Press release

2022. 01. 19 (수) 부터 보도해 주시기 바랍니다.

수소 생산 비용·이산화탄소 배출량 한 번에 보는 화학공정 평가 모델 개발

UNIST 임한권 교수팀, 머신러닝 기반 수소 생산 공정 종합 평가 모델 개발
메탄올 습식 개질 방식의 수소 생산 공정 평가 ...Chem. Eng. J. 논문 게재

지어질 건축물을 3D 시뮬레이션 해보는 것처럼, 대형 화학 공장(플랜트)을 지을 때도 시뮬레이션 프로그램으로 공정을 돌려보는 과정을 거친다. 이러한 시뮬레이션 기술에 인공지능을 접목해 수소 생산 공정의 성능을 종합적으로 평가하는 예측 모델이 나왔다.

UNIST 임한권 에너지화학공학과 교수팀은 화학공정의 성능을 미리 예측할 수 있는 모델을 개발했다. 인공지능의 한 분야인 머신러닝을 접목한 예측 모델이다. 이 모델은 수율과 같은 기술적 성능뿐만 아니라, 생산 비용, 이산화탄소 배출량 등을 단 한 번에 예측 할 수 있다는 장점이 있다. 기존에는 3단계의 복잡한 과정을 거쳐 이를 평가 했다. 개발된 예측 모델로 차세대 수소 생산 공정의 성능을 평가한 결과, 3단계 평가 방식과 최대 99.9% 유사한 결과 값을 얻을 수 있었다. 3단계 방식보다 훨씬 간단하지만 정확도는 이에 못지않다는 의미다.

연구팀은 이 예측 모델을 새로 설계한 메탄올 습식 개질 공정의 성능 평가에 활용했다. 메탄올 습식 개질 공정은 현재 수소 생산에 널리 쓰는 방식보다 이산화탄소 배출과 에너지 소모가 적지만 수소를 따로 분리해 내는 정제 공정이 추가로 필요하다. 이를 해결하기 위해 수소 투과 분리막을 집적한 새로운 공정을 설계한 뒤, 이 공정의 성능을 예측 모델로 살펴본 것이다.

*메탄올 습식 개질(methanol steam reforming): 고온에서 메탄올을 수증기와 반응시켜 수소를 얻는 방법. 현재 대다수를 차지하는 수소 생산 방식인 증기 메탄 개질 방식 (SMR, steam methane reforming) 보다 이산화탄소 배출량이 적다.

 

[연구그림] 본 연구에서 고안된 머신러닝 기반 회귀 예측 모델 개략도

연구팀은 먼저 상용 화학공정 시뮬레이션 프로그램으로 개선된 공정을 설계한 뒤 이 공정을 수치 해석 프로그램에 수식으로 반영했다. 여기서 얻은 막대한 데이터를 바탕으로 머신러닝 기반 회귀 알고리즘을 이용해 예측 모델을 완성했다.

예측 모델로 반응 온도, 인건비 등의 12가지의 기술·경제적 인자를 변화시키며 설계된 공정을 평가한 결과 해당 공정의 수소 생산량과 이산화탄소 배출량은 시간당 각각 4.52-5.99 kg, 4.13-6.62 kg이었다. 수소 생산 비용은 1 kg 당 4.31-13.15 달러로 나타났다. 이를 기존의 3단계 방식으로 평가한 결과와 비교했을 때 예측 정확도는 각각 99%, 99.9%, 96%로 나타났다.

제1저자인 변만희 UNIST 연구원은 “이번 연구를 통해 12가지의 기술·경제적인 인자들 중 반응기 수, 반응 온도, 메탄올 원료 가격, 인건비가 해당 공정의 성능에서 가장 중요한 인자임을 밝혀냈다”며 “해당 인자들을 공정 운영의 목적에 맞게 조정한다면 보다 효과적인 수소 생산 공정이 만들어질 것”이라고 연구 결과를 설명했다.

