[논문 리뷰] Multi-scale modeling in thermal conductivity of Polyurethane incorporated with Phase Change Materials using Physics-Informed Neural Networks

Bokai Liu, Yizheng Wang외 3명|arXiv (Cornell University)|2023. 07. 31.

Building Energy and Comfort Optimization참고 문헌 43인용 수 4

한 줄 요약

이 논문은 다중 척도에서 폴리우레탄 상변화물질(PPU-PCM) 복합재료의 열전도도를 예측하기 위해 물리법칙을 통합한 신경망(PINN) 기반의 다중 척도 모델을 제안한다. 물리 법칙과 데이터 기반 학습을 융합함으로써 이 모델은 정확한 역문제 해결을 가능하게 하여 정밀한 열물성 추정 및 최적화를 가능하게 하며, 시뮬레이션 환경에서 건물 에너지 효율성과 거주자의 열적 쾌적함을 최대 37.38% 향상시킨다.

ABSTRACT

Polyurethane (PU) possesses excellent thermal properties, making it an ideal material for thermal insulation. Incorporating Phase Change Materials (PCMs) capsules into Polyurethane (PU) has proven to be an effective strategy for enhancing building envelopes. This innovative design substantially enhances indoor thermal stability and minimizes fluctuations in indoor air temperature. To investigate the thermal conductivity of the PU-PCM foam composite, we propose a hierarchical multi-scale model utilizing Physics-Informed Neural Networks (PINNs). This model allows accurate prediction and analysis of the material's thermal conductivity at both the meso-scale and macro-scale. By leveraging the integration of physics-based knowledge and data-driven learning offered by PINNs, we effectively tackle inverse problems and address complex multi-scale phenomena. Furthermore, the obtained thermal conductivity data facilitates the optimization of material design. To fully consider the occupants' thermal comfort within a building envelope, we conduct a case study evaluating the performance of this optimized material in a single room. Simultaneously, we predict the energy consumption associated with this scenario. All outcomes demonstrate the promising nature of this design, enabling passive building energy design and significantly improving occupants' comfort. The successful development of this PINNs-based multi-scale model holds immense potential for advancing our understanding of PU-PCM's thermal properties. It can contribute to the design and optimization of materials for various practical applications, including thermal energy storage systems and insulation design in advanced building envelopes.

연구 동기 및 목표

• 건물 에너지 효율성 평가에서 PU-PCM 복합재료에 대한 종합적인 다중 척도 모델링의 부족을 해결하기 위해.
• 기존 모델링의 한계를 극복하기 위해 물리 기반 제약 조건과 데이터 기반 신경망을 융합하여 정확한 역문제 해결을 가능하게 하기 위해.
• 건물 외벽의 열 insulation 및 잠열 저장 성능 향상을 위한 재료 설계 최적화를 위해.
• 최적화된 PU-PCM 복합재료가 주거 환경에서 실생활에 미치는 영향을 평가하기 위해.
• 복잡한 다중 척도 열 시스템에 대한 건물 적용 분야에서 PINN의 확장성과 계산 효율성을 입증하기 위해.

제안 방법

• 마이크로 척도 PINN와 메조 척도 RVE-FEM(대표체적 요소-유한요소법) 모델을 융합한 계층적 다중 척도 모델링 프레임워크를 개발하였다.
• 열전도의 지배 편미분방정식(PDE)에 기반한 물리법칙을 통합한 신경망(PINN)을 개발하였으며, 이는 열전도 방정식에 소스 항과 경계 조건을 포함한다.
• 마이크로 척도 PINN 모델은 PDE 잔차, 경계 조건, 관측된 온도 데이터의 잔차를 최소화하여 미지의 열전도도 분포를 예측한다.
• 메조 척도 RVE-FEM 모델은 마이크로 척도 재료 특성을 효과적인 매크로 척도 열물성으로 변환하여 건물 수준의 시뮬레이션에 활용한다.
• 최적화된 열전도도 값을 사용하여 매크로 척도 건물 에너지 시뮬레이션을 수행하여 연간 에너지 사용량과 열 쾌적함을 평가하였다.
• 모든 프레임워크는 합성 및 노이즈가 있는 데이터를 사용하여 검증되었으며, 불확실성 하에서도 높은 정확성과 강건성을 입증하였다.

실험 결과

연구 질문

• RQ1 제한된 또는 노이즈가 있는 온도 데이터가 주어졌을 때, PINN 기반 모델이 마이크로 척도에서 PU-PCM 복합재료의 열전도도를 얼마나 정확하게 예측할 수 있는가?
• RQ2 다중 척도 모델링 프레임워크는 마이크로 척도 재료 특성에서 매크로 척도 건물 에너지 성능으로의 다리를 얼마나 잘 놓는가?
• RQ3 최적화된 PU-PCM 복합재료는 실생활 주거 환경에서 실내 열 쾌적함을 얼마나 향상시키고 에너지 소비를 줄이는가?
• RQ4 물리 기반 제약 조건의 통합은 역열 문제에서 신경망 예측의 일반화 능력과 신뢰성에 어떤 영향을 미치는가?
• RQ5 불확실성 하에서 기존의 경험적 또는 순수 데이터 기반 모델에 비해 제안된 PINN 기반 접근법이 열전도도 예측에서 더 뛰어난 성능을 보일 수 있는가?

주요 결과

• 노이즈가 있는 입력 데이터가 주어져도 PINN 기반 마이크로 척도 모델은 열전도도 예측에서 상대 오차 약 10⁻³에서 10⁻² 수준을 달성하여 높은 정확성과 강건성을 입증하였다.
• 다중 척도 모델은 온도 측정값, 경계 조건, 열원 항만을 사용하여 미지의 열전도도 분포를 추정하는 역문제를 성공적으로 해결하였다.
• 2022년 스웨덴 우메아에서 실시한 단일 주택 사례 연구에서 최적화된 PU-PCM 복합재료는 에너지 효율성을 2.64% 향상시켰으며, 이에 따른 CO₂ 배출 감소 효과도 확인되었다.
• 1층 침실에서는 열 쾌적함 지속 시간이 37.38% 증가하였고, 거실은 11.22%, 2층 침실은 8.58% 증가하였으며, 불쾌한 열 환경 조건은 크게 감소하였다.
• 열 쾌적함 지표인 예측 평균 평가(PMV)는 거실에서 59.10% 향상되었고, 1층 침실은 17.01%, 2층 침실은 3.04% 향상되어 거주자 쾌적함의 상당한 향상을 보였다.
• PINN 프레임워크의 계산 효율성은 대규모 다중 척도 시뮬레이션에 대한 확장성을 지원하며, 열 시스템 설계 분야에서 전통적 수치 방법에 대한 유망한 대안을 제공한다.