치과 임상 환경 내 난류 나노입자 분산을 위한 물리 정보 기반 그래프 신경망 대리 모델

치과 에어로졸 시술은 밀폐된 클리닉 내에서 장기간 공중에 떠 있을 수 있는 50마이크로미터(micrometre) 미만의 핵을 생성하며, 이는 공기 중 병원체 전파 경로를 형성합니다. Euler-Lagrange 입자 추적을 포함한 Reynolds-Averaged Navier-Stokes (RANS) 시뮬레이션은 이러한 수송 과정을 정확하게 포착하지만, 시나리오당 실행 시간이 매우 길어 3D 실시간 임상 의사 결정 지원을 어렵게 만듭니다. 본 논문에서는 OpenFOAM 다면체 격자(polyhedral mesh) 상의 운반체-유동 역학(carrier-flow dynamics)과 다분산 스프레이 구름(polydisperse spray cloud)의 개별 입자(per-parcel) 운동을 공동으로 예측하는 물리 정보 기반 그래프 대리 모델인 Eulerian-Lagrangian Graph Interaction Network (ELGIN)를 제시합니다. ELGIN은 멀티 헤드 Graph Transformer를 Jacobi-preconditioned 학습 가능 압력 투영(pressure projection) 및 난류 폐쇄(turbulence-closure) 헤드와 결합하고, 이를 미분 가능한 역거리 격자-입자 결합(inverse-distance mesh-parcel coupling)을 통해 sigmoid-gated Lagrangian Interaction Network에 연결하며, symplectic Stormer-Verlet 적분기를 사용하여 입자를 전진시킵니다. 4단계의 물리 정보 기반 커리큘럼(physics-informed curriculum)은 기울기 폭주(gradient explosion) 없이 260단계의 자기회귀 롤아웃(autoregressive rollouts)을 안정화합니다. 임상적으로 유의미한 환기율 및 핸드피스 분사 속도 전반에 걸쳐 foam-extend 4.1 OpenFOAM reactingParcelFoam을 이용한 파라미터 스윕(parameter sweep)을 통해 CFD 정답(ground truth)을 제공합니다. 본 논문은 20개 케이스 스윕 중 Sweep_Case_03에 대해 ELGIN과 Lagrangian 전용 베이스라인(M0)을 모두 학습 및 평가한 단일 사례 시연을 보고합니다. 전체 16/2/2 재학습이 진행 중이며, 완료 시 보고된 모든 지표를 대체할 예정입니다. 해당 케이스에서 ELGIN은 M0보다 foam-extend 입자 구름을 훨씬 더 밀접하게 추적합니다. 평균 입자 변위 오차(mean parcel displacement error)는 실 폭의 19.56%에서 16.20%로 감소하였고, 구름 회전 반경 오차(cloud radius-of-gyration error)는 9.85%에서 6.58%로 감소했습니다. 26초 분량의 롤아웃이 4 GB GPU에서 약 64초 만에 완료되었으며, 이는 foam-extend 참조 파이프라인보다 약 37배 빠른 속도입니다. 다중 케이스 체크포인트가 구축되면 진료 예약별 감염 위험 스크리닝을 목표로 합니다.