연속 결정화 공정의 모델 예측 제어: 고급 모델·서베이와 실시간 구현 로드맵

초록

본 튜토리얼은 연속 결정화 공정에서 입자 크기 분포(PSD)를 정밀하게 제어하기 위해, 인구 균형 방정식(PBE) 기반 고충실도 모델과 데이터‑드리븐 서러게이트 모델을 결합한 모델 예측 제어(MPC) 프레임워크를 제시한다. 두 가지 사례 연구(잘 혼합된 MSMPR 시스템과 공간적으로 분포된 플러그‑플로우 결정기)를 통해 서러게이트 기반 MPC가 실시간 최적화를 가능하게 하면서도 PSD의 중앙값(d₅₀)·폭(d₉₀‑d₁₀) 등을 정확히 제어함을 입증한다.

상세 분석

이 논문은 연속 결정화 공정의 제어 난제를 세 단계로 구조화한다. 첫째, 입자 성장·핵생성·응집·파괴 등 복합 현상을 기술하는 PBE를 고해상도 수치법(고해상도 유한볼륨, 정규화된 직교 콜로케이션 등)으로 풀어 상세한 PSD 동역학을 얻는다. 둘째, 이러한 고충실도 모델은 PDE 형태와 다중 차원(입자 크기·공간·시간) 때문에 실시간 최적화에 부적합하므로, 대규모 시뮬레이션 데이터를 활용해 인공신경망(ANN), 자동인코더, 가우시안 프로세스 회귀(GPR) 등 데이터‑기반 서러게이트를 학습한다. 서러게이트는 입력(유량, 온도, 용해도 등)과 출력(PSD 통계량, 물질 수지) 사이의 비선형 매핑을 저차원 형태로 근사하면서도 미분 가능성을 유지해 MPC 내부에서 직접 활용할 수 있다. 셋째, 학습된 서러게이트를 기반으로 제한조건(예: 최대 입자 크기, 농도 제한)과 다중 목표(d₅₀ 유지, 폭 최소화)를 포함한 비선형 최적화 문제를 설정하고, 순차적 이차계획법(SQP) 혹은 실시간 최적화(RTO) 알고리즘으로 해결한다.

두 사례 연구는 접근법의 일반성을 검증한다. 첫 번째는 전통적인 MSMPR(Well‑mixed) 시스템으로, 서러게이트 없이도 기존 모멘트 기반 MPC와 직접 비교가 가능해 정확도·연산 속도 향상을 정량화한다. 두 번째는 플러그‑플로우 결정기처럼 축방향으로 온도·농도 구배가 존재하는 공간 분포 모델을 다루며, PBE를 1‑D 공간·1‑D 크기 차원으로 풀고, 이를 서러게이트에 학습시켜 실시간 제어가 가능한지 시험한다. 결과는 서러게이트 기반 MPC가 10 ms 이하의 계산 시간으로 목표 PSD를 유지하면서도 시스템 변동(유량 급변, 온도 교란)에 강인함을 보여준다.

또한 논문은 서러게이트 모델링 단계에서 불확실성 정량화(베이지안 신경망, 앙상블)와 모델 견고성(Robust MPC) 방안을 제시한다. 이는 실제 공정에서 센서 노이즈·모델 편차가 발생할 때 제어 성능 저하를 최소화한다. 마지막으로, 오픈소스 코드(GitHub)와 인터랙티브 대시보드(Streamlit)를 제공해 연구자·실무자가 바로 재현·확장할 수 있도록 지원한다.

핵심 인사이트는 다음과 같다. (1) 고충실도 PBE‑기반 모델은 제어 설계의 ‘진실된’ 기반이지만 직접 사용은 비현실적이다. (2) 데이터‑기반 서러게이트는 복잡한 물리 모델을 실시간 최적화에 적합한 형태로 압축한다. (3) 서러게이트와 MPC를 결합하면 PSD 전체를 목표로 하는 다중 목표 제어가 가능해, 기존 모멘트 기반 방법이 놓치던 미세한 분포 변화를 잡아낼 수 있다. (4) 공간 분포가 있는 연속 결정기에도 동일한 워크플로우를 적용할 수 있음을 실증하였다. (5) 오픈소스와 교육용 자료 제공은 분야 전반의 접근성을 크게 높인다.