연결된 PINN을 활용한 온실 기후 역학의 상태 재구성 및 파라미터 식별

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.