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%.

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.

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.

스팀 절감량 예측을 위한 흑액 다중 효용 증발 공정 모델 개발

김유림 ( Yurim Kim ),임종훈 ( Jonghun Lim ),최영렬 ( Yeongryeol Choi ),김태복 ( Taebok Kim ),박한신 ( Hansin Park ),조형태 ( Hyungtae Cho ),김정환 ( Junghwan Kim ) 한국화학공학회 2022 Korean Chemical Engineering Research(HWAHAK KONGHA Vol.60 No.1

본 연구에서는 흑액 증발공정에 소비되는 스팀의 절감량을 예측하기 위해 증발기 수에 따른 다중 효용 증발공정 모델을 개발하였다. 개발한 공정 모델은 흑액의 예열 및 증발 과정으로 구성되어 있고, 스팀 사용량을 예측하기 위해 가상의 재비기가 추가되었다. 시뮬레이션 결과, 2중 효용 증발기에서 스팀 사용량은 48.9% 감소하였고, 증발기 수가 증가함에 따라 스팀 사용량이 감소하여 8중 효용 증발기에서 최대 76.5% 감소함을 확인하였다. 시뮬레이션 결과를 증발기 수에 따른 포화증기의 잠열 회수량, 스팀 사용량, 각 증발기의 포화증기 생산량으로 분석하여 최적의 증발기 수 도출을 위한 방안을 제시하였다. This study developed the black liquor evaporation process models using the multiple-effect-evaporator according to the number of effects to predict steam consumption. The developed models were divided into the black liquor preheating and evaporation processes, and a virtual reboiler was added to predict steam consumption. In simulation results, the steam consumption in the double-effect-evaporator was decreased by 48.9 %, and as the number of effects increased, the steam consumption was decreased. Finally, the steam consumption in the octuple-effectevaporator was decreased by 61.2 %. Also, this study suggests a strategy for deriving the optimal number of effects in the process by analyzing the latent heat recovered from the saturated vapor produced in the multiple-effect-evaporator and the amount of saturated vapor produced by each effect.

증류탑을 위한 머신러닝 기반 플랫폼 개발

오광철 ( Kwang Cheol Oh ),권혁원 ( Hyukwon Kwon ),노지원 ( Jiwon Roh ),최영렬 ( Yeongryeol Choi ),박현도 ( Hyundo Park ),조형태 ( Hyungtae Cho ),김정환 ( Junghwan Kim ) 한국화학공학회 2020 Korean Chemical Engineering Research(HWAHAK KONGHA Vol.58 No.4

본 연구는 증류탑 분리공정 시스템 최적화를 위하여 인공지능 머신러닝이 적용된 소프트웨어 플랫폼을 개발하였다. 증류탑 분리공정은 석유화학 산업의 대표적이고 핵심적인 공정이다. 하지만 다양한 운전조건과 연속식공정 특성으로 인하여 안정적인 운전이 어려우며 운전자 숙련도에 의하여 공정효율에 차이가 발생된다. 이를 해결하기 위하여 이론적 시뮬레이션을 활용한 제어방법이 개발되어 사용되고 있지만 특수하거나 복잡한 반응이 포함된 공정에는 적용이 어려우며, 거대한 시스템에 대하여 분석이 이루어질 경우 계산비용 증대로 인하여 실시간 제어와 연동이 어려운 한계점을 지니고 있다. 따라서 본 연구에서는 이러한 문제점을 해결하기 위하여 머신러닝을 기반으로 한 경험적 시뮬레이션 모델을 개발하고 이를 통하여 최적의 공정운영방법을 제시하고자 한다. 경험적 시뮬레이션 개발은 실제 공정에서 수집된 빅 데이터, 데이터마이닝을 통한 특성추출, 공정을 대표하는 데이터 선별, 화학공정 특성에 맞는 모델 선정으로 이루어졌으며, 현장검증 및 테스트를 통하여 증류탑 분리공정 플랫폼이 개발되었다. 최종적으로 개발된 플랫폼을 통하여 운전 조작변수의 예측이 가능하며, 최적화된 운전조건을 제공하여 효율적인 공정운영을 달성할 수 있다. 본 논문은 머신러닝 기법을 화학공정에 적용한 기초연구로서 이후 다양한 공정에 적용하여 4차 산업의 스마트 팩토리의 초석이 되어 널리 활용될 수 있을 것이라 판단된다. This study developed a software platform using machine learning of artificial intelligence to optimize the distillation column system. The distillation column is representative and core process in the petrochemical industry. Process stabilization is difficult due to various operating conditions and continuous process characteristics, and differences in process efficiency occur depending on operator skill. The process control based on the theoretical simulation was used to overcome this problem, but it has a limitation which it can’t apply to complex processes and real-time systems. This study aims to develop an empirical simulation model based on machine learning and to suggest an optimal process operation method. The development of empirical simulations involves collecting big data from the actual process, feature extraction through data mining, and representative algorithm for the chemical process. Finally, the platform for the distillation column was developed with verification through a developed model and field tests. Through the developed platform, it is possible to predict the operating parameters and provided optimal operating conditions to achieve efficient process control. This study is the basic study applying the artificial intelligence machine learning technique for the chemical process. After application on a wide variety of processes and it can be utilized to the cornerstone of the smart factory of the industry 4.0.