H₂ 연료전지 응용 분야에서 NH₃ 농도를 0.1 ppm 미만으로 저감하기 위해 제올라이트를 활용한 온도 스윙 흡착(TSA) 공정을 개발하고, AI를 활용하여 공정 최적화를 수행했습니다. 다양한 TSA 구성을 평가한 결과, H₂ 압력 스윙 흡착(PSA) 테일 가스를 냉각에 활용하고 NH₃ TSA 오프가스를 가열에 사용하는 TSA-TGER 구성이 기술 및 경제성 평가에서 가장 효율적임을 입증하였습니다. AI 모델을 적용함으로써 계산 비용을 현저히 절감하고 정확한 예측이 가능하였습니다. 이러한 접근법은 NH₃ 제거 비용을 전체 H₂ 생산 비용의 0.98%까지 낮추어, NH₃ 크래킹 가스 처리 분야에서 매우 유망한 솔루션으로 평가됩니다.
H₂ 공장 테일 가스로부터 H₂ 회수 및 CO₂ 포집을 위한 통합 공정을 개발하였습니다. 해당 공정은 전방 및 후방 섹터로 구성되며, 동적 모델과 AI 모델을 활용하여 철저한 검증 및 최적화되었습니다. 이를 통해 비용 효율적인 H₂ 회수와 효과적인 CO₂ 포집을 동시에 달성함으로써, 에너지 효율 향상과 지속 가능성을 동시에 만족하는 혁신적인 솔루션을 제안하였습니다. 특히, 개발된 AI는 낮은 계산 비용으로 공정 시스템의 동적 거동을 정밀하게 예측하며, 미분 진화 알고리즘을 적용하여 최적 운전 조건을 도출하였습니다. 본 방법론은 하이브리드 극저온-막 공정의 참조 데이터를 통해 신뢰성 이 검증되어, 비용 절감과 에너지 효율 최적화 측면에서 그 효과를 입증하였습니다. 개발 기술은 관련 정유사에 제공되었습니다.
전력 생산과 배출 한계 간의 균형을 잡는 것은 전력 발전 분야에서 복잡한 과제입니다. 순환 유동층(CFB) 발전소를 위한 심층 강화 학습 최적화 프레임워크(DRLOF)가 개발되었습니다. DRLOF는 발전소 데이터를 활용하여 환경을 조성하고 액터-크리틱(A2C) 에이전트와 상호 작용합니다. 프레임워크는 운전 비용을 고려하여 용량 제한 및 환경 배출 기준을 준수하면서 발전을 극대화했습니다. 분리형 A2CN 아키텍처는 더 낮은 계산 비용으로 전력 생산 및 배출 감소를 증가시켰습니다. DRLOF는 다양한 테스트 시나리오를 통해 유연성, 적응성 및 낮은 계산 부담을 입증했습니다. 이 접근 방식은 CFB 발전소를 넘어 다른 화학 공정 및 산업으로의 확장이 가능하며, 온라인 운전 최적화, 수요 예측 및 비용 절감에 기여할 수 있습니다. 개발 기술은 관련 발전사에 제공되었습니다.
아민 기반 포집 공정을 통한 CO₂ 포집 가능성을 예측하기 위해 3개의 AI 파이프라인(S-DLP, SBE-DLP, L-DLP)을 개발했습니다. 0.5 MW급 MEA 시범공장의 실제 운영 데이터는 데이터 클리닝, 피처(feature) 선택 및 심층 신경망 기반 예측에 활용되었습니다. 이상치를 제거한 후, CO₂ 포집율 및 농도에 대한 정확한 예측을 제공하는 최고의 파이프라인을 선정하여, 에너지 절감에 중요한 흡착체 및 탈거 인자의 온도 변화를 예측하는 데 사용되었습니다. 개발된 파이프라인은 화학 공정에서 CO₂ 포집을 정확하고 효율적으로 예측할 수 있다는 것을 입증했습니다.
혼합된 MDEA/PZ 용매를 이용한 용매 루핑 시스템을 통해 연소 전 CO₂ 흡수 공정을 위한 AI모델이 개발되었습니다. 새로운 용매 루핑 시스템은 플래시 드럼에서 용매의 일부를 재활용하여 작동함으로써 에너지 소모량과 탈거 인자의 크기를 줄였습니다. AI 모델은 자본 및 운영 비용을 정확하게 예측하기 위해 활용되었습니다. 운전 조건 최적화와 CO₂ 포집 비용을 최소화하기 위해 AI 모델을 이용한 다변수 변이 접근법을 개발하였습니다. 개발 기술은 관련 정유사에 제공되었습니다.
