In this study, a one-dimensional hybrid Particle-In-Cell numerical simulation code and neural network model were developed to investigate the plasma characteristics in the Hall thruster and predict the thruster performance without an expensive computational cost. The developed numerical code used Xe as a working gas and calculated neutrals and ions with a kinetic method to capture non-equilibrium dynamics. On the other hand, electrons were assumed as a fluid to reduce the computational cost. To verify the numerical simulation, experimental data of 50 W-class and 300 W-class Hall thrusters developed in KAIST were utilized. The calculated thrust and discharge current were agreed with experimental measurements within 15% and 5%, respectively, under four operating conditions. Furthermore, calculated electric potential profiles were agreed with experiments. Lastly, the neural network method was utilized to generalize the input and output relationship of the developed 1D hybrid-PIC numerical simulation. Output parameters were thrust and discharge current and input parameters consisted of anode flow rate, voltage drop, channel area and length, and magnetic field structure. The discrepancy between neural network prediction results and experimental measurements of the untrained 700 W-class Hall thruster performance was within 10%. Furthermore, it was shown that the input-output trend of numerical simulation was generalized with the neural network model.
본 연구에서는 홀추력기 플라즈마의 분석 및 추력 성능 예측을 위한 일차원 하이브리드 파티클-인-셀 전산해석 및 인공신경망 기법이 개발되었다. 전산해석 코드는 제논을 작동 기체로 중성 및 이온들의 비평형 역학을 입자로 계산하며, 전자들은 계산 시간 단축을 위해 유체로 가정되었다. 또한, 개발된 코드를 검증하기 위해 50 W 및 300 W급 홀추력기들의 플라즈마 진단 정보가 활용되었다. 총 4가지의 작동 조건에서 계산된 추력 및 방전 전류는 측정값과 각각 15% 및 5% 이내로 일치했으며, 계산된 전위들의 형상 또한 실험값들과 일치했다. 마지막으로, 개발된 홀추력기 전산해석 코드의 입력 및 출력 간의 관계를 인공신경망을 활용해 일반화하도록 했다. 이때 양극 유량, 양극 전압, 채널 면적 및 길이, 그리고 자기장 정보가 입력으로 추력 및 방전전류가 출력으로 설정되었다. 개발된 인공신경망은 학습되지 않은 700 W급 홀추력기의 성능을 실험값과 10% 이내로 예측했으며 전산해석의 경향성을 일반화했음을 확인했다.
