 혁신적인 접근법이다. 이 방법은 전통적인 딥러닝 모델이 물리적 제약을 충분히 반영하지 못하는 문제를 보완하며, 더 높은 예측 정확도와 일반화를 가능하게 한다. 본 연구에서는 LED의 순차적 제어를 통해 연기 입자의 소멸 및 산란 특성을 측정하는 광학 시스템을 설계⋅ 제작하였으며, 이를 통해 소멸률과 측정된 연기 농도 간의 관계를 수식으로 표현하였다. 이 수식을 바탕으로, 신경망과 물리 기반 신경망을 결합한 모델을 개발하고, 손실 함수를 정의하여 학습을 진행하였다. 연기 생성 시험 환경에서 데이터를 수집하였으며, 인증 기준에 활용되는 필터지를 기반으로 데이터가 수집되 었다. 총 7800개의 데이터 포인트가 수집되었으며, 이는 학습, 테스트, 검증 세트로 각각 2730 / 3900 / 1170의 비율로 분할되었다. 학습은 학습률 0.001, Adam 최적화 알고리즘, MSE 기준 함수, 최대 5000 에포크의 조건에서 조기 종료를 적용하여 수행되었다. 설정한 기준식에 모델의 파라미터가 수렴되었으며, PINN를 활용한 모델이 연기 농도 예측에 있어 매우 효과적임을 확인하였다. 최종적으로, 본 연구는 물리 법칙을 신경망에 통합함으로써 연기 농도 예측의 정확성과 신뢰성을 향상시킬 수 있는 가능성을 제시하였으며, 복잡한 물리 시스템의 예측 모델링에 있어 PINN의 효과성을 입증하였다.