기존의 전통적인 수학적 최적화 모델은 계산 비용이 크고 수소화 분해 공정의 빠른 대응 속도 및 맞춤형 운영 조건 설정에 적합하지 않기 때문에, 최적 운전 조건 도출을 위한 AI 기반 액터-크리틱(actor-critic) 강화학습(RL) 최적화 프레임워크를 개발하였습니다. AI 모델은 이미 검증된 수학적 모델을 기반하기 때문에 최소한의 계산 자원으로 높은 예측 정확성을 제공합니다. 개발된 강화학습 프레임워크는 최적 운전 조건 결정 시 97.86%~98.5%의 정확도를 달성하였으며, 사례 연구에서 일관성 및 평균 98%의 높은 효율성을 입증했습니다. 이 방법론은 신속한 응답성, 낮은 계산 부담 및 개별 공정 특성에 맞춘 사용자 맞춤형 운영 설정이 가능하다는 장점이 있어 실시간 온라인 적용에 적합합니다. 또한, 수소화 분해 공정을 넘어 다른 화학 산업 분야에서도 적용 가능한 혁신적이고 효과적인 최적화 솔루션을 제시할 수 있습니다.
스팀 메탄 개질기(SMR)는 천연가스를 활용한 H₂ 생산에서 핵심적인 역할을 담당하여 화학 산업에서 매우 중요합니다. 본 개발에서는 SMR의 성능을 개선하기 위해 수학적 모델링과 AI를 결합한 통합 접근법을 개발하였습니다. 우선 SMR 공정을 위한 정밀한 동적 수학 모델을 개발하고 검증하여 온도, 압력, 몰분율 및 열 유속의 예측 신뢰성을 입증했습니다. 이후 이 모델을 기반으로 촉매 파라미터와 운전 조건을 다양하게 변경하며 성능 데이터를 생성하였으며, 주성분 분석(PCA)을 통해 AI 모델이 운전 조건과 예측된 출력값 사이의 관계를 정확하게 학습했습니다. 개발된 AI 모델은 기존의 동적 시뮬레이션 대비 현저히 짧은 계산 시간으로 높은 예측 정확도를 달성하였습니다. 본 방법론은 H₂ 생산을 위한 온라인 운전 최적화 및 시스템 설계를 낮은 계산 비용으로 수행할 수 있게 해주므로, 산업 현장에서 실질적인 가치를 제공합니다.
본 연구에서는 분리 공정과 통합된 흡착 강화 증기 메탄 개질(SESMR) 공정을 활용하여 저탄소 H₂ 생산을 위한 AI 기반 최적화 모델을 개발했습니다. 이 접근법은 최적화 및 공정 제어의 단순화, 흡착제-촉매 개발을 위한 실질적인 지침 제공, 그리고 정확한 예측을 위한 AI의 잠재력을 극대화하는 데 초점을 맞추고 있습니다. 통합 공정은 순환 유동층(CFB), 압력 스윙 흡착(PSA) 및 기타 유닛으로 구성됩니다. 민감도 분석 및 주요변수 선택을 통해 목표와 변수 관계를 명확히 하였으며, 이를 기반으로 SESMR 중심의 AI 최적화 모델을 구축했습니다. 전통적인 SMR 공정에 비해 고순도 H₂ 생산 및 CO₂ 포집을 위한 비용을 15% 절감 가능함을 제시하였습니다. 이러한 결과는 통합 SESMR 공정의 운영, 최적화 및 제어에 기여하며 복잡한 공정에서 흡착제 및 촉매 개발에 유의미한 시사점을 제공합니다.
