Numerical and deep learning-based analysis on gasification performance and slag behaviors in an entrained-flow gasifier

국문 초록 (Abstract)

석탄은 여전히 전 세계 전력 생산에서 큰 비중을 차지하지만, 기후변화와 재생에너지 확대에 따라 높은 효율과 낮은 환경 부하가 동시에 요구되고 있다. 대부분의 상업용 가스화기는 분류층 가스화기로서 석탄을 고온에서 합성가스로 전환한 뒤 이용하여 기존 미분탄 보일러보다 오염물 배출이 적고 CO2 포집과의 연계가 용이한 기술이다.
본 연구는 국내 태안 가스화기를 대상으로 ROM으로는 O2/coal 변동에 대한 주요 성능인자의 동특성을 규명하고 CFD로는 비정상 버너 운전이 내화재 손상 위험에 미치는 영향을 평가하였다. 이어 ROM 데이터로 학습한 ANN을 통해 성능을 빠르게 예측하고 최적 운전 조건을 탐색하는 프레임워크를 제시하였다.
먼저, ROM을 활용하여 O2/coal 변동에 대한 성능 인자들의 응답 특성을 평가하였다. O2/coal에 단계 변화와 peak와 dip을 부여한 결과, Tg,exit은 즉각적으로 반응한 반면, 슬래그 거동에 영향을 받는 Qwall과 δtap은 뚜렷한 지연 응답을 보였다. 성능 인자들의 거동에는 누적된 O2/Coal 변화가 중요하여, 평상시의 소규모 변동은 영향이 미미했으나, 장기간 지속되거나 진폭이 큰 변동은 슬래그 층 두께 증가와 배출 불안정을 초래할 수 있음을 확인하였다. 또한 Qwall과 δtap의 상관관계를 분석함으로써, Qwall의 장기 추세를 통해 직접 계측이 어려운 슬래그 층 상태를 간접적으로 진단할 수 있는 가능성을 제시하였다.
이후 CFD로 다양한 비정상 버너 운전 조건을 모사하고 벽면 손상 가능성을 평가하였다. 그 결과, 비정상 운전 상황에서도 중심부 선회류의 축대칭성을 유지하면, 고온 유동의 벽면 접촉이 억제되어 hotspot을 완화할 수 있었다. 한편, 벽면 손상 위험이 커진 경우에도 주요 성능 지표는 정상 운전과 큰 차이를 보이지 않아, 수치해석 기반의 진단 필요성을 시사했다.
마지막으로, ROM을 이용하여 석탄 물성, 회분 조성, 당량비, steam/O2 등 조건을 폭 넓게 변화시키며 대규모 합성 데이터 셋을 구축하고, 이를 학습하여 주요 성능인자를 빠르게 예측하는 MLP 기반 ANN 모델을 개발하였다. 민감도 분석을 통해 당량비, C 함량, HHV, 슬래그 유동성이 전열량과 슬래그 거동과 관련된 핵심 입력 특성임을 재확인하였다. 나아가 주요 Qwall, δtap, Tg,exit, CGE 등을 점수화하여 하나의 점수로 통합하는 평가 체계를 도입함으로써, 운전 최적화를 위한 ROM-ANN 프레임워크를 제시하였다.
결과적으로 본 연구에서 제시된 ROM-CFD-ANN 기반 분석-예측-최적화 운전 지원 프레임 워크는 운전 교란, 탄종 변화 등 현실의 변동 상황에서도 안정적이고 효율적인 운전 결정을 지원할 수 있는 방법론을 제공한다.

다국어 초록 (Multilingual Abstract)

