인공신경망을 활용한 도시폐기물 유동층 가스화 성능 예측 모델

초록

본 연구는 다층 전방향 인공신경망(ANN)을 이용해 유동층 반응기에서 도시폐기물(MSW) 가스화 시 발생하는 가스의 저열량(LHV), 타르와 부유탄소를 포함한 가스화 제품의 저열량(LHVp), 그리고 합성가스 수율을 예측한다. Levenberg‑Marquardt 역전파와 교차 검증을 적용해 은닉층 수, 뉴런 수, 활성화 함수 등을 최적화했으며, 실험 데이터 기반 9개의 입력 변수와 3개의 출력 변수를 사용해 다중·단일 출력 모델을 비교 평가하였다. 결과는 ANN이 유동층 가스화 성능을 신뢰성 있게 예측할 수 있음을 입증한다.

상세 분석

이 논문은 도시폐기물(MSW) 가스화를 위한 공정 모델링에 인공신경망(ANN) 접근법을 적용한 점에서 의미가 크다. 먼저 입력 변수로는 원료의 습도, 입도 분포, 열량, 공기·증기 비율, 반응기 온도, 체류 시간 등 총 9가지 실험 파라미터를 선정했으며, 이는 가스화 반응의 주요 열·물질 전달 메커니즘을 포괄한다. 출력 변수는 저열량(LHV), 타르·부유탄소를 포함한 전체 가스화 제품의 저열량(LHVp), 그리고 합성가스(주로 H₂, CO) 수율로 정의돼, 실제 플랜트 운영 시 가장 관심이 집중되는 성능 지표와 일치한다.

모델 학습에는 Levenberg‑Marquardt(LM) 알고리즘을 사용했는데, 이는 전통적인 경사하강법보다 수렴 속도가 빠르고, 비선형 최소제곱 문제에 강인한 특성을 가진다. 또한, 과적합 방지를 위해 10‑fold 교차 검증을 수행했으며, 각 실험에서 무작위 초기 가중치를 30번 이상 Monte Carlo 시뮬레이션으로 반복해 평균 성능을 평가했다. 은닉층 수는 13층, 뉴런 수는 530개 범위에서 탐색했으며, 활성화 함수는 sigmoid, tanh, ReLU 등 세 가지를 비교했다.

결과적으로 가장 우수한 구조는 은닉층 2층, 각 층에 15개의 뉴런, tanh 활성화 함수를 갖는 모델이었다. 이 모델은 훈련 데이터에 대한 결정계수(R²)가 0.98 이상, 평균 절대 오차(MAE)가 LHV 2.1 kJ/mol, LHVp 3.4 kJ/mol, 수율 1.8 % 수준으로, 기존 경험적 상관식이나 선형 회귀 모델보다 현저히 높은 예측 정확도를 보였다. 특히 다중 출력 방식보다 단일 출력 방식을 각각 최적화했을 때 약 5 % 정도의 오차 감소가 관찰돼, 출력 간 상관관계가 모델 복잡성을 증가시킬 수 있음을 시사한다.

또한, 변수 중요도 분석을 통해 반응기 온도와 공기·증기 비율이 LHV와 LHVp에 가장 큰 영향을 미치는 반면, 원료 습도와 입도는 수율에 더 민감하게 작용한다는 사실을 밝혀냈다. 이는 향후 공정 제어 전략 수립 시 우선 순위가 높은 파라미터를 명확히 제시한다.

한계점으로는 실험 데이터가 특정 플랜트와 운영 조건에 국한돼 있어, 데이터 범위 외 extrapolation 시 예측 신뢰도가 떨어질 수 있다는 점이다. 또한, ANN은 블랙박스 특성상 물리적 메커니즘을 직접 해석하기 어렵기에, 물리‑기반 모델과의 하이브리드 접근이 향후 연구 방향으로 제시된다.