연구는 등유로부터 C₁₀-C₁₄ n-파라핀 다성분 혼합물을 분리하기 위한 모의 이동층 크로마토그래피(SMB) 공정의 성능 분석 및 최적화를 위해 AI 모델을 개발했습니다. 원료 조성 및 운전 변수의 복잡성을 해결하고자, 실제 산업 데이터를 활용한 데이터 기반 AI 기법과 수학적 동적 모델을 결합하여 SMB 공정의 성능을 평가하였습니다. 개발된 동적 모델의 분석 결과, 각 영역의 역류비를 최적화하여 회수율 개선 및 효과적인 불순물 제거를 위해 전략을 제공하였습니다. 또한, 실험 데이터의 한계성을 보완하기 위해 수학적 모델과 AI 모델의 통합적인 활용을 권장했습니다. 아울러 SMB 공정 전체 대상 엑서지 분석을 통해 개선 방안을 제안하였습니다. 이 결과는 화학공장의 SMB 성능 향상을 위한 설계 및 운전 지침 개발에 기여했다는 의의가 있습니다. 본 결과는 정밀화학사에 제공되었습니다.
제너릭 모델 개발을 통해 CO₂에서 메탄올로의 전환(CTM) 공정에 대한 새로운 반응기 설계 가이드라인을 제안한 연구입니다. 상업적으로 활용 가능한 다양한 BR(Bed Reactor)을 포함한 분석을 통해 다양한 최적 운전 조건을 결정하였습니다. 각 BR은 각기 다른 최적 조건을 가지고 있었으며, 전체 CTM 공정은 특정 반응기 압력 및 온도 값에서 비용이 최소화 된다는 것을 입증했습니다. 이 가이드라인은 CTM 공정 설계, 운전 및 의사 결정에 대한 실용적인 지침을 제공하며, BR 모델은 다른 CO₂ 활용 공정에도 활용 가능합니다.
본 개발에서는 분리 장치와 통합된 촉매 유동층 반응기를 사용하여 습식 CO₂를 메탄올로 전환하는 혁신적인 공정을 위한 AI 모델 및 최적화 시스템을 개발하였습니다. 탄소 중화를 위한 대규모 친환경 공정의 필요성이 높아짐에 따라, 개발된 공정 모델은 효율적이고 매력적인 해결 방안을 제시합니다. AI 모델을 활용한 최적화 방법을 통해 공정 성능을 정밀하게 예측하고, 계산 비용을 현저히 감소시킬 수 있었습니다.
이 개발은 수학적 모델과 AI 대리 모델을 이용하여 고체 추진제 연소의 동적 거동 및 성능 예측에 중점을 두고 있습니다. 엄격한 수학적 모델은 계산 복잡성으로 인해 실제 응용이 제한적입니다. AI 대리 모델은 이러한 한계를 해결하기 위해 개발되었으며, 연소의 동적 거동을 정확하고 신속하게 예측합니다. 대리 모델은 계산 속도 측면에서 수학적 동적 모델 대비 수백 배 높은 효율성을 달성했습니다. 본 결과는 국방 관련 기업에 제공되었습니다.
방독면은 유해물질로부터 사람을 보호하는 데 중요한 역할을 하며, 차세대 가스호흡기용 첨단 카트리지의 개발이 요구되고 있습니다. 프로토타입 카트리지를 이용하여 CFD 모델을 검증하였으며, 세 가지 설계에 대하여 호흡 저항 및 파과시간을 비교하였고, 가상현실(VR) 시스템을 사용하여 카트리지의 성능을 시각적으로 평가했습니다. 가스호흡기 카트리지의 개발 및 최적화에 CFD 모델을 활용하여 착용감, 보호성 및 전반적인 설계 효율성을 향상시켰습니다.
AI 기반 최적화로 고도화된 CO₂ 포집 및 메탄올 전환 통합 공정(CCTM)은 에너지 소비, 생산 비용 및 CO₂ 배출 저감 측면에서 획기적인 개선 효과를 달성하였습니다. 본 공정은 폐열, 오프가스, 용수 등을 재활용하는 첨단 통합 설계를 통해 에너지 효율을 14.73-16.30% 향상시키고, 생산 비용을 0.81-1.28% 절감하며, 순 CO₂ 배출 저감률을 3.13-3.38% 증가시켰습니다. AI 모델 기반의 최적화를 통해 CO₂ 포집률 92.53%와 메탄올 생산 비용을 $8.21/tMeOH 절감할 수 있습니다. 이 접근법은 메탄올 생산 분야의 탄소 중립 목표를 달성하는 데 실질적이고 지속 가능한 솔루션을 제공합니다.
