디지털 트윈 환경에서 머신러닝과 AI 에이전트를 활용한 플랜트 유량계 의사결정 지원 시스템 개발

국문 초록 (Abstract)

본 연구는 플랜트 설계 단계에서 수행되는 유량계 선정 업무를 데이터 기반으로 지원하기 위한 지능형 의사결정 지원 시스템을 제안한다. 기존의 유량계 선정은 설계자의 경험과 직관에 크게 의존하여 수행되어 왔으며, 이로 인해 설계 품질의 편차와 반복적인 검토 부담이 발생하는 한계가 있었다. 이러한 문제를 해결하기 위해 본 연구에서는 과거 설계 데이터를 활용한 머신러닝 기반 예측과 제조사 기술 문서를 활용한 문서 기반 보완 추천을 결합한 데이터 기반 유량계 선정 시스템을 설계·구현하였다.
제안한 시스템은 워크플로우 자동화 플랫폼을 기반으로 데이터 수집, 전처리, 예측, 결과 해석, 문서 기반 보완 추천의 전 과정을 자동화된 구조로 구성하였다. 먼저, GPT 기반 이미지 분석을 활용하여 비정형 Datasheet 이미지로부터 유량계 관련 주요 설계 변수를 자동 추출하고, 이를 머신러닝 학습 데이터로 정형화하였다. 이후 XGBoost 분류 모델을 활용하여 입력된 설계 조건에 대해 유량계 유형을 예측하였으며, 일부 입력 정보가 누락된 경우에도 K-최근접이웃(KNN) 기반 보완 로직을 통해 예측이 가능하도록 설계하였다. 또한 예측 결과는 자연어 형태로 변환되어 설계자가 직관적으로 이해할 수 있도록 제공되었다.

아울러 본 연구에서는 머신러닝 기반 예측의 한계를 보완하기 위해 제조사 기술 문서를 활용한 RAG(Retrieval-Augmented Generation) 기반 AI 추천 에이전트를 도입하였다. 이를 통해 학습 데이터에 포함되지 않은 신규 기술이나 제조사 고유의 적용 기준에 대해서도 문서 기반의 근거 중심 추천이 가능하도록 하였다.
시스템의 실무 적용 가능성을 평가하기 위해 실제 플랜트 프로젝트의 As-Built 데이터를 기준으로 예측 결과와 전문가 판단을 비교한 결과, 머신러닝 기반 AI 추천 에이전트의 유량계 일치율은 80%로, 전문가 판단 일치율(71%)을 상회하는 것으로 나타났다. 이러한 결과는 제안한 시스템이 실제 설계 환경에서 전문가 수준의 의사결정을 안정적으로 지원할 수 있음을 시사한다. 본 연구는 플랜트 설계 업무의 디지털 전환을 위한 데이터 기반 유량계 선정 프레임워크를 제시하였다는 점에서 의의가 있으며, 향후 디지털 트윈 기반 설계 자동화 및 의사결정 지원 시스템으로의 확장 가능성을 가진다.

다국어 초록 (Multilingual Abstract)

