검색 상세

Transformer 모델 활용 R290 히트펌프 시스템 내 오일순환율 예측 모델링 및 실험

  • 이제형 (Lee, Jehyung, 대학원 기계공학과 기계공학전공)

초록/요약

R290 (프로판)은 무시할 만한 오존 파괴 지수 (ODP), 매우 낮은 지구 온난화 지수 (GWP), 그리고 뛰어난 열물성 덕분에 차세대 히트펌프 시스템의 주요 냉매 후보로 부상했다. 하지만 R290의 상대적으로 낮은 밀도는 사이클 내 오일 이송에 불리하게 작용하며, 이는 정확한 오일 순환율 (OCR) 제어의 중용성을 부각시킨다. 과도한 오일 이동은 성능을 저하시키고 압축기 윤활을 방해할 수 있다. 본 연구는 R290 히트펌프에서 실시간 및 비파괴적인 OCR 예측을 위해 간접적 센싱과 딥러닝을 결합한 프레임워크를 개발하고 검증한다. 다양한 조건에서 총 54회의 난방 모드 실험을 수행했으며, 이로부터 0.31%에서 1.51% 범위의 OCR 값을 얻는다. 과도한 OCR은 냉매 질량 유량을 최대 10.3% 감소, 성능계수 (COP)를 15.5% 감소, 난방 용량을 5.7% 감소, 그리고 0℃ 조건에서 응축기 압력 강하를 20% 증가 시켰다. 딥러닝 모델 (MLP, LSTM, Transformer)은 44개의 데이터셋으로 훈련하고 관측되지 않은 10가지 데이터에서 테스트 되었으며, OCR 예픅에서 10% 미만의 MAPE를 달성하였다. 그 중에서도 Transformer 모델은 가장 우수한 성능을 보이며, 과도상태 압축기 주파수 변화 조건에서 0.0179%의 RMSE를 기록하였다. 더욱이, self-attention 분석을 통해 냉매-오일 혼합물의 혼입 메커니즘과 일치하는 경향을 포착하여, 일반적인 예측을 넘어 물리적으로 의미 있는 설명을 제공하는 Transformer의 역량을 확인하였다.

more

목차

초록 i
Abstract iii
서문 v
목차 vi
표 목차 viii
그림 목차 ix
기호 설명 x
1. 서론 1
2. 연구 방법 4
2.1 오일순환율 측정 방법 4
2.2 오일 순환율 검증 방식 5
2.2.1 오일 주입 시스템 5
2.3 딥러닝 모델 예측 방법 6
2.3.1 모델 인풋 데이터 선정 8
2.3.2 데이터 전처리 9
2.3.3 Transformer 모델 11
2.3.4 모델 훈련 및 평가 방법 14
3. 실험 장치 셋업 15
4. 결과 18
4.1 오일순환율 측정 결과 18
4.1.1 오일순환율 과다 조건에 따른 시스템 성능 변화 19
4.2 딥러닝 기반 오일순환율 예측 결과 23
4.2.1 Transformer 모델 예측 결과 24
4.2.2 모델 별 과도상태 예측 결과 26
5. 결론 31
참고문헌 33
부록 39
A. 냉매 별 열물적 특성 39
B. 오일 샘플링 활용 측정 방식 검증 41
C. 딥러닝 모델 인풋 최적화 43
D. MLP 모델 수식 45
E. LSTM 모델 수식 46
F. 실험 장치 및 센서 48
G. 불확실도 분석 49
H. 오일 주입을 통한 OCR 측정 결과 검증 51
I. 0 ℃ 이하 조건 내 OCR 과다 조건에 따른 냉매 질량유량 분석 55
J. 모델 하이퍼 파라미터 튜닝 57
K. Transformer 대비 MLP 및 LSTM 모델 예측 결과 59
L. OCR 예측 경험 상관식 (Empirical correlations) 61
부록 참고문헌 63

more
반출 Meta View 목록