본 연구는 물리 정보 연산자(physics-informed operator) 접근법을 통해 영(0)차원 정적 용적 반응기에서의 수소 연소를 모델링한다. 9개의 화학 종에 더해 2개의 열역학 상태 변수를 포함하여 총 11개의 열화학 변수를 고려한다. 중간 생성물의 수명이 짧기 때문에, 이들 변수는 최대 11자릿수(magnitude)에 이르도록 서로 달라, 강체(stiff) 미분방정식을 초래한다. 따라서 수많은 열화학 변수의 크기 및 비선형성이 변화하는 상황에서 이를 예측하기 위한 확장 가능한 아키텍처를 제안한다. 또한 학습 효율을 높이기 위해 소량의 사전 라벨링(pre-labeled)된 훈련 데이터를 통합한다. 더불어 학습 효율과 수렴성을 모두 향상시키기 위한 전용 학습 전략 세트를 도입한다. 그 결과, 완전 학습된 모델은 주어진 초기 조건에서 연소 현상에 나타나는 열화학 변수의 시간에 따른 프로파일을 정확하게 예측한다. 나아가 사전 라벨링 훈련 데이터의 양과 모델 정확도 간의 상관관계에 대한 정량적 분석을 수행한다. 그 결과, 데이터 증강이 적용된 물리 정보 모델은 훈련 데이터셋을 최대 5배까지 증가시켜 학습한 데이터 기반 모델과 필적하는 수준의 정확도를 달성할 수 있음을 보여준다. 이에 따라, 물리 정보 모델은 온도와 압력에 대해 상대 오차 약 1%를 보였으며, 화학 종 농도에 대해서는 25개의 훈련 데이터셋만을 사용할 때 1 0 − 3 보다 낮은 오차를 나타냈다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.