[연구그림] 각 인자를 변화시켰을 때 해당 공정의 수소 생산 성능 분포

임한권 교수는 “최근 소재나 약품 개발과 같은 미시적인 분야에 인공지능, 머신러닝 기술을 접목한 사례가 많지만, 거시적 화학공정 기술에 이를 적용한 경우는 드물다”며 “지속적으로 축적될 공정 운전 데이터를 활용한다면 해당 모델의 예측 정확도가 더 높아질 것”이라고 기대했다.

이번 연구는 국제 학술지 ‘케미컬 엔지니어링 저널(Chemical Engineering Journal)’에 지난해 12월 게재됐다. 연구 수행은 과학기술정보통신부 재원의 한국연구재단(NRF) 수소에너지혁신기술개발사업과 기후변화대응기술개발사업의 지원을 받아 이뤄졌다.

논문명: Machine learning based predictive model for methanol steam reforming with technical, environmental, and economic perspectives

자료문의

대외협력팀: 김학찬 팀장, 양윤정 담당 (052) 217 1228

에너지화학공학과: 임한권 교수 (052) 217 2935

  • [연구그림] 본 연구에서 고안된 머신러닝 기반 회귀 예측 모델 개략도
  • [연구그림] 머신러닝 기반 예측 모델을 이용해 산출한 데이터
  • [연구그림] 각 인자를 변화시켰을 때 해당 공정의 수소 생산 성능 분포
 

[붙임] 연구결과 개요

1. 연구배경

수소 에너지로 에너지 패러다임의 전환이 이루어짐에 따라 전 세계적으로 수소를 생산하는 다양한 방식에 대한 연구가 활발하게 진행이 되고 있다. 기존의 수소 생산 방식은 석유 화학공정에서 부산물로 생성되는 부생수소1)를 비롯해 천연가스를 개질하는 방식이 주를 이루었다. 하지만, 이러한 수소 생산 방식들은 공정에서 필요한 열에너지의 양이 막대하며, 이산화탄소와 같은 온실가스를 다량 배출한다는 단점이 있다.

메탄올과 수증기를 반응시켜 수소를 생산하는 메탄올 습식 개질 방식은 이를 보완하면서 단기간 내에 상용화 가능한 수소 생산 방식으로 주목받고 있으며, 이와 관련한 다양한 연구가 진행되고 있다.

하지만 이 수소 생산 공정은 생성물에서 수소를 정제하는 데에 많은 공정비용이 소요된다. 이에 따라 화학 공정 분야에서는 수소 투과 분리막(H2 permeable membrane)2)을 반응기와 연쇄적으로 결합하여 개질 반응과 수소 분리 거동을 동시 다발적으로 구현하는 것과 같은 ‘공정 집적화(Process intensification)3)’에 대한 관심이 높다.

연구팀은 이러한 공정 집적화의 타당성을 인공지능 기술을 접목해 평가했다.

2. 연구내용

본 연구에서는 수소 투과 분리막이 연쇄적으로 집적화된 메탄올 수증기 개질 시스템에 대한 기술적·경제적·환경적 타당성 예측 평가 모델을 개발하였다. 머신러닝4) 기반 예측 알고리즘을 접목시킨 기술이다.

먼저 거시적 수준의 화학 공정을 설계하는 데에 널리 쓰이는 화학 공정 모사 프로그램인 Aspen PlusⓇ5)을 통해 공정 설계 모델을 수립한 이후, 해당 모델에서 주요하게 다뤄지는 여러 가지 공정 인자들을 상용 수치해석 프로그램인 MATLABⓇ을 통해 재구현하였다. 이렇게 재구현한 설계 모델은 기존의 Aspen PlusⓇ를 기반으로 수립된 모델에 비해 공정의 성능에 직접적으로 관여하는 인자들을 보다 더 넓은 범위에서 다룰 수 있다는 장점이 있다. 이러한 특징을 바탕으로 수소 생산량, 이산화탄소 배출량, 수소 생산 비용과 같은 기술적·경제적·환경적 성능을 나타내는 정량적인 데이터를 도출할 수 있었다. 또한, 이러한 막대한 데이터를 기반으로 머신러닝(Machine learning, ML) 기반 회귀 알고리즘을 통해 94%-99.9%의 예측 정확도를 가지는 타당성 예측 모델을 수립하였다.

