휘발성 유기화합물(VOCs) 제거를 위한 활성탄 흡착칼럼 성능예측 머신러닝 모델

초록

목적 : 본 연구에서는 머신러닝 ANN 알고리즘을 활용하여 파일럿 스케일 VOC 흡착칼럼 성능예측 모델을 개발하였다. 수학적 모델인 Thomas 모델과 Yan 모델, 그리고 다중선형 회귀방정식 모델과의 성능예측 정확성을 비교하고, ANN 모델의 적용가능성을 논의하고자 한다. 방법 : 목질계 활성탄을 충진한 모듈(79.8 kg/모듈)을 사용하여 톨루엔 약 800 ppm-THC를 모듈 상부에서 하부방향으로 약 5,700 m3/h으로 투입하고, 모듈 출구측 농도가 대기환경 기준 VOC 배출 농도인 200 ppm-THC에 도달시까지 운전하였다. 탈착 운전은 감압(-150 ~ -200 mbar) 및 고열(170℃)을 사용하여 모듈 하부에서 상부 방향으로 hot gas 130 m3/h를 주입하여 복합탈착방식으로 진행하였다. 3개의 활성탄 모듈 batch를 사용하여 흡착 및 탈착 cycle을6회 진행하였다. VOC 흡착칼럼 실험데이터를 이용하여 파과 Cout/Cin 농도예측을 위한 Thomas 모델, Yan 모델, 다중선형 회귀방정식 모델, ANN 모델을 개발하였다. 결과 및 토의 : Thomas 모델 및 Yan 모델을 활용하여 모든 흡착 모듈 batch와 cycle의 Cout/Cin 농도비 예측시 R2 값이 각각 0.25와 0.28로 예측 성능이 낮았다. 이 두 모델은 온도, 압력 변화 운전조건을 고려하지 않아, 초기 유입농도 및 유입 유량이 동일하지 않은 경우 Cout/Cin 예측 성능에 한계가 있음을 나타낸다. 모든 운전인자를 고려한다중선형 회귀방정식 모델도 예측 성능 R2이 0.45 수준으로 Cout/Cin 예측 정확도가 낮았다. 반면 ANN 모델은 모든흡착 모듈 batch에 대해 Cout/Cin 농도비 예측을 R2 0.97 이상으로 예측했다. 특히, 비이상적인 데이터 cycle의 경우에도 ANN 모델은 실험값에 근사한 Cout/Cin 농도비를 도출했다. 결론 : ANN 모델은 비이상적인 흡착칼럼 운전 상황에서도 성능예측 가능한 모델로서 실제 THC 흡착 칼럼 운영에도움이 될 것으로 예상된다. 향후 다양한 조건에서의 데이터가 축적된다면 ANN 모델 정확도가 더욱 향상될 것이다.

키워드