This study proposes a data-driven decision support system for flowmeter selection in plant design processes. Conventional flowmeter selection practices heavily rely on engineers’ experience and intuition, often leading to inconsistencies in design quality and repetitive verification efforts. To address these limitations, this research develops an intelligent flowmeter recommendation system that integrates machine learning–based prediction using historical design data with document-based supplementary recommendations derived from manufacturer technical documents.
The proposed system is implemented as an automated workflow architecture encompassing data collection, preprocessing, prediction, result interpretation, and document-based knowledge augmentation. Non-structured flowmeter datasheets in image format are automatically parsed using GPT-based image analysis to extract key design variables and construct a structured dataset for machine learning. An XGBoost classification model is then trained to predict appropriate flowmeter types based on given process conditions. To ensure robustness under incomplete input conditions, a K-nearest neighbors (KNN)–based data completion mechanism is incorporated. Prediction results are subsequently translated into natural language responses to enhance usability for design engineers.
In addition, a Retrieval-Augmented Generation (RAG)–based AI recommendation agent is introduced to complement the machine learning predictions by leveraging manufacturer technical documents. This approach enables evidence-based recommendations for newly introduced technologies or manufacturer-specific application guidelines that are not covered in historical design data.
The practical applicability of the proposed system is evaluated using real plant project As-Built data. Comparative analysis shows that the machine learning–based AI recommendation agent achieves an 80% agreement rate with actual installed flowmeters, outperforming the expert judgment agreement rate of 71%. These results indicate that the proposed system can provide reliable, expert-level decision support in real-world plant design scenarios. The contributions of this study lie in presenting a data-driven flowmeter selection framework that supports digital transformation in plant engineering, with potential extensions toward digital twin–based design automation and decision support systems.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 제 1 절 연구 배경 및 필요성 1
• 제 2 절 연구 목적 4
• 제 3 절 연구 범위 및 구성 5
• 제 2 장 선행 연구 및 이론적 배경 7
• 제 1 절 유량계 선정 기준 및 변수 7
• 제 2 절 기존 유량계 선정 방식의 한계 8
• 제 3 절 머신러닝 기반 유량계 선정 및 계측 분야 연구 10
• 제 4 절 디지털 트윈 및 설계 자동화 기술 11
• 제 5 절 본 연구의 차별성 12
• 제 3 장 유량계 추천 시스템 아키텍처 및 구현 방법 15
• 제 1 절 WF1 Datasheet Image Parser 16
• 1) 데이터 수집 대상 및 구성 17
• 2) 자동 수집 및 정형화 워크플로우 설계 17
• 3) 데이터 검증 및 저장 20
• 제 2 절 WF2 Data Preprocessing Pipeline 20
• 1) 수치형 변수 단위 통일 21
• 2) 결측값 처리 전략 24
• 3) 범주형 변수 인코딩 24
• 제 3 절 WF3 Flowmeter Classifier 26
• 1) 모델 설계 개요 및 구현 환경 27
• 2) 학습 데이터 구성 및 전처리 결과 27
• 3) 하이퍼파라미터 설정 및 학습 조건 28
• 4) 모델 성능 평가 결과 29
• 5) SHAP 기반 모델 해석 30
• 6) 불완전 입력 조건 대응을 위한 KNN 기반 보완 로직 32
• 7) 소결 33
• 제 4 절 WF4 머신러닝 기반 AI 추천 에이전트 33
• 1) WF4 시스템 구성 및 전체 데이터 흐름 34
• 2) 자연어 입력 처리 및 구조화 과정 36
• 3) 머신러닝 예측 결과 해석 및 추천 응답 생성 37
• 4) WF4의 역할 및 한계 37
• 5) 소결 38
• 제 5 절 WF5 RAG 기반 AI 추천 에이전트 38
• 1) 제조사 기술 문서 적재 및 벡터화 워크플로우 39
• 2) 자연어 질의 기반 문서 검색 및 응답 생성 흐름 42
• 3) 단계별 WF5 처리 과정 요약 44
• 4) WF4와 WF5의 역할 분담 및 통합 구조 45
• 5) 소결 45
• 제 4 장 시스템 적용 시나리오 및 결과 검증 46
• 제 1 절 시스템 적용 시나리오 및 예측 흐름 분석 46
• 1) WF1 Datasheet Image Parser 적용 시나리오 47
• 2) WF2 Data Preprocessing Pipeline 48
• 3) WF3 Flowmeter Classifier 49
• 4) WF4 머신러닝 기반 AI 추천 에이전트 51
• 5) WF5 RAG 기반 AI 추천 에이전트 54
• 제 2 절 예측 결과 분석 및 전문가 정합성 평가 55
• 1) 시스템 예측 결과와 As-Built 데이터 비교 56
• 2) 전문가 판단과 As-Built 데이터 비교 57
• 3) 시스템 예측과 전문가 판단의 비교 분석 57
• 제 5 장 결론 및 향후 연구 59
• 제 1 절 연구의 기여 59
• 제 2 절 연구의 한계 및 제약 60
• 제 3 절 향후 연구 방향 제언 61