LNG 연료 선박 대상 선상 이산화탄소 포집 공정의 AIR 흡착제 기반 실험 및 모델링 연구와 AI 기반 연료 운용 방법론 = Experimental and Modeling Study of an AIR Adsorbent?Based Onboard CO2 Capture Process and an AI-Based Fuel Operation Methodology for LNG-Fueled Ships

다국어 초록 (Multilingual Abstract)

This thesis proposes an integrated approach combining AI-based fuel modeling for fuel consumption reduction and onboard carbon capture (OCC) technology as practical strategies for carbon mitigation in LNG-fueled vessels under increasingly stringent greenhouse gas regulations in the maritime sector.
In Chapter 2, sensor data collected from an LNG carrier are utilized. The ship’s engine system is modeled using Aspen HYSYS, and variables that directly or indirectly influence engine performance are identified. Among 254 sensor variables, 60 engine-related variables and two key performance indicators (KPIs) representing engine efficiency are selected, resulting in a dataset consisting of 62 variables. Since real ship data inherently contain noise arising from data acquisition and operating conditions, data preprocessing is performed to mitigate its impact on prediction performance. A Savitzky–Golay filter is applied, leading to more than a twofold improvement in prediction accuracy.
For prediction, a Long Short-Term Memory (LSTM) model, which is well suited for time-series data, is employed to forecast one of the two engine efficiency KPIs. As a result, a high prediction performance with an R2 value exceeding 0.95 is achieved on the test dataset. Furthermore, key variables influencing the prediction model are identified using a permutation-based feature importance method. Variables closely related to the KPI, such as fuel inlet flow rate, are selected, confirming the physical plausibility of the model results. Finally, the robustness of the prediction model and feature selection is validated using liquid-fueled vessel data, where the prediction accuracy remains above an R2 value of 0.95. In addition, when a portion of the dataset is replaced with data generated from HYSYS simulations, the prediction performance remains above an R2 value of 0.93, demonstrating that process simulation data can be effectively utilized as a complementary data source when access to real ship data is limited.
In Chapter 3, the applicability of OCC is evaluated through CO₂ adsorption–desorption experiments and process simulations using a novel sorbent, amine-infused resin (AIR). The experiments employ a gas mixture representative of LNG vessel exhaust, consisting of 5% CO2 balanced with N2, and assess both the adsorption performance of the sorbent and its performance variation over repeated operating cycles. The effects of amine type, regeneration temperature, and operating pressure are investigated.
DEA-infused resin and MEA-infused resin are compared, and the DEA-infused resin exhibits a higher CO2 loading. Moreover, unlike the MEA-infused resin, no pronounced performance degradation is observed over repeated adsorption–desorption cycles. Stepwise regeneration experiments further confirm the feasibility of low-temperature regeneration. Among regeneration temperatures of 50 ℃, 60 ℃, and 90 ℃, the best adsorption performance is achieved at 50 ℃. In contrast, a reduction in adsorption pressure leads to a significant decrease in capture performance, indicating that pressure is a critical design parameter for OCC systems. Finally, an adsorption model is developed using Aspen Adsorption. The model is evaluated in terms of CO2 concentration at the reactor outlet and CO2 uptake within the column, and comparison with experimental results shows excellent agreement, with an R2 value exceeding 0.99.
In summary, this thesis demonstrates, through both experiments and modeling, that a combination of data-driven operational efficiency enhancement and AIR-based OCC technology with low-temperature regeneration capability can function as an effective strategy for reducing carbon emissions from LNG-fueled vessels.

국문 초록 (Abstract)