본 개발에서는 고압 합성가스를 대상으로, 기존의 스트리퍼를 사용하지 않고 혼합 MDEA/PZ 용제를 활용한 새로운 CO₂ 포집 공정을 제안했습니다. 해당 공정은 스트리퍼를 저압 플래시 컬럼으로 대체하여, 373.15 K 이하의 저온에서 용매를 재생할 수 있어 에너지 소비를 효과적으로 줄입니다. AI 모델과 결합된 최적화기법의 결과, 열 부하는1.881 GJ/tCO₂로, 기존 공정보다 현저히 낮은 수준을 달성했습니다. 경제성 분석에서는 폐열 회수를 적용할 경우 비용이 $32.89/tCO₂로 산정되어, 수소 생산 공정에서의 비용 효율적인 CO₂ 포집 기술로서의 가능성을 제시합니다.
스팀 메탄 개질기(SMR)로부터 블루 H₂ 생산을 위해 MDEA/PZ 용제를 활용한 새로운 연소 전 CO₂ 포집 공정이 개발되었습니다. 민감도 분석과 AI 기반 최적화를 수행한 결과, 90% 및 95% CO₂ 제거 효율에 대해 각각 1톤 CO₂당 1.318 및 1.364 GJ의 재보일러 열 부하를 보이며 상당한 에너지 절감 효과를 확인했습니다. AI 최적화는 추가로 등가 작업량을 0.3% 감소시켰으며, 이 공정은 전통적인 연소 후 방식보다 40% 이상의 에너지 소비 절감을 달성하여 산업 응용 분야에서 경쟁력을 확보하고, 추가 압축 에너지 없이 H₂ 회수가 가능한 장점을 제공합니다. 본 결과는 관련 석유화학사에 제공되었습니다.
소수성 용해와 이상 흡착 모델 간의 유사성을 이용하여 최대 709 bar까지의 다성분 전해질 용액 내 CO₂ 용해도를 예측하는 새로운 모델이 개발되었습니다. 단 4개의 파라미터를 사용하여, CO₂ 압력, 시스템 온도, 및 전기 제약된 물 분자의 농도를 연계함으로써 Na⁺, Ca²⁺, Mg²⁺, K⁺, SO₄²⁻, Cl⁻ 등 다양한 이온이 포함된 용액에서의 CO₂ 용해도를 정확하게 예측합니다. 1384개의 실험 데이터 포인트를 통한 검증 결과, 이 모델은 95%의 예측 정확도를 달성하여 산업용 CO₂ 응용 분야에서 큰 활용 가능성을 제공합니다.
산업용으로 사용되는 12개 탑 VPSA 공정은 탄소 포집된 SMR 합성가스로부터 연료전지 등급 H₂를 생산하기 위해 개발되었습니다. 운전 중인 상용 규모의 SMR 합성가스 VPSA 공장 데이터로 검증된 동적 시뮬레이션을 활용하여, 대리 모델이 수소 순도, 회수율 및 CO 농도를 예측하도록 개발되었으며, 12개 탑과 24개의 운전 단계를 통한 복잡한 상호 작용을 효과적으로 관리합니다. AI 모델을 통합한 다목적 최적화를 통해 순도와 회수율을 극대화할 수 있는 최적 운전 조건을 도출하였으며, AI 솔루션 개발을 위한 3단계 전략은 탄소 포집이 적용된 SMR 공장의 VPSA 공정 설계 및 최적화에 있어 강력하고 체계적인 접근 방식을 제시하여 지속 가능한 저탄소 경제에 기여합니다. 본 결과는 관련 정유사에 제공되었습니다.
SMR 공장의 테일 가스로부터 효과적인 CO₂ 포집과 추가적인 H₂ 생산을 위해 극저온 증류와 2단계 PSA 시스템을 결합한 공정이 개발되었습니다. 다양한 운전 조건 하에서 신속한 성능 평가를 위해 AI 모델이 구축되었으며, 다중 AI 모델은 CO₂ 포집율 90% 초과 및 연료전지 등급 H₂ 순도 최소 99.999%(CO 농도 ≤0.2 ppm) 조건을 충족하면서 분리 비용을 최소화하는 다목적 최적화 접근 방식과 통합되었습니다. AI 솔루션은 기술경제 분석에 필요한 정보를 제공하여, 해당 하이브리드 공정이 경쟁력 있는 H₂ 분리 비용과 CO₂ 포집 비용을 달성할 수 있으며, 추가 블루 H₂ 생산을 고려할 경우 더욱 비용 절감 효과를 기대할 수 있음을 보여줍니다. 본 결과는 정유사에 공급되었습니다.