3. 기대효과

인공지능(Artificial intelligence, AI), 빅데이터(Big data)등과 같은 4차 산업혁명과 관련된 기술이 발전함에 따라 촉매의 합성 및 성능 개선, 반응 속도론 정립 등과 같은 미시적인 분야에서도 이러한 기술이 적용되고 있다. 다양한 공정 변수와 조건들이 복잡하게 상호작용하는 거시적인 수준의 화학공정에 이러한 기술들이 적용된다면 공정의 효율 및 성능을 개선하는 데에 큰 역할을 할 것이다.

본 연구에서 수립한 기술적·경제적·환경적 타당성 예측 모델은 기존에 화학 공정에서 보편적으로 사용되는 공정 모사 프로그램으로부터 탈피하여 수소 생산량, 수소 생산 비용, 이산화탄소 배출량을 정략적으로 평가할 수 있다. 기존에 공정 설계를 통한 기술적·환경적 성능 데이터 추출, 경제적 인자를 고려한 경제성 평가 진행과 같은 상대적으로 긴 과정이 수반되는 기술·경제성 평가 방식과 달리 입력 조건이 주어지면 이에 해당하는 성능 인자들이 도출되어 단시간에 기술적·경제적·환경적 성능을 정량적으로 도출할 수 있다. 뿐만 아니라, 해당 모델은 데이터 기반 회귀 알고리즘이 적용된 결과로 공정 데이터가 축적될수록 그 예측 정확도가 높아져 실제 공정에서 기술적·경제적·환경적 가이드라인을 제시해 보다 효율적인 공정 운영을 가능케 할 것이다.

 

[붙임] 용어설명

1. 부생수소

석유 및 화학 공장 등의 공정에서 목표로 하는 물질 이외에 부가적으로 생산되는 수소의 한 종류

2. 수소 투과 분리막(H2 permeable membrane)

분리막은 다양한 구성 성분 중 특정한 성분을 선택적으로 투과시키는 물질로 공정 생산물의 정제나 배터리의 소재로서 널리 사용되며, 본 연구에서는 수소를 선택적으로 투과시키는 분리막을 사용한다.

3. 공정 집적화(Process intensification)

공정의 개별적인 기술들을 장치의 디자인이나 특정 공정에 집약시켜 각자의 장점을 극대화시키는 개념으로서, 이에 대한 예시로는 반응성 증류 혹은 분리막 반응기가 있다.

 4. 머신러닝(Machine learning)

특정 데이터를 학습한 후 특정 목적에 맞게 개선하는 컴퓨터 알고리즘 연구의 한 분야로서, 주어진 대규모 데이터 사이에서 존재하는 패턴과 상관관계를 찾고 분석하는 일련의 과정이 포함되어 있다.

 5. Aspen Plus

화학공정을 설계하는 데에 널리 사용되는 상용 소프트웨어. 공정에 수반되는 다양한 물질의 물성치를 토대로 특정 운전 조건에서 공정 성능을 평가할 수 있다.

 

[붙임] 그림설명

 

그림1. 본 연구에서 고안된 머신러닝 기반 회귀 예측 모델 개략도

 

그림2. 머신러닝 기반 예측 모델을 이용해 산출한 데이터 (a) 수소 생산량, (b) 이산화탄소 배출량, (c) 수소 생산 비용 분포

 

그림3. (a) 반응기 수, (b) 반응 온도, (c) 메탄올 원료 가격, (d) 인건비 변화에 따른 공정 성능 분포. 단위 시간당 수소생산량은 반응기 수 보다는 반응 온도에 더 민감하며, 단위 수소 생산 비용은 인건비 대비 메탄올 원료 가격의 영향을 더 받고 있음을 그래프를 비교해 알 수 있다.