[논문 리뷰] Emissivity Prediction of Functionalized Surfaces Using Artificial Intelligence

Greg I. Acosta, Andrew Reicks외 4명|arXiv (Cornell University)|2022. 01. 14.

Thermal Radiation and Cooling Technologies참고 문헌 50인용 수 12

한 줄 요약

이 논문은 펌토세컨드 레이저 가공된 알루미늄 6061 표면의 반구형 방사율을 예측하기 위한 데이터 기반 인공지능(AI) 프레임워크를 제안한다. 3D 레이저 스캐닝 현미경(LSCM) 영상, 레이저 가공 파arameter 및 표면 특성을 결합하여 저자들은 컨volutional 신경망(CNN)과 기계학습 모델(예: 의사결정나무, ANN)을 훈련시켜 오차가 4% 이하인 예측을 수행하였으며, 열복사 공학 응용 분야에서 물리기반 모델링에 비해 매우 정확하고 확장 가능한 대안을 입증하였다.

ABSTRACT

The radiative response of any object is governed by a surface parameter known as emissivity. Tuning the emissivity of surfaces has been of great interest in many applications involving thermal radiation such as thermophotovoltaics, thermal management systems, and passive radiative cooling. Although several surface engineering techniques (e.g., surface functionalization) have been pursued to alter the emissivity, there exists a knowledge gap in precisely predicting the emissivity of a surface prior to the modification/fabrication process. Predicting emissivity by a physics-based modeling approach is challenging due to surface's contributing factors, complex interactions and interdependence, and measuring the emissivity requires a tedious procedure for every sample. Thus, a new approach is much-needed to systematically predict the emissivity and expand the applications of thermal radiation. In this work, we demonstrate the immense advantage of employing artificial intelligence (AI) techniques to predict the emissivity of complex surfaces. For this aim, we fabricated 116 bulk aluminum 6061 samples with various surface characteristics using femtosecond laser surface processing (FLSP). A comprehensive dataset was established by collecting surface characteristic data, laser operating parameters, and measured emissivities for all samples. We demonstrated the application of AI in two distinct scenarios. First, the range of emissivity of an unknown sample was shown to be estimated correctly solely based on its 3D surface morphology image. Second, the emissivity of a sample was precisely predicted based on its surface characteristics data and fabrication parameters. The implementation of the AI techniques resulted in the highly accurate prediction of emissivity by showing excellent agreement with the measurements.

연구 동기 및 목표

• 제작 이전에 기능화된 표면의 방사율을 예측하는 데 있어 중요한 지식 격차를 해소하기 위해.
• 복잡한 표면 상호작용과 높은 계산 비용으로 인해 제한되는 물리기반 모델의 한계를 극복하기 위해.
• 열복사 응용 분야에서 정확하고 빠르며 체계적인 방사율 예측을 가능하게 하는 데이터 기반 AI 프레임워크를 개발하기 위해.
• 표면 미세형상 영상과 제작 파arameter로부터 AI를 사용해 방사율을 예측할 수 있는 가능성을 입증하기 위해.

제안 방법

• 변동하는 레이저 조사량과 펄스 수를 사용하여 펌토세컨드 레이저 표면 가공(FLSP)을 통해 총 116개의 알루미늄 6061 시편을 제작하였다.
• 표면 미세형상을 캡처하기 위해 250개의 3차원 LSCM 영상을 확보하고 표면 특성을 추출하였다.
• 열복사 카메라를 사용해 방향성 방사율(7.5–14 µm)을 측정하고 수치적 통합을 통해 총 반구형 방사율을 도출하였다.
• LSCM 영상에서 특징을 추출하기 위해 컨volutional 신경망(CNN)을 훈련시어 표면 방사율 카테고리 7개로 시편을 분류하였다.
• LSCM에서 유도된 특징, 레이저 파arameter 및 표면 특성을 종합적인 데이터셋으로 통합하여 기계학습에 활용하였다.
• 80% 훈련, 10% 검증, 10% 테스트 데이터 세트를 사용해 kNN, ANN, GLM, W-M5P, 의사결정나무(DT) 등 다양한 모델을 평가하였다.

실험 결과

연구 질문

• RQ1 AI는 표면의 3차원 미세형상 영상만으로 기능화된 표면의 방사율 범위를 정확하게 추정할 수 있는가?
• RQ2 딥러닝과 기계학습을 융합한 하이브리드 AI 모델은 표면 특성과 제작 파arameter를 사용해 FLSP 처리된 알루미늄 표면의 정확한 방사율을 예측할 수 있는가?
• RQ3 다양한 기계학습 모델은 다중 모odal 입력 데이터(영상, 파arameter, 표면 특성)로부터 방사율을 예측할 때 어떻게 비교되는가?
• RQ4 영상 기반 특징 추출 오차는 최종 방사율 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• CNN 기반 영상 분류 모델은 높은 정확도로 시편을 방사율 카테고리로 분류하여, 형태학적 특성만으로도 AI 기반의 방사율 범위 추정 가능성을 입증하였다.
• 의사결정나무(DT) 및 인공신경망(ANN) 모델이 가장 뛰어난 성능을 보였으며, 테스트 세트에서 평균 절대 오차는 각각 3.31%와 3.88%였다.
• DT 및 ANN 모델의 R² 값은 각각 0.979와 0.980로, 예측된 방사율과 측정된 방사율 간 강한 일치를 보였다.
• W-M5P 및 kNN 모델 또한 뛰어난 성능을 보였으며, R² 값은 0.96 이상, RMSE 값은 0.05 이하였다.
• 두 개의 시편에서 상당한 예측 오차가 발생했으며, 이는 모델 1에서 유도된 특징 추출 오차가 모델 2로 전파된 데 기인한 것으로 보인다.
• 본 연구는 복잡한 기능화된 표면에서 방사율을 예측하기 위한 물리기반 모델링에 비해 확장 가능하고 데이터 기반의 대안을 수립하였다.