물 시스템의 물리 기반 인공신경망
물리 기반 인공신경망(PINN)은 편미분방정식으로 표현되는 물리 법칙을 신경망 훈련에 직접 통합하는 하이브리드 모델링 패러다임입니다. 이 접근 방식은 희소하거나 불완전한 데이터로부터 학습하면서도 기본적인 보존 원리를 준수하도록 모델을 만듭니다. 본 비평적 검토는 2014년부터 2024년까지 물 및 폐수 시스템, 특히 식수 공급망, 폐수 처리 시설, 도시 배수 시스템 및 수처리 공정에서의 PINN 적용 사례를 분석합니다. 검토 결과, PINN은 간접 관측을 통한 매개변수 추정 및 시스템 식별 등 역문제 해결에 탁월하며, 순수 데이터 기반 모델이 실패하는 외삽 영역에서도 물리적 일관성을 유지합니다. 보고된 적용 사례들은 표준 신경망 대비 3~30배 적은 훈련 데이터 요구량, 분포 변화에 대한 향상된 일반화 성능, 부분적 관측 및 불확실한 경계 조건 시나리오에서의 성공적인 활용 등 성능 이점을 보여줍니다. 그러나 PINN은 신뢰할 수 있는 지배 방정식이 있는 잘 정의된 문제에 필요하며, 이산 구성 요소를 포함하는 복잡한 네트워크 시스템에는 어려움을 겪고, 강성 또는 다중 스케일 편미분방정식의 수렴 문제에 직면하며, 아직 성숙한 불확실성 정량화 프레임워크가 부족하다는 한계도 드러났습니다. 따라서 PINN은 기존 수치 방법의 대체재가 아닌, 기계론적 모델링과 데이터 기반 학습을 연결하는 보완적 도구로 평가됩니다. 특히 매개변수 보정, 센서 배치 최적화, 물 인프라 시스템의 실시간 상태 추정 등에서 큰 가치를 제공합니다. 이 연구는 PINN이 물 시스템 관리 및 운영에 새로운 통찰력을 제공할 잠재력을 강조합니다.