Physics-Informed Neural Network with Hierarchical Learning for Junction Temperature Prediction of Discrete IGBTs

Abstract

IGBT 접합부 온도 예측을 위한 계층적 학습 활용 물리지식기반 인공신경망 본 논문은 박판 다층 구조를 갖는 절연 게이트 양극성 트랜지스터（Insulated-gate bipolar transistor; IGBT） 소자의 접합부 온도 예측을 위해 계층적 전이학습（Hierarchical transfer learning）을 활용한 물리지식기반 인공신경망 프레임워크를 제안한다. 제안한 프레임워 크는 전체 구조를 한 번에 학습하지 않고 각 층을 순차적으로 추가하는 5단계 계층적 전이학습 을 사용한다. 이를 통해 전체 구조를 학습할 때 발생하는 학습부담을 완화하고, 기존 층에서 학 습된 열전달 특성을 유지하면서 새로 추가되는 하부 층의 열적 영향을 안정적으로 반영한다. 또 한, 전체 구조의 에너지 보존 손실을 추가하여 비물리적 온도해로의 수렴을 억제하고 과도 열응 답의 물리적 일관성을 향상시킨다. 제안된 방법은 유한요소해석 기반 시뮬레이션 결과와 비교하 여 검증한다. 제안 모델은 MAE 0.496°C, MAPE 1.33%를 달성하며, 1회당 추론 시간은 약 1.2ms 로 나타난다. 이는 제안한 프레임워크가 다층 IGBT구조의 과도 열응답을 안정적으로 학습하면서 도 빠른 접합부 온도 예측을 제공함을 의미한다. 이러한 결과는 소자 수준을 넘어 전력 모듈 및 시스템 수준의 실시간 열관리와 상태진단 모델 개발에 기여할 것으로 기대된다.|IGBT 접합부 온도 예측을 위한 계층적 학습 활용 물리지식기반 인공신경망 본 논문은 박판 다층 구조를 갖는 절연 게이트 양극성 트랜지스터（Insulated-gate bipolar transistor; IGBT） 소자의 접합부 온도 예측을 위해 계층적 전이학습（Hierarchical transfer learning）을 활용한 물리지식기반 인공신경망 프레임워크를 제안한다. 제안한 프레임워 크는 전체 구조를 한 번에 학습하지 않고 각 층을 순차적으로 추가하는 5단계 계층적 전이학습 을 사용한다. 이를 통해 전체 구조를 학습할 때 발생하는 학습부담을 완화하고, 기존 층에서 학 습된 열전달 특성을 유지하면서 새로 추가되는 하부 층의 열적 영향을 안정적으로 반영한다. 또 한, 전체 구조의 에너지 보존 손실을 추가하여 비물리적 온도해로의 수렴을 억제하고 과도 열응 답의 물리적 일관성을 향상시킨다. 제안된 방법은 유한요소해석 기반 시뮬레이션 결과와 비교하 여 검증한다. 제안 모델은 MAE 0.496°C, MAPE 1.33%를 달성하며, 1회당 추론 시간은 약 1.2ms 로 나타난다. 이는 제안한 프레임워크가 다층 IGBT구조의 과도 열응답을 안정적으로 학습하면서 도 빠른 접합부 온도 예측을 제공함을 의미한다. 이러한 결과는 소자 수준을 넘어 전력 모듈 및 시스템 수준의 실시간 열관리와 상태진단 모델 개발에 기여할 것으로 기대된다.