[논문 리뷰] Data-driven modeling for boiling heat transfer: using deep neural networks and high-fidelity simulation results

Yang Liu, Nam Dinh외 2명|arXiv (Cornell University)|2018. 06. 08.

Heat Transfer and Boiling Studies인용 수 5

한 줄 요약

이 논문은 고정밀 시뮬레이션 데이터를 기반으로 훈련된 딥 피드포워드 신경망 모델을 제안하여, 운동량, 에너지 이송, 압력 기울기, 표면 특성 등의 국소 근접벽 특징을 사용해 코팅 열전달 특성을 예측한다. 모델은 내삽 및 외삽 테스트에서 높은 정확도를 달성하여 기존의 경험적 모델에 비해 불확실성이 훨씬 적은 벽 온도 초과, 열역학적 열역학 성분, 근접벽 기화율을 강력한 예측 능력으로 예측한다.

ABSTRACT

Boiling heat transfer occurs in many situations and can be used for thermal management in various engineered systems with high energy density, from power electronics to heat exchangers in power plants and nuclear reactors. Essentially, boiling is a complex physical process that involves interactions between heating surface, liquid, and vapor. For engineering applications, the boiling heat transfer is usually predicted by empirical correlations or semi-empirical models, which has relatively large uncertainty. In this paper, a data-driven approach based on deep feedforward neural networks is studied. The proposed networks use near wall local features to predict the boiling heat transfer. The inputs of networks include the local momentum and energy convective transport, pressure gradients, turbulent viscosity, and surface information. The outputs of the networks are the quantities of interest of a typical boiling system, including heat transfer components, wall superheat, and near wall void fraction. The networks are trained by the high-fidelity data processed from first principle simulation of pool boiling under varying input heat fluxes. State-of-the-art algorithms are applied to prevent the overfitting issue when training the deep networks. The trained networks are tested in interpolation cases and extrapolation cases which both demonstrate good agreement with the original high-fidelity simulation results.

연구 동기 및 목표

• 기존의 경험적 상관관계에 비해 불확실성을 줄이는 데이터 기반의 기화 열전달 모델을 개발하기 위해.
• 풀 끓임의 고정밀 원리 기반 시뮬레이션을 딥 네트워크 훈련 데이터로 활용하기 위해.
• 국소 근접벽 물리적 특징을 사용하여 기초 기화 열전달 양상—벽 온도 초과, 열역학적 열역학 성분, 근접벽 기화율—을 예측하기 위해.
• 내삽 및 외삽 시나리오에서의 일반화를 보장하기 위해.
• 고차원 입력 공간에서의 모델 안정성과 일반화를 향상시키기 위해 최신 정규화 기법을 통해 과적합을 완화하기 위해.

제안 방법

• 다양한 열역학적 열역학 조건에서의 풀 끓임 고정밀 시뮬레이션 데이터를 사용해 딥 피드포워드 신경망을 훈련시키기 위해.
• 입력으로 국소 근접벽 특징 사용: 운동량 및 에너지 대류 이송, 압력 기울기, 난류 점성도, 표면 정보.
• 네트워크 훈련 중 과적합을 방지하기 위해 고급 정규화 기법을 적용하기 위해.
• 출력으로 기화 열전달 성분, 벽 온도 초과, 근접벽 기화율 정의하기 위해.
• 일반화 능력을 평가하기 위해 내삽 및 외삽 사례에서 모델을 검증하기 위해.
• 네트워크 훈련 및 평가를 위한 기준값으로 원리 기반 시뮬레이션 결과 사용하기 위해.

실험 결과

연구 질문

• RQ1 고정밀 시뮬레이션 데이터로 훈련된 딥 신경망이 다양한 조건에서 기화 열전달을 정확하게 예측할 수 있는가?
• RQ2 학습 데이터 범위를 초월한 새로운 조건, 특히 외삽 조건에 대해 모델의 일반화 능력은 얼마나 우수한가?
• RQ3 전체 시스템 파rameter 대비 국소 근접벽 특징을 사용할 경우 예측 정확도 향상 정도는 어느 정도인가?
• RQ4 데이터 기반 모델이 기존의 경험적 상관관계에 비해 불확실성을 얼마나 줄일 수 있는가?
• RQ5 고차원 입력 공간에서 고급 정규화 기법이 모델의 안정성과 일반화 능력에 미치는 영향은 무엇인가?

주요 결과

• 딥 신경망 모델은 내삽 및 외삽 사례에서 모두 고정밀 시뮬레이션 결과와 양호한 일치를 보였다.
• 모델은 벽 온도 초과, 열역학적 열역학 성분, 근접벽 기화율을 포함한 핵심 기화 열전달 양상을 성공적으로 예측하였다.
• 정규화 기법이 과적합을 효과적으로 방지하여, 새로운 데이터에 대한 견고한 성능을 확보하였다.
• 모델은 강력한 일반화 능력을 보이며 실세계 공학적 응용 가능성을 시사하였다.
• 국소 근접벽 특징의 사용은 전체 시스템 파rameter에 의존하지 않고도 정확한 예측을 가능하게 하였다.
• 데이터 기반 접근법은 기존의 경험적 모델에 비해 불확실성을 줄였으며, 열역학 시스템 설계를 위한 유망한 대안을 제공한다.