미세먼지 및 황산화물, 질소산화물 동시제거 시스템 개발 및 실증

조형태(Hyungtae Cho),김정환(Junghwan Kim),송호준(Hojun Song),정재억(Jaeouk Jung),박한신(Han-sin Park),임경필(Kyoung-pil Lim),김경동(Gyeong-dong Kim) 대한환경공학회 2020 대한환경공학회 학술발표논문집 Vol.2020 No.11

목질계 바이오매스의 반탄화공정 최적화를 위한 발열량 예측모델 개발 및 검증

오광철(Kwang Cheol Oh),조형태(Hyungtae Cho),김정환(Junghwan Kim) 대한환경공학회 2020 대한환경공학회 학술발표논문집 Vol.2020 No.11

이축압출기를 이용한 입자코팅공정 동적모사

박찬호(Chanho Park),조형태(Hyungtae Cho),정원복(Wonbok Jeong),박정수(Jeoungsu Park),이근득(Keundeuk Lee),문일(Il moon) 한국추진공학회 2015 한국추진공학회 학술대회논문집 Vol.2015 No.11

본 연구에서는 이축압출기의 kneading block의 배열을 변동 시킨 서로 다른 6가지 스크루를 가정하고 이를 전산유체역학 동적모사를 통하여 입자의 혼합도를 계산하고 각 스크루의 역할을 분석 하였다. 이때 혼합도를 두 가지 측면으로 나누어 dispersive mixing을 분석하기 위하여 전산유체역학의 immersed boundary 기법을 사용하여 Manas-Zloczower mixing index를 계산하였다. 또한 ditributive mixing을 분석하기 위하여 dynamic mesh 기법을 사용하여 각 스크루 배열에서 빨간색과 파란색으로 다르게 표시된 입자를 주입구 부분 양쪽으로 나누어 주입하고, 입자의 거동을 모사하고 분석하였다. 결과로 kneading block 중 515R, 515L, 515N의 역할을 확인하였다. 이때 515N은 두 종류의 혼합에 대하여 모두 가장 높은 효율을 보였으며, 515L은 distributive mixing에 대하여서는 515R보다 효율이 높으나 dispersive mixing에 대하여서는 515R보다 효율이 낮은 것으로 확인되었다. In this study, 6 kinds of screw arrangements are assumed and simulated dynamically by Computational Fluid Dynamics(CFD) for calculating mixing efficiency of particles and physical characteristic of each kneading block. Mixing efficiency is analysed in terms of distributive mixing and dispersive mixing. For dispersive mixing, Manas-Zloczower mixing index was introduced and for distributive mixing, particles motion which injected to opposite side and colored differently was observed. As a result, 515N block shows the maximum efficiency for both mixing schemes and 515L block shows better mixing effect than 515R block in terms of distributive mixing but shows worse mixing effect in terms of dispersive mixing.

열 안정성 염 제거장치를 고려한 아민 재생 공정 최적화 전략

이제성 ( Jesung Lee ),임종훈 ( Jonghun Lim ),조형태 ( Hyungtae Cho ),김정환 ( Junghwan Kim ) 한국공업화학회 2020 공업화학 Vol.31 No.5

본 연구에서는 열 안정성 염 제거장치가 추가된 아민 재생 공정을 모사하고, 폐수 량, 열 안정성 염 제거 량, MDEA(methyl diethanolamine) 손실량을 고려한 최적 운전조건 도출 전략을 제시하였다. 산성 가스를 흡수 및 탈거하는 아민재생공정에서 열 안정성 염은 공정 장비 및 아민 용액의 흡수 효율을 저해한다. 열 안정성 염 제거 방법 중 하나인 이온교환수지법은 NaOH와 같은 강 염기성 용액을 사용하여 중화반응을 통해 염을 제거시키는 방법이다. 공정 모델링 과정에서 산성 가스의 탈거 과정은 Radfrac 모델을 사용했고, 반응의 평형상수는 Gibbs 자유에너지를 사용하여 계산하였다. 탈거된 아민 용액의 일부는 열 안정성 염 제거 장치로 들어가게 되고, 제거 장치는 중화반응을 이용한 Rstoic 모델을 사용하였다. 실제 운전데이터와 시뮬레이션 결과를 비교하여 검증하였고, 제거 장치로 들어가는 질량 유량을 조절하여 사례연구를 하고 최적 운전 조건을 제시하였다. In this study, we simulated an amine regeneration process with heat-stable salts removal unit. We derived the optimal operating conditions considering the flow rate of waste, the removal rate of heat-stable salts, and the loss rate of MDEA (methyl diethanolamine). In the amine regeneration process that absorbs and removes acid gas, heat-stable salt impairs the absorption efficiency of process equipment and amine solution. An ion exchange resin method is to remove heat-stable salts through neutralization by using a strong base solution such as NaOH. The acid gas removal process was established using the Radfrac model, and the equilibrium constant of the reaction was calculated using Gibbs free energy. The removed amine solution is separated and flows to the heat-stable salts remover which is modeled by using the Rstoic model with neutralization reaction. Actual operation data and simulation results were compared and verified, and also a case study was conducted by adjusting the inflow mass of removal unit followed by suggesting optimal conditions.

