| 초록 |
시뮬레이션을 이용한 최적화 기법은 계산속도가 느리며 탐색 공간이 제한적인 단점을 가지고 있다. 이와 반면에, deep neural network(DNN) 기반 모델은 계산속도가 매우 빠르기 때문에 다양한 변수에 대한 넓은 범위에서의 탐색이 가능하다. 본 연구에서는 Steam methane reforming(SMR)을 통한 수소 생산 공정의 DNN 모델을 활용하여 수소생산량을 고려한 열효율 최적화 연구를 수행하였다. 본 연구의 DNN 모델은 천연가스, 공기, 증기 등의 유량과 반응기로 들어가는 흐름의 온도와 압력을 기반으로 공정에서의 수소생산량을 예측한다. 일반적으로 수소생산량이 증가하면 공정의 열효율은 감소하는 trade off 관계가 있기 때문에 일정 수소생산량 이상이 되는 조건에서 열효율이 최대가 되는 조건을 탐색한다. 최적화 방법으로는 7개 공정 변수에 대한 탐색 공간을 정의한 후, 균등하게 나누어 수천만개의 case study를 진행하였다. 최적화 결과, 기존의 수식 기반 최적화보다 더 높은 열효율의 운전조건을 찾을 수 있었다. 본 연구의 최적화 기법을 활용한다면 이후 제어 분야에서도 활용될 수 있을 것으로 전망된다. |
