연결된 PINN을 활용한 온실 기후 역학의 상태 재구성 및 파라미터 식별
요약
본 연구는 온도와 습도 역학을 동시에 재구성하고 핵심 모델 파라미터를 식별하기 위해 연결된 PINN(Coupled PINN) 접근법을 제안했습니다. 이 프레임워크는 축소 차원 물리 기반 모델을 통합하여, 데이터가 부족하거나 잡음이 많은 환경에서도 일관되고 정확한 상태 추정을 가능하게 합니다. 실험 결과, 연결된 PINN은 순수 데이터 기반 모델보다 재구성 정확도가 높았으며, 특히 잠재적 수분 역학 파라미터 식별에 있어 우수한 성능을 보였습니다.
핵심 포인트
- 연결된 PINN(Coupled PINN)을 사용하여 온실 환경의 온도 및 습도 동역학을 동시에 모델링하고 핵심 물리 파라미터를 추정할 수 있다.
- 물리 기반 지식을 통합함으로써, 데이터가 희소하거나 잡음이 많은 조건에서도 신뢰성 높은 상태 재구성을 달성한다.
- 제안된 프레임워크는 온도와 습도 모두에서 개선된 재구성 정확도를 보였으며, 특히 수분 역학 파라미터 식별에 강점을 나타냈다.
- 이는 온실 기후 모델링뿐만 아니라 데이터 부족 환경의 시스템 동역학 분석 전반에 걸쳐 물리 정보 학습의 잠재력을 입증한다.
물리 정보 신경망 (Physics-Informed Neural Networks, PINNs) 은 데이터 기반 학습과 물리적 지식을 통합하는 유망한 프레임워크로 최근 등장했습니다. 본 연구에서는 온실 환경 내 온도 및 습도 역학의 동시 재구성, 그리고 주요 모델 파라미터의 동시 식별을 위한 연결된 PINN (Coupled PINN) 접근법을 제안합니다. 이 방법은 학습 과정에 축소된 차원 물리 기반 모델을 통합하여 희소하고 잡음이 많은 관측치 하에서도 일관된 추정을 가능하게 합니다. 인공지능 기여는 지배적 동역학 제약을 신경망 훈련에 통합하는 연결된 물리 정보 신경 학습 프레임워크 개발에 있으며, 공학적 응용은 온실 기후 상태 재구성 및 파라미터 식별에 초점을 맞춥니다. 제안된 프레임워크는 일교차 조건을 모방하는 제어된 합성 벤치마크에서 평가되었습니다. 순수 데이터 기반 신경망 베이스라인과 비교했을 때, 연결된 PINN 은 개선된 재구성 정확도를 달성하며 온도와 습도 오를을 줄이고 결정 계수 (coefficients of determination) 를 유지합니다. 개선은 제한된 관측치로부터 추론하기 어려운 잠재적 수분 역학이 더 어려웠던 습도 채널에서 특히 두드러집니다. 정확한 상태 재구성 외에도, 시스템 동역학을 지배하는 주요 물리 파라미터를 성공적으로 복원하여 데이터 간섭을 넘어 해석 가능한 표현을 학습할 수 있음을 입증했습니다. 이러한 결과는 온실 기후 모델링 및 더 넓은 의미의 데이터 부족 환경 시스템에 대한 물리 정보 학습의 잠재력을 강조합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기