This study proposes an integrated numerical-data-driven framework to analyze performance and wall-adhered slag behavior in commercial entrained-flow gasifiers. They operate at high temperature and pressure with tightly coupled reaction-flow-heat transfer, and are prone to slag accumulation, refractory failure, and burner malfunctions Reduced-order model (ROM), computational fluid dynamics (CFD), and an artificial neural network (ANN) are combined to deliver actionable insights for stable and efficient operation.
For a Shell-type gasifier, an enhanced ROM quantified dynamic response to O2/coal perturbations. Exit gas temperature(Tg,exit) responded nearly instantaneously, whereas heat duty(Qwall) and slag thickness at slag tap (δtap) exhibited characteristic times of ~4 min and ~9 min, respectively, reflecting slow transport within the slag layer; thus, short-term Qwall fluctuations don’t necessarily imply immediate degradation of slag-layer stability.
CFD coupled with a slag-layer model quantified abnormal burner operation. A ≥30% reduction in load or oxidant feed at a single burner broke axisymmetry and formed wall hotspots, increasing local heat flux by up to 36% while reducing slag thickness by >24%. Simultaneous shutdown of two opposing burners was most severe, raising wall heat flux by up to 75% and decreasing slag thickness by ~65%, indicating high risk of refractory damage and burner-tip blockage.
Finally, a ROM–ANN framework enabled rapid prediction and optimization across wide coal and operating ranges. A ROM-generated dataset (100,000 points) trained the ANN to predict eight key outputs (including Qwall, Tg,exit, δtap, and syngas composition), and sensitivity and score-based evaluation identified optimal O2/coal and steam/O2 settings under varying loads.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• 1.1 Research background 1
• 1.2 Gasification 3
• 1.2.1 Main reactions of gasification 5
• 1.2.2 Effect of design and operational parameter 7
• 1.2.2.1 Temperature 7
• 1.2.2.2 Pressure 8
• 1.2.2.3 O2/coal and steam/O2 9
• 1.2.2.4 Residence time and fuel size 10
• 1.2.2.5 Ash composition 11
• 1.2.3 Reactor types 11
• 1.2.3.1 Fixed (or moving) bed 12
• 1.2.3.2 Fluidized bed 13
• 1.2.3.3 Entrained bed 14
• 1.3 Target gasifier 17
• 1.4 Operational issues 21
• 1.4.1 Abnormal slag behavior 21
• 1.4.2 Abnormal burner operation 21
• 1.4.3 O2/coal ratio fluctuation 22
• 1.5 Research objectives and methods 23
• Chapter 2. ROM-based dynamics of key performance indicators under O2/coal variations 25
• 2.1. Introduction 25
• 2.2. Target gasifier and modeling methods 31
• 2.2.1. Operating conditions 31
• 2.2.2. Reduced order model (ROM) for the gasifier 34
• 2.2.3. Simulation cases for dynamic response of the gasifier 40
• 2.3. Results and discussion 44
• 2.3.1. ROM validation for actual operation cases 44
• 2.3.2. Assessment of dynamic behaviors for simulated cases 48
• 2.3.2.1. Dynamic response to step change in O/C (Case S1) 48
• 2.3.2.2 Effect of operation load and slag fluidity on the dynamic behaviors of the gasifier 56
• 2.3.2.3. Dynamic response to peaks or dips in O/C (Case S2 and S3) 63
• 2.3.2.4. Dynamic response to mixed peaks or dips in O/C (Case S4 and S5) 65
• 2.3.3. Discussion for implications on gasifier operation 68
• 2.4. Conclusions 69
• Chapter 3. Numerical assessment of abnormal burner operations in a entrained flow coal gasifier 71
• 3.1 Introduction 71
• 3.2 Operation conditions 77
• 3.3 Numerical methods 80
• 3.3.1 CFD simulation for the gasifier 80
• 3.3.2 Slag layer model 89
• 3.4 Results and discussion 92
• 3.4.1 Load decrease in a single burner 92
• 3.4.2 Change in O2/coal ratio of a single burner 108
• 3.4.3 Reduced loads in one pair of burners 111
• 3.4.4 Comparison of performance parameters 117
• 3.5 Conclusions 119
• Chapter 4. Data-driven optimization of a entrained-flow gasifier: ROM-ANN framework 121
• 4.1. Introduction 121
• 4.2. ROM-based synthetic data for ANN 126
• 4.2.1. ROM of the target gasifier 126
• 4.2.2. Data generation for ANN model training 134
• 4.3. Development of the ANN model for the gasifier performance 140
• 4.3.1. Additional modules for enhanced ANN training 141
• 4.3.1.1. K-fold cross-validation 142
• 4.3.1.2. Attention mechanism 142
• 4.3.1.3. Residual learning and ResNet 143
• 4.3.2. Neural network structure 144
• 4.3.3. Workflow of ANN model development 146
• 4.3.4. Sensitivity analysis of key input features 148
• 4.3.5. Analysis of the optimal operating conditions for individual coals 149
• 4.4. Results and Discussion 152
• 4.4.1. ROM validation against actual operation data 152
• 4.4.2. Selection of the optimal ANN configuration 154
• 4.4.3. Sensitivity analysis of the key input features 159
• 4.5. Using the ANN model for determining the optimal operating conditions 162
• 4.6. Conclusions 167
• Chapter 5. Conclusions 168
• Chapter 6. Future work 173
• References 175
• Appendices 187
• Appendix 1 Model for gas flow regime of ROM 187
• 1. Governing equations 187
• 2. Gas phase reactions 189
• 3. Reactions of coal and flux 190
• 4. Additional input parameters derived from CFD results 193
• Appendix 2 Model for slag layer of ROM 195
• 1. Governing equations 195
• 2. Slag properties 196
• Appendix 3 Calculation procedure of ROM 198
• 논문요약 200