열유속 보정법(BDCM)을 적용한 스크램제트 연소실의 3차원 비정상 열전달 PINN 모델 구축

극초음속 스크램제트 연소실 벽체는 공력가열과 연소열로 위치별 편차가 큰 열유속에 노출되므로, 비정상 3차원 열 해석을 반복적으로 빠르게 진행하는 절차가 필요하다. 기존 CFD–구조 열해석(CHT) 연계는 서로 다른 표면 및 체적 격자 사이의 데이터 전달과 반복적인 고체 해석이 필요하며, 해석 시 상당한 연산 자원이 요구될 수 있다. 본 과제는 시간과 3차원 좌표를 입력받아 스크램제트 연소실의 무차원 온도를 출력하는 Basic Direct Correction Method(BDCM, 기본 직접 보정법) Thermal PINN의 모델 구조와 실행 절차를 구축한다. 극초음속 유동 연구실의 Intel Xeon Gold 6338 프로세서를 활용해 공력가열 CFD 데이터를 얻으며, 동일 CFD 입력을 활용한 BDCM 구조 열해석 결과와 비교한다. 해석 대상은 축방향 길이 1.0m, 외부 단면 0.24m x 0.09m, 내부 유로 단면 0.20m x 0.05m 및 균일 벽 두께 0.02m를 갖는 3차원 직사각 중공 덕트형 스크램제트 연소실이다. 신경망은 4개 입력, 96개 뉴런으로 구성된 5개 은닉층, tanh 활성함수와 1개 출력을 가지며 총 37,825개의 학습 파라미터로 구성된다. 이산화된 공력가열 CFD 결과는 barycentric interpolation과 최근접 탐색으로 전처리하며, 고체 온도 변화에 따른 열유속 변화는 300K 등온 온도와 위치별 단열온도를 사용하는 BDCM으로 반영한다. 상승온도 기준 CHT 대비 PINN의 600s 온도장 NRMSE는 3.99%, RMSE 38.10 K, P95 절대오차 68.0 K를 얻었다. PINN의 전체 파이프라인 시간은 5104.76 s, 측정 CPU 자원량은 1.4027 core·h였다. CHT는 58,410 s(16.23 h, 519.2 physical core·h)가 소요되었다. 최종적으로 PINN은 기준 CHT 대비 8.74%(약 11.44배 단축)의 wall-clock, 0.270%의 core·h를 가진다.