비선형 공정 시스템을 위한 모델 차수 축소: 최신 기법 비교와 적용

초록

본 논문은 고차 비선형 공정 모델을 실시간 최적화와 제어에 활용할 수 있도록 차수를 낮추는 모델 차수 축소(MOR) 기법들을 체계적으로 리뷰하고, 공정 분야에 특화된 방법들을 포함한 8가지 대표 기법을 공기 분리 공정에 적용해 성능을 비교한다. 입력을 고려한 비선형 매니폴드‑Galerkin 확장을 제안하고, 각 방법의 장·단점을 정리한다.

상세 분석

논문은 먼저 비선형 동적 시스템을 전통적인 ODE 형태와 지수형 DAEs 형태로 정의하고, 입력이 존재하는 비자율 시스템에 대한 차수 축소 문제를 수학적으로 정식화한다. 차수 축소 방법을 크게 침입형(intrusive)과 비침입형(non‑intrusive)으로 구분하고, 침입형 방법 안에서는 선형 부분공간 기반 POD‑Galerkin, 비선형 부분공간을 활용한 비선형 POD‑Galerkin, 매니폴드‑Galerkin, 그리고 입력을 포함한 매니폴드 학습(MFL‑ANN) 등을 상세히 설명한다. 특히 기존 매니폴드‑Galerkin이 입력을 무시한다는 한계를 지적하고, 입력을 매니폴드 학습 과정에 통합하는 확장 방안을 제시한다. 비침입형 방법으로는 동적 모드 분해(DMD, DMDc), Koopman 연산자 기반 선형화, 그리고 데이터 기반의 컴파트먼트 모델링과 모델 집계(aggregation) 기법을 논의한다. 각 기법은 차수 축소 과정에서 ‘투영 단계’와 ‘잔차화 단계’를 어떻게 구현하는지, 그리고 비선형성, 강직성(stiffness), 입력 의존성 등을 어떻게 다루는지를 비교한다.

비교 실험에서는 공기 분리 공정 모델을 대상으로 8가지 기법을 적용하고, 평균 제곱근 오차(RMSE), 상태 재구성 정확도, 그리고 모델의 안정성 및 적용 가능한 입력 범위를 평가한다. 결과는 선형 POD‑Galerkin이 빠른 계산 속도와 비교적 좋은 평균 정확도를 보였지만, 급격한 전이 현상에서는 오차가 크게 증가함을 보여준다. 비선형 POD‑Galerkin과 매니폴드‑Galerkin은 비선형 슬로우 매니폴드에 더 잘 적합돼 전이 구간에서도 안정적인 예측이 가능했으며, 특히 입력을 포함한 매니폴드 학습은 입력 변화에 대한 민감도를 크게 개선했다. DMDc와 Koopman 기반 방법은 선형화된 동적 모델을 제공하지만, 비선형성 보존에 한계가 있어 복잡한 반응 메커니즘을 충분히 포착하지 못한다. 컴파트먼트 모델링과 모델 집계는 물리적 직관을 유지하면서도 차수를 크게 줄일 수 있지만, 매개변수 추정 과정에서 데이터 요구량이 많고, 특정 운전 조건에 대한 일반화가 어려운 점이 있다.

논문은 또한 하이퍼축소(hyper‑reduction) 단계는 다루지 않지만, 차수 축소만으로도 실시간 적용 가능성을 확보하려면 추가적인 연산량 감소 기법이 필요함을 강조한다. 최종적으로 각 방법의 강점(예: 선형 방법의 구현 용이성, 비선형 매니폴드의 정확도)과 약점(예: 입력 의존성 처리, 전이 구간 안정성, 데이터 요구량)을 정리하고, 공정 엔지니어가 목적에 맞는 MOR 기법을 선택할 수 있는 가이드라인을 제시한다.