시계열 교차검증을 적용한 2,3-BDO 분리공정 온도예측 모델의 초매개변수 최적화

안나현 ( Nahyeon An ),최영렬 ( Yeongryeol Choi ),조형태 ( Hyungtae Cho ),김정환 ( Junghwan Kim ) 한국화학공학회 2021 Korean Chemical Engineering Research(HWAHAK KONGHA Vol.59 No.4

최근 인공지능에 대한 관심이 높아짐에 따라 화학공정분야에서도 인공지능을 활용한 연구가 많아지고 있다. 그러나 인공지능 기반 모델이 충분히 일반화되지 않아 학습에 이용되지 않은 새로운 데이터에 대한 예측률이 떨어지는 과적합 현상이 빈번하게 일어나고 있으며, 교차검증은 과적합을 해결하는 방법 중 하나이다. 본 연구에서는 2,3-BDO 분리 공정 온도 예측 모델의 초매개변수 중에서 배치 개수와 반복횟수를 조정하기 위해 시계열 교차검증을 적용하고 일반적으로 사용되는 K 겹 교차검증과 비교하였다. 결과적으로 K 겹 교차검증을 사용했을 때 보다 시계열 교차검증 방식을 사용했을 때 MAPE는 0.61% 증가한 반면 RMSE는 9.06% 감소하였고 학습 시간은 198.29초 적게 소요되었다. Recently, research on the application of artificial intelligence in the chemical process has been increasing rapidly. However, overfitting is a significant problem that prevents the model from being generalized well to predict unseen data on test data, as well as observed training data. Cross validation is one of the ways to solve the overfitting problem. In this study, the time-series cross validation method was applied to optimize the number of batch and epoch in the hyperparameters of the prediction model for the 2,3-BDO distillation process, and it compared with K-fold cross validation generally used. As a result, the RMSE of the model with time-series cross validation was lower by 9.06%, and the MAPE was higher by 0.61% than the model with K-fold cross validation. Also, the calculation time was 198.29 sec less than the K-fold cross validation method.

Computational Fluid Dynamics를 활용한 점/접착 생산 공정 내 Jacketed Vessel 설계 최적화

주종효 ( Chonghyo Joo ),박현도 ( Hyundo Park ),조형태 ( Hyungtae Cho ),김정환 ( Junghwan Kim ) 한국공업화학회 2020 공업화학 Vol.31 No.6

