Deep learning modeling and adsorption experiments for characterization of aqueous contaminant removal by functional materials = 딥러닝 모델링과 흡착실험을 활용한 기능성 소재의 수중오염물질 제거 특성 연구

다국어 초록 (Multilingual Abstract)

Deep learning has recently gained attention as a modeling tool in the environmental field, showing promising potential for predicting nonlinear interactions among various variables in complex systems. In water treatment processes in particular, contaminant removal efficiency is influenced by intricate interdependencies among operational parameters. Conventional modeling approaches often fall short in accurately capturing these relationships. This dissertation aimed to address these limitations by integrating deep learning models with experimental adsorption studies to improve the predictive accuracy of contaminant removal from aqueous solutions.
In this study, a range of functionalized adsorbents were synthesized to remove specific pollutants, including nitrate, diclofenac, naproxen, and Cu(II) ions. The adsorbents included quaternized poly(amidoamine) (PAMAM) dendrimers, Fe(III)- or Ca(II)-doped β-cyclodextrin/chitosan cryogels, and amine-functionalized cellulose beads. Each material was designed to chemically or physically interact with its target contaminant. To evaluate their removal performance, batch adsorption experiments were conducted under various conditions, and column studies were also performed to investigate dynamic adsorption behavior under flow-through conditions.
To ensure experimental rigor and broad parameter coverage, statistical experimental design methods such as Central Composite Design (CCD) and Box-Behnken Design (BBD) were applied. These approaches enabled the generation of structured datasets suitable for machine learning applications.
Based on these datasets, various data-driven modeling techniques were developed and evaluated. Multilayer perceptron (MLP) neural networks were applied to model the influence of variables such as concentration, pH, temperature, and adsorbent dosage on removal efficiency. Radial basis function networks (RBFNs) were employed to capture localized nonlinear patterns. Support vector regression (SVR), a classical non-neural machine learning approach, was used as a benchmark model for comparative evaluation. For modeling breakthrough curves obtained from column experiments, bidirectional long short-term memory (BiLSTM) networks were implemented to capture time-dependent adsorption dynamics.
This research was conducted through a consistent framework that combined functional adsorbent synthesis, systematic experimental design, and deep learning-based modeling. The results demonstrated that deep learning models, particularly neural networks, could effectively replace traditional polynomial-based regression methods while offering improved generalization performance. In addition, the models enabled variable importance assessment and process optimization, contributing to enhanced predictive capacity across diverse operating conditions and supporting the identification of optimal treatment parameters.
By integrating AI-based modeling with materials science and environmental engineering, this dissertation has shown the practical feasibility of applying deep learning to adsorption-based water treatment. Moreover, the study demonstrated that well-trained deep learning models could serve as efficient surrogates for large-scale experimentation, potentially reducing the experimental burden. The methodology presented here may be extended to other environmental applications and could serve as a foundation for future efforts in material design, process optimization, and real-time operational control. Ultimately, this work aims to support the advancement of more efficient and adaptable water treatment systems.

국문 초록 (Abstract)

