다공성 TPMS 금속의 열적 거동 예측을 위한 기계 학습 및 물리 기반 신경망

삼중 주기 최소 곡면(TPMS) 구조는 높은 표면적 대 부피 비율과 조절 가능한 전도 경로를 제공하지만, 다양한 금속 재료에서의 열적 거동을 예측하는 것은 다중 재료 실험이 비용이 많이 들고, 전체 규모 시뮬레이션은 복잡한 기하학을 해상하기 위해 매우 세밀한 메시가 필요하기 때문에 여전히 어렵습니다. 본 연구는 동일한 열유속과 유동 조건에서 실험적으로 측정된 두 가지 재료인 Aluminum과 Silver를 사용하여 TPMS Gyroid 구조의 정상 상태 온도장을 재구성하는 물리 기반 신경망(PINN)을 개발합니다. 이 모델은 전도도 비율 물리학, 푸리에 기반 열 스케일링, 완전한 공간 온도 프로파일을 학습 과정에 직접 도입하여 물리적 일관성을 유지합니다. Aluminum과 Silver의 전체 데이터셋을 이용한 검증 결과 Aluminum에 대해서는 우수한 일치성을, Silver는 더 큰 온도 구배에도 불구하고 강한 정확도를 확인하였습니다. 학습이 완료된 PINN은 새로운 실험이나 수치 시뮬레이션 없이 전도도 비율만으로 9개의 추가 금속에 학습된 거동을 일반화할 수 있습니다. 또한, 경량 소재로서 열 관리 응용 분야에 점점 더 고려되고 있는 Magnesium에 대한 상세한 열전달 분석도 수행하였습니다. 현재 Magnesium에 대한 TPMS 측정 자료가 없으므로, PINN에서 생성된 온도장으로부터 얻은 예측된 Nusselt 수는 그 초기의 모델 기반 대류 성능 평가를 나타냅니다. 결과는 제안된 PINN이 여러 금속 TPMS 구조에서 열 거동을 예측하기 위한 효율적이고 정확하며 확장 가능한 대리 모델임을 입증하며, 고급 다공성 열 기술을 위한 재료 설계 및 선택을 지원합니다.