점/접착제 생산 공정은 배합 과정에서 mineral insulated (MI) cable을 통해 내부 용액을 76 ℃까지 가열 및 혼합 후 제품출하를 위해 30 ℃까지 상온 냉각을 진행한다. MI cable을 이용한 반응기의 경우, 냉각시간이 평균 10 h 소요되어 생산효율이 낮은 문제점이 있지만, jacketed vessel을 설치하면 위의 문제를 효과적으로 해결할 수 있다. 그러나 jacketedvessel의 종류가 다양해 jacket을 설치하기 전, 배합 공정조건에 적합한 종류를 찾아야 한다. 본 연구에서는 생산효율에 영향을 주는 냉각시간을 최소화하기 위해 computational fluid dynamics (CFD)를 이용하여 jacket 종류에 따른 냉각시간을 비교해 공정에 적합한 jacketed vessel 모델을 개발하고, 점/접착제 생산 공정에 최적화된 jacketed vessel을 설계하였다. 연구 결과, jacket의 높이가 같을 때, half-pipe coil jacket보다 plain jacket의 냉각 성능이 32.7% 더 우수하였고, plainjacket에 60% spiral baffle을 설치하여 냉각 공정에 이용할 경우 냉각시간을 80.4%, 작업시간을 25.1% 단축 가능하다. Blending process of adhesive production has a cooling process to cool down the temperature of the solution which was heated up to 76 ℃ with a mineral insulated (MI) cable by 30 ℃ at room temperature. Using a MI cable in the adhesive production process makes the production inefficient because it takes about 10 h for the cooling process. If a jacketed vessel is used instead of the MI cable, it would shorten the cooling downtime without any additional cooling system by using cold water. However, there are various types of jacketed vessels, and thus the most suitable type should be found before set up. In this study, we designed the optimized jacketed vessel for the adhesive production process by calculating the cooling downtime, which impacts production efficiency, as a function of the jacket types using computational fluid dynamics. As a result, the cooling performance of the plain jacket was 32.7% superior to that of the half-pipe coil jacket with the same height. In addition, the plain jacket with 60% spiral baffle reduced the cooling downtime and operating time by 80.4% and 25.1%, respectively.

머신 러닝과 데이터 전처리를 활용한 증류탑 온도 예측

이예찬 ( Yechan Lee ),최영렬 ( Yeongryeol Choi ),조형태 ( Hyungtae Cho ),김정환 ( Junghwan Kim ) 한국화학공학회 2021 Korean Chemical Engineering Research(HWAHAK KONGHA Vol.59 No.2

화학 공정의 주요 설비 중 하나인 증류탑은 물질들의 끓는점 차이를 이용하여 혼합물에서 원하는 생산물을 분리하는 설비이며 증류 공정은 많은 에너지가 소비되기 때문에 최적화 및 운전 예측이 필요하다. 본 연구의 대상 공정은 공급처에 따라 원료의 조성이 일정하지 않아 정상 상태로 운전이 어려워 효율적인 운전이 어렵다. 이를 해결하기 위해 데이터 기반 예측 모델을 이용하여 운전 조건을 예측 할 수 있다. 하지만 미가공 공정 데이터에는 이상치 및 노이즈가 포함되어 있어 예측 성능을 향상시키기 위해 데이터 전처리가 필요하다. 본 연구에서는 인공 신경망 모델인 Long shortterm memory (LSTM)과 Random forest (RF)를 사용하여 모델을 최적화한 후, 데이터 전처리 방법으로 Low-pass filter와 One-class support vector machine을 사용하여 데이터 전처리 방법 및 범위에 따른 예측 성능을 비교하였다. 각 모델의 예측 성능과 데이터 전처리의 영향은 R²과 RMSE를 사용하여 비교하였다. 본 연구의 결과, 전처리를 통해 LSTM의 경우 R2은 0.791에서 0.977으로 RMSE는 0.132에서 0.029로 각각 23.5%, 78.0% 향상되었고, RF의 경우 R²은 0.767에서 0.938으로 RMSE는 0.140에서 0.050으로 각각 22.3%, 64.3% 향상되었다. A distillation column, which is a main facility of the chemical process, separates the desired product from a mixture by using the difference of boiling points. The distillation process requires the optimization and the prediction of operation because it consumes much energy. The target process of this study is difficult to operate efficiently because the composition of feed flow is not steady according to the supplier. To deal with this problem, we could develop a data-driven model to predict operating conditions. However, data preprocessing is essential to improve the predictive performance of the model because the raw data contains outlier and noise. In this study, after optimizing the predictive model based long-short term memory (LSTM) and Random forest (RF), we used a low-pass filter and one-class support vector machine for data preprocessing and compared predictive performance according to the method and range of the preprocessing. The performance of the predictive model and the effect of the preprocessing is compared by using R² and RMSE. In the case of LSTM, R² increased from 0.791 to 0.977 by 23.5%, and RMSE decreased from 0.132 to 0.029 by 78.0%. In the case of RF, R² increased from 0.767 to 0.938 by 22.3%, and RMSE decreased from 0.140 to 0.050 by 64.3%.

