정보 입자화 이론을 활용한 수력 사이클론 성능 분석

본 논문은 정보 입자화(Information Granulation) 이론을 적용해 수력 사이클론(Hydrocyclone) 성능 예측 모델을 개발한다. 기존의 분석·수치·실험 모델이 데이터의 불확실성·노이즈에 취약하다는 점을 지적하고, 인공지능 기반의 데이터 마이닝 접근을 제안한다. 구체적으로, 저자들은 ‘Self‑Organizing Neuro‑Fuzzy Inference System(SONFIS)’이라는 하이브리드 프레임워크를 설계한다. SONFIS는 두 단계의 입자화 과정을 포함한다. 첫 단계에서는 자기조직화지도(Self‑Organizing Map, SOM)를 이용해 원시 데이터를 ‘크리프 입자(Crisp Granules)’로 군집화한다. SOM은 경쟁 학습을 통해 입력 벡터와 가장 가까운 뉴런을 승자로 선정하고, 주변 뉴런의 가중치를 입력에 근접하도록 조정한다. 이때 뉴런 수(N)와 학습 오류(E)는 선형 성장식 \(N_{t+1}=αN_t+βE_t+γ\) 에 의해 동적으로 업데이트되며, α, β, γ는 사용자가 지정하는 하이퍼파라미터이다. 두 번째 단계에서는 각 크리프 입자 내부에 퍼지 입자(Fuzzy Granules)를 형성한다. 이를 위해 Takagi‑Sugeno‑Kang(TSK) 형태의 신경‑퍼지 추론시스템(NFIS, 흔히 ANFIS라 불림)을 적용한다. 입력 변수마다 두 개의 멤버십 함수(MF)를 배치하고, 각 규칙은 선형 결합 형태 \(y_i = \sum_{j=0}^{n} p_{ij}x_j\) 를 갖는다. NFIS는 역전파와 최소제곱법을 결합한 학습 알고리즘으로, 멤버십 함수 파라미터와 선형 가중치를 동시에 최적화한다. 규칙 수는 ‘규칙 단순성’(가능한 최소 규칙 수)과 ‘오차 임계값’(예측 오차가 허용 범위 이하) 두 기준에 의해 제한된다. 알고리즘 전체 흐름은 ‘닫힌‑열린 반복(Close‑Open Iteration)’ 메커니즘으로 제어된다. 초기 크리프 입자를 생성한 뒤 NFIS를 통해 퍼지 입자를 추출하고, 테스트 데이터에 대한 RMSE를 계산한다. RMSE가 사전 정의된 임계값을 초과하거나 규칙 수가 과도하게 늘어날 경우, SOM의 뉴런 수를 재조정하거나 입자 구성을 재샘플링한다. 이 과정을 여러 번 반복하면서 모델은 데이터의 ‘열린 세계(Open World)’ 가정을 반영해 미지의 정보를 불확실성으로 남겨두고, 동시에 ‘닫힌 세계(Closed World)’ 가정 하에 기존 정보를 최대한 활용한다. 실험은 이란 카라아그카오린(Kaolin) 시료를 사용해 실험실 규모의 수력 사이클론(C705)에서 수행되었다. 주요 입력 변수는 압력 강하(psi), 고형물 비율(%), 입도(µm), 그리고 오버플로우·언더플로우 상태(0/1)이며, 출력 변수는 누적 통과 비율(%)이다. 데이터는 150개의 학습 샘플과 19개의 테스트 샘플로 구성되었다. 두 가지 SONFIS 변형, 즉 무작위 뉴런 성장(SONFIS‑R)과 규칙 기반 성장(SONFIS‑AR)을 비교하였다. SONFIS‑R에서는 뉴런 수를 무작위로 선택하고, 각 반복마다 최대 규칙 수를 4, 반복 횟수를 10으로 설정하였다. 결과적으로 RMSE는 30번째 반복에서 최소값을 기록했으며, 최적 크리프 입자는 9×1 형태의 SOM 구조였다. 퍼지 입자 단계에서는 각 입력 변수의 멤버십 함수가 실제 데이터 분포와 잘 일치함을 확인하였다. SONFIS‑AR에서는 α, β, γ 값을 조정해 뉴런 성장과 오류 감소의 상관관계를 탐색하였다. α=1.01, β=0.0001, γ=0.5 (규칙 수 2) 조건에서는 뉴런 수와 RMSE가 점진적으로 감소하는 안정적인 수렴 곡선을 보였다. 반면 α<1(예: α=0.9)인 경우 뉴런이 ‘죽은 상태(dead station)’에 빠져 오류가 급격히 상승하고, 퍼지 규칙의 해석 가능성이 저하되는 현상이 나타났다. 이는 SOM의 초기 가중치 선택과 뉴런 성장 제어가 모델 안정성에 핵심적인 역할을 함을 시사한다. 결론적으로, 정보 입자화와 SOM‑NFIS 연계는 복잡하고 불확실한 광업 공정 데이터를 효과적으로 압축하고, 해석 가능한 퍼지 규칙을 도출한다. 특히 ‘닫힌‑열린 반복’ 메커니즘은 모델이 데이터의 불완전성을 인식하고, 동적으로 구조를 재조정하도록 함으로써 과적합을 방지한다. 저자들은 이 방법이 수력 사이클론뿐 아니라 광업·환경·재료 분야의 다양한 비선형 시스템 모델링에 적용 가능하다고 주장한다. 향후 연구에서는 입자화 수준을 자동화하고, 실시간 제어 시스템에 통합하는 방안을 모색할 예정이다.