딥러닝은 최근 환경 분야에서 활용될 수 있는 모델링 도구로 주목받고 있으며, 복잡한 시스템 내에서 다양한 변수의 비선형적인 영향들을 예측할 수 있는 가능성을 보여주고 있다. 특히 수처리 공정에서 오염물질의 제거 효율은 복잡한 변수들 사이의 상호작용에 의해 결정되는데, 기존의 경험적 모델은 변수 사이의 관계를 적절히 반영하지 못하는 경우가 많다. 본 학위논문은 이러한 한계를 극복하고자, 실험 기반의 흡착 연구에 딥러닝 모델을 통합하여 수중 오염물질 제거의 예측 정확도를 향상시키는 것을 목표로 하였다.
본 연구에서는 질산염, Diclofenac, Naproxen, Cu(II) 이온 등 다양한 오염물질을 목표로 설계된 기능성 흡착제를 합성하였으며, 흡착제로는 4급 암모늄화 poly(amidoamine) (PAMAM) 덴드리머, Fe(III) 또는 Ca(II)로 도핑된 β-cyclodextrin 결합 키토산 크라이오겔, 아민화된 셀룰로오스 비드를 활용하였다. 각 흡착제는 특정 오염물질과 화학적 또는 물리적으로 효과적으로 상호작용할 수 있도록 개발되었다. 제거 효율을 평가하기 위해 다양한 조건에서 배치 흡착 실험이 수행되었으며, 흐름 조건에서의 동역학적 거동을 분석하기 위해 칼럼 실험도 병행되었다.
실험의 엄밀성과 다양한 변수 범위를 확보하기 위해 Central Composite Design (CCD), Box-Behnken Design (BBD)과 같은 실험계획법이 적용되어, 기계학습 적용에 적합한 데이터셋을 확보하였다.
이러한 데이터를 바탕으로 여러 가지 데이터 기반 모델링 기법이 개발, 평가되었다. MLP 신경망은 농도, pH, 온도, 흡착제 투입량 등이 제거율에 미치는 영향을 모델링하기 위해 적용되었다. RBFN는 국소적인 비선형 특성을 표현할 수 있도록 하는 모델로 활용되었다. 이러한 신경망 모델들을 평가하기 위해 고전적인 비신경망 기계학습 기법인 SVR이 기준 모델로 사용되었다. 칼럼 실험으로 도출된 break-through curve는 BiLSTM(양방향 장단기 메모리) 신경망을 활용하여 모델링하였다.
본 논문은 기능성 흡착제 개발, 엄밀한 실험 설계, 딥러닝 모델링을 통합하여, 일관적인 방법으로 수행되었다. 딥러닝 모델링 결과, 구축된 신경망은 전통적인 다항식 기반 모델을 효과적으로 대체하면서도 더욱 우수한 일반화 성능을 보여주었으며, 변수의 중요도 측정과 변수의 최적화 또한 가능하였다. 이를 통해 다양한 조건에서의 흡착 성능 예측력을 향상시킬 뿐만 아니라, 수처리 시스템을 위한 최적 운전 조건을 도출할 수 있었다.
본 논문에서는 소재 과학과 환경공학에 인공지능 기반 모델링을 접목함으로써, 수중 오염물질 제거 분야에서 인공지능 모델링이 효과적으로 활용될 수 있음을 확인하였다. 또한, 딥러닝을 통해 기존에 필요했던 많은 양의 실험을 대체할 수 있는 효율적인 모델을 구축하여 활용할 수 있었다. 본 연구에서 사용한 방법론을 활용하여 향후 다양한 환경 분야 연구를 진행할 때에도 딥러닝 기반 접근이 가능할 것으로 보인다. 또한, 본 연구는 소재 설계, 공정 제어 최적화 및 실시간 공정 관리를 위한 기반이 되어 궁극적으로 수처리 공정 개발과 운영의 효율성을 증진하는 데 기여할 수 있을 것으로 기대한다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1. Background 1
• 1.2. Objectives 16
• Chapter 2. Literature review 21
• 2.1. Deep learning applications in water treatment 21
• 2.2. Adsorption process modeling using deep learning 29
• Chapter 3. Multi‑parameter experiments and modeling for nitrate adsorption to quaternary ammonium‑functionalized poly(amidoamine) dendrimers in aqueous solutions 37
• 3.1. Materials and methods 37
• 3.1.1. Chemicals 37
• 3.1.2. Synthesis of PAMAM dendrimers 38
• 3.1.3. Characterization 41
• 3.1.4. Batch adsorption experiment 42
• 3.1.5. Multi-parameter experimnetal design 43
• 3.1.6. Data analysis 44
• 3.1.7. MLP modeling 46
• 3.2. Results and discussion 48
• 3.2.1. Adsorbent characteristics 48
• 3.2.2. Nitrate adsorption test 56
• 3.2.3. Multi-parameter adsorption and modeling 69
• Chapter 4. Synthesis and characterization of Fe(III)-doped beta-cyclodextrin-grafted chitosan cryogel beads for adsorption of diclofenac in aqueous solutions: Adsorption experiments and deep-learning modeling 85
• 4.1. Materials and methods 85
• 4.1.1. Chemicals 85
• 4.1.2. Synthesis of Fe/β-CD@CS cryogel beads 86
• 4.1.3. Characterization of adsorbents 88
• 4.1.4. Batch adsorption experiments 90
• 4.1.5. Deep learning modeling 92
• 4.2. Results and discussion 93
• 4.2.1. Characterization of adsorbents 93
• 4.2.2. Diclofenac adsorption 103
• 4.2.3. Deep learning modeling 126
• Chapter 5. Adsorption experiments and deep-learning modeling for naproxen removal by chitosan cryogel beads functionalized with Ca(II) and beta-cyclodextrin from aqueous solutions 141
• 5.1. Materials and methods 141
• 5.1.1. Synthesis and characterization of Ca(II)/β-CD@CS cryogel beads 141
• 5.1.2. Characterization of adsorbents 143
• 5.1.3. Adsorption experiments 144
• 5.1.4. Deep learning modeling 148
• 5.2. Results and discussion 155
• 5.2.1. Characterization of adsorbents 155
• 5.2.2. Adsorption experiments 167
• 5.2.3. Deep learning modeling 194
• Chapter 6. Deep learning modeling and column experiments for Cu(II) adsorption on amino-functionalized carboxymethylcellulose beads in aqueous solutions 211
• 6.1. Materials and methods 211
• 6.1.1. Synthesis and characterization of the Am@CA beads 211
• 6.1.2. Batch adsorption experiments 214
• 6.1.3. Fixed-bed column experiments 215
• 6.1.4. Deep learning modeling 217
• 6.1.5. Model equations 222
• 6.2. Results and discussion 223
• 6.2.1. Characteristics of the Am@CA beads 223
• 6.2.2. Cu(II) adsorption characteristics on the Am@CA beads 233
• 6.2.3. Fixed-bed column breakthrough curves 245
• 6.2.4. Deep learning (MLP) modeling 250
• 6.2.5. Deep learning (LSTM) modeling 262
• Chapter 7. Conclusion 269
• 7.1. General conclusion 269
• 7.2. Future study 273
• References 275
• 국문초록 299