본 논문은 강화되는 해운 분야 온실가스 규제 환경에서 LNG 연료 선박의 실질적인 탄소 저감 전략을 제시하기 위해 제시된 다양한 해결 방안 중, 크게 AI 기반 연료 모델링을 통한 연료 사용 절감과 선상 이산화탄소 포집 (Onboard Carbon Capture, OCC) 기술에 대한 통합적 접근을 제안한다.
먼저 제 2 장에서는 LNG 운반선으로부터 수집된 센서 데이터를 활용하였다. Aspen HYSYS를 통해 선박의 엔진 시스템을 모사하고 이에 직접 혹은 간접적으로 영향을 미치는 변수를 선별하였다. 운항, 환경 데이터 등을 포함한 센서 데이터 254개 중 60개의 엔진 관련 변수와 엔진 효율을 나타내는 KPI 2종을 정의하여 총 62개의 변수를 포함하는 데이터 셋을 구축하였다. 실제 선박 데이터에는 수집 환경, 운항 환경 등 노이즈가 발생하게 되고 이로 인한 예측 성능 저감이 발생하기 때문에 데이터 전처리를 진행하였다. 데이터 전처리는 Savitzky-Golay 필터를 적용하였으며 필터 적용 후 예측 성능이 2배 이상 향상하였다. 예측 모델로는 시계열 데이터에 강점을 보이는 LSTM 모델을 사용하여 엔진 효율 KPI 2종 중 1종에 대해 예측을 수행하였다. 그 결과 테스트 데이터에서 R2 값이 0.95 이상으로 높은 예측 성능을 보였다. 또한 변수 순열법을 통해 예측 모델에 중요하게 영향을 끼친 변수를 선정한 결과, 연료 유입 유량 등 KPI와 밀접한 관련을 보이는 변수들이 선정되어 모델 결과가 타당함을 확인할 수 있었다. 마지막으로 액체 연료 선박 데이터를 이용하여 예측 모델, 중요 변수 선정에 대한 성능을 검증한 결과 예측 정확도는 R2 값이 0.95 이상으로 유지되었다. 덧붙여 일부 데이터를 HYSYS로 생성한 데이터로 치환하여 예측을 진행한 경우 예측 성능이 R2 값이 0.93 이상으로 유지되어, 실제 선박 데이터의 확보가 제한된 상황에서는 공정 시뮬레이션의 데이터가 보완적으로 활용이 될 수 있음을 제시하였다.
제 3 장에서는 OCC 적용 가능성을 평가하기 위해 신규 흡착제인 Amine-infused Resin(AIR)을 이용한 이산화탄소 흡착, 재생 실험과 공정 모사를 수행하였다. 실험에서는 LNG 선박 배기가스의 이산화탄소 조성인 5% CO2, N2 Balanced 가스를 사용하였고 흡착제의 흡착 성능과 반복 사이클에 따른 성능 변화에 대해서 평가되었다. 실험에서는 흡착제의 종류, 재생 온도, 마지막으로 압력에 따른 성능을 비교하였다. 먼저 흡착제는 DEA infused Resin과 MEA infused Resin을 비교하였으며, DEA infused Resin이 더 높은 CO2 loading을 나타냈다. 또한 MEA infused Resin과는 달리 반복 운전 사이클에 따른 뚜렷한 성능 저하도 나타나지 않았다. 다음으로 단계적 재생 실험을 통해 저온 재생 가능성을 확인했고 재생 온도 50, 60, 90 ℃에서 실험을 진행했을 때 50 ℃에서 가장 우수한 흡착 성능을 나타냈다. 반면 흡착 압력을 감소시켰을 때 포집 성능이 유의미하게 저하되어 압력이 OCC 설계에서 중요하게 작용됨을 알 수 있었다. 마지막으로 Aspen Adsorption을 이용하여 흡착 실험 모델을 구축하였다. 모델은 반응기 출구의 CO2 농도와 컬럼 내의 CO2 uptake에 대해 평가되었으며 실험과 비교하였을 때 R2 값이 0.99 이상으로 실험 결과와 높은 일치도를 가지고 있음을 확인하였다.
종합하면, 본 논문에서는 LNG 연료 선박의 탄소 배출 저감을 위한 솔루션으로 데이터 기반의 운항 효율 향상과 저온 재생이 가능한 AIR 기반의 OCC 기술이 전략 중 하나로써 작동할 수 있음을 실증 및 모델링을 통해 제시한다.

목차 (Table of Contents)

• 표 목차 vi
• 그림 목차 vi
• 제 1 장. 서론 1
• 제 1 절. 연구 배경 1
• 제 2 절. 연구 목적 5
• 제 2 장. LNG 운반선 대상 AI 기반 연료 모델링 8
• 제 1 절. 연구 배경 8
• 제 2 절. 데이터 전처리 11
• 제 1 항. Dataset 11
• 제 2 항. Savitzky-Golay Filter 16
• 제 3 절. Modeling 19
• 제 1 항. LSTM 19
• 제 2 항. Performance Value 20
• 제 3 항. Variable Importance 21
• 제 4 절. 결과 24
• 제 5 절. 결론 34
• 제 3 장. 선상 이산화탄소 포집 공정을 위한 신규 흡착제 실험 및 모델링 39
• 제 1 절. 연구 배경 39
• 제 2 절. 실험 및 공정 시뮬레이션 43
• 제 1 항. 실험 43
• 제 2 항. 공정 시뮬레이션 54
• 제 3 절. 결과 57
• 제 4 절. 결론 73
• 제 5 절. 요약 76
• 제 4 장. Concluding remarks 78
• 제 1 절. 결론 78
• 제 2 절. 추후 연구 82
• 참고문헌 84
• Abstract 88