스팀 사용 저감을 위한 응축수 재활용 공정설계 및 경제성 평가

김진욱 ( Jinuk Kim ),최영렬 ( Yeongryeol Choi ),조형태 ( Hyungtae Cho ),김정환 ( Junghwan Kim ) 한국공업화학회 2020 공업화학 Vol.31 No.6

본 연구의 대상은 에폭시 레진 생산 공정으로 155 ℃ 이상의 고온 스팀을 열원으로 사용하고 있으며 공정에서 생성되는 응축수는 전량 버려지고 있다. 공정의 일부는 70 ℃ 이하의 저온으로 운전되므로 버려지는 응축수를 재활용하여 저온 공정의 열원으로 사용한다면 스팀 사용량 저감이 가능하다. 따라서 본 연구에서는 응축수 재활용을 통해 폐열을 회수하여 스팀 사용량을 저감할 수 있는 공정을 제시하고 모델을 개발하였다. 최적의 응축수 재활용 공정을 찾기 위한 사례연구를 진행하였고, 각 사례의 연간 자본 비용 및 스팀 저감 비용을 비교하여 경제성 평가를 실시하였다. 제안된 공정에서 응축수 회수를 통해 저온 공정에 사용하는 스팀 사용량을 연간 최대 67.6%까지 저감하여 최대 연 522.1 백만원의 추가 수익의 확보가 가능함을 확인하였다. This study focused on the epoxy resin production process, which uses the steam of 155 ℃ or higher as a heat source, and discards all condensate generated. A part of the process is operated at low temperatures of 70 ℃ or below, thus there are opportunities to reduce the steam consumption by recycling wasted condensate as a heat source for the low temperature section of process. In this study, we developed process models that can reduce steam by recovering waste heat through recycling condensate and conducted a case study to find an optimal condensate recycling system. Three different process designs were proposed and economic evaluations were performed by comparing annual capital costs and steam savings in each case. Finally, an annual steam consumption of the low-temperature section could be reduced by up to 67.6%, which could also bring an additional economic benefit of 522.1 million won/yr.

복합 대기오염물질 제거를 위한 LPMB 시스템 scale-up 효과 검증

유엽(Yup Yoo),박현도(Hyundo Park),문일(Il Moon),김정환(Junghwan Kim),조형태(Hyungtae Cho) 대한환경공학회 2020 대한환경공학회 학술발표논문집 Vol.2020 No.11

증류공정 내부 온도 예측을 위한 머신 러닝 모델 개발

권혁원 ( Hyukwon Kwon ),오광철 ( Kwang Cheol Oh ),정용철 ( Yongchul G. Chung ),조형태 ( Hyungtae Cho ),김정환 ( Junghwan Kim ) 한국공업화학회 2020 공업화학 Vol.31 No.5

본 연구에서는 증류공정의 제품 생산단 온도 예측을 위한 머신러닝 기반 모델을 개발하였다. 증류공정의 제어는 제품 생산단의 온도를 통해 이루어지고 있어 제어를 위해 정확한 온도 예측이 필요하다. 증류공정에서 온도는 다양한 변수들과 복잡한 비선형의 관계를 형성하고 있으며 시계열 데이터의 특성이 있어 이를 예측하기 위해 순환신경망 기반 알고리즘을 이용하였다. 모델 개발 과정에서 적절한 예측 알고리즘을 선정하기 위해 세 가지 순환신경망 기반 알고리즘과 배치 사이즈 조절하여 제품 생산단 온도를 예측하기 위한 가장 적저한 모델을 선정하였다. LSTM128 모델이 제품 생산단 온도를 예측하기 위한 가장 적절한 모델로 선정되었다. 선정된 모델을 활용하여 실제 공정 운전데이터에 적용한 결과 RMSE 0.0791, R² 0.924의 성능을 보였다. In this study, we developed a machine learning-based model for predicting the production stage temperature of distillation process. It is necessary to predict an accurate temperature for control because the control of the distillation process is done through the production stage temperature. The temperature in distillation process has a nonlinear complex relationship with other variables and time series data, so we used the recurrent neural network algorithms to predict temperature. In the model development process, by adjusting three recurrent neural network based algorithms, and batch size, we selected the most appropriate model for predicting the production stage temperature. LSTM128 was selected as the most appropriate model for predicting the production stage temperature. The prediction performance of selected model for the actual temperature is RMSE of 0.0791 and R² of 0.924.