화학공학소재연구정보센터
홈 로그인 로그아웃 연락처 사이트맵
Applied Chemistry for Engineering, Vol.31, No.5, 520-525, October, 2020
DOI10.14478/ace.2020.1057  Export Citation
증류공정 내부 온도 예측을 위한 머신 러닝 모델 개발
Development of Machine Learning Model for Predicting Distillation Column Temperature
권혁원1, 2, 오광철1, 정용철2, 조형태1, 김정환1, †
  • 1한국생산기술연구원 친환경재료공정연구그룹
  • 2부산대학교 화공생명공학부
Hyukwon Kwon1, 2, Kwang Cheol Oh1, Yongchul G. Chung2, Hyungtae Cho1, and Junghwan Kim1, †
  • 1Green Materials and Processes R&D Group, Korea Institute of Industrial Technology, Ulsan 44413, Republic of Korea
  • 2School of Chemical & Biomolecular Engineering, Pusan National University, Busan 46241, Republic of Korea
E-mail:
초록
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.
Keywords:Machine learning;Distillation column;LSTM;Prediction model;Adam optimizer
  1. Singh V, Gupta I, Gupta HO, Chem. Eng. Process., 44(7), 785 (2005)
  2. Senthil R, Janarthanan K, Prakash J, Ind. Eng. Chem. Res., 45(25), 8678 (2006)
  3. Venkateswarlu C, Avantika S, Chem. Eng. Sci., 56(20), 5771 (2001)
  4. Lee H, Lee JH, Korean Chem. Eng. Res., 52, 592 (2004)
  5. Macmurray JC, Himmelblau DM, Comput. Chem. Eng., 19(10), 1077 (1995)
  6. Bahar A, Ozgen C, Leblebicioglu K, Halici U, Ind. Eng. Chem. Res., 43(19), 6102 (2004)
  7. Banerjee S, Jana AK, Chem. Eng. Sci., 179, 185 (2018)
  8. das Neves TG, Ramos WB, de Farias Neto GW, Brito RP, Korean J. Chem. Eng., 35(4), 826 (2018)
  9. Mazinan AH, Int. J. Adv. Manuf. Technol., 66, 1379 (2013)
  10. Bae S, Yu J, Korea Real Estate Rev., 27, 71 (2017)
  11. Raghavan SRV, Radhakrishnan TK, Srinivasan K, ISA Trans., 50, 61 (2011)
  12. Hochreiter S, Schmidhuber J, Neural Comput., 9, 1735 (1997)
  13. Cho K, van Merrienboer B, Gulcehre C, Bahdanau D, Bougares F, Schwenk H, Bengio Y, In Proc. Conference on Empirical Methods in Natural Language Processing, 1724-1734 (2014).
  14. Chung J, Gulcehre C, Cho K, Bengio Y, Empirical evaluation of gated recurrent neural networks on sequence modeling, arXiv preprint arXiv:1412.3555 (2014).
  15. Jozefowicz R, Zaremba W, Sutskever I, In: International Conference on Machine Learning, 2342-2350 (2019).
  16. Kingma DP, Ba JL, Adam: A method for stochastic optimization, arXiv preprint arXiv:1412.6980 (2014).
  17. Hinton G, Srivastava N, Swersky K, Neural networks for machine learning, Coursera, Video Lectures, 264.1 (2012).
  18. Sutskever I, Martens J, Dahl G, Hinton G, In: International Conference on Machine Learning, 1139-1147 (2013).