제1원리 모델과 신경망을 결합한 하이브리드 모델링으로 파일럿 배치 증류를 최적화하는 방법: 실무 가이드

하이브리드 모델링은 간소화된 동적 증류탑 모델과 해당 모델의 체계적 오차를 학습하는 신경망을 함께 적용합니다. 제1원리 구성 요소는 물질 수지, 에너지 수지, 홀드업 동역학 및 기액 평형을 설명하며, 신경망은 변화하는 트레이 효율, 열 손실, 비이상적 기액 평형(VLE)과 같이 다루기 어려운 효과를 나타냅니다. 결과적으로 생성된 모델은 증류탑의 거동을 충분히 빠르게 예측하여 제품 순도 및 회수율 제약을 준수하면서 시간 가변적인 환류 또는 열 입력 정책을 최적화할 수 있습니다.

실용적인 하이브리드 모델은 파일럿 증류탑의 물리적 구조를 유지해야 하며, 동적 불일치를 보정하기 위해 신경망을 선택적으로 사용해야 합니다. 이러한 결합은 제1원리 모델링의 해석 가능성과 제약 조건 처리 능력을 잃지 않으면서 최적화에 필요한 속도를 제공합니다.

배치 증류에서 하이브리드 모델링이 유용한 이유

운영상의 문제

배치 증류는 본질적으로 동적입니다. 리보일러 조성, 액체 홀드업, 증기 유량 및 유출물 조성이 배치 전체에 걸쳐 변화합니다.

따라서 고정된 환류비는 최적인 경우가 거의 없습니다. 동적 최적화는 제품 사양을 충족하면서 배치 시간을 최소화하거나, 유출물을 최대화하거나, 경제적 생산성을 향상시키는 시간 가변적 정책을 모색합니다.

순수 물리 모델의 한계

엄격한 제1원리 모델은 각 단계, 리보일러, 응축기 및 어큐뮬레이터에 대한 동적 물질 및 에너지 수지를 포함할 수 있습니다. 또한 대수적 평형 관계를 포함하여 미분-대수 방정식 시스템을 생성할 수 있습니다.

그러나 파일럿 규모의 거동은 정확하게 표현하기 어려운 경우가 많습니다. 일정한 상대 휘발성, 증기 유량, 트레이 효율 또는 열 손실에 대한 단순화된 가정은 특히 비이상적 혼합물이나 공비 혼합물의 경우 공정-모델 불일치를 야기할 수 있습니다.

순수 신경망의 한계

신경망은 증류탑 동역학을 빠르게 근사할 수 있지만, 제약이 없는 신경망은 물리적으로 불가능한 예측을 생성할 수 있습니다.

예를 들어, 음수의 홀드업, 유효 범위를 벗어난 조성 또는 성분 수지를 위반하는 거동을 예측할 수 있습니다. 또한 운영 조건이 학습 데이터와 다를 경우 성능이 저하될 수 있습니다.

하이브리드 모델 구축 방법

동적 물리 모델로 시작하기

기본 모델은 다음과 같은 방정식을 통해 지배적인 공정 구조를 나타내야 합니다.

성분 및 전체 물질 수지
리보일러 및 트레이 액체 홀드업 동역학
에너지 수지 및 열 입력
기액 평형 관계
응축기, 환류 및 유출물 수지
운영 및 장비 제약

모델이 초기부터 모든 공장 세부 사항을 포착할 필요는 없습니다. 그 역할은 물리적으로 의미 있는 상태 전환을 제공하고 신경망이 학습해야 할 잔여 거동을 노출하는 것입니다.

신경망을 보정 도구로 사용하기

신경망은 측정된 파일럿 플랜트 거동과 물리 모델의 예측치 사이의 차이를 예측하도록 학습될 수 있습니다.

공정 출력(y)에 대해 하이브리드 예측은 개념적으로 다음과 같이 표현할 수 있습니다.

[ \hat{y}{hybrid} = \hat{y}{physical} + \hat{y}_{NN,residual} ]

보정은 유출물 조성, 누적 유출물 조성, 유출물 수율, 홀드업 또는 기타 측정된 동적 변수를 대상으로 할 수 있습니다.

이 잔여 학습 구조는 신경망이 데이터로부터 전체 증류 과정을 처음부터 다시 발견하도록 요구하는 대신, 모델링되지 않은 효과에 집중하도록 합니다.

동적 입력 및 출력 선택

유용한 신경망 입력에는 현재 시간, 초기 홀드업 및 조성, 환류비 또는 리보일 비율, 유출물 속도, 바닥 제품 속도 및 관련 물리 모델 상태가 포함됩니다.

신경망은 유출물 조성, 유출물 홀드업, 리보일러 홀드업 및 리보일러 조성을 포함하여 최적화에 직접적인 영향을 미치는 과도 변수를 예측해야 합니다. 리보일러 조성 예측 오류는 전체 배치 궤적에 영향을 줄 수 있으므로 특히 주의가 필요합니다.

파일럿 플랜트 데이터로 학습하기

학습 데이터는 다양한 환류 정책, 운영 기간, 초기 조성 및 관련 열 입력 조건을 포괄해야 합니다.

입력과 출력은 학습 전에 일관되게 스케일링되어야 합니다. 일부 파일럿 응용 분야에서는 은닉층이 있는 순방향 신경망으로 충분할 수 있으며, 역전파, 모멘텀, 적응형 학습률 및 엄격한 종료 기준을 사용하여 수렴을 개선합니다.

모델을 동적 최적화와 통합하는 방법

결정 변수 정의

주요 결정 변수는 일반적으로 환류비 궤적(R(t))입니다. 파일럿 장치가 지원하는 경우 열 입력, 리보일 비율, 용매 공급, 전환 시간 또는 수집 기간 등도 최적화될 수 있습니다.

실제 구현에서는 궤적을 구간별 상수 또는 구간별 매끄러운 간격으로 나타내는 경우가 많습니다. 이는 각 구간 값이 최적화 변수가 되는 제어 벡터 매개변수화(Control Vector Parameterisation)와 호환됩니다.

목표 정의

최적화 목표는 실제 운영 목표를 반영해야 합니다.

최소 시간 공식은 지정된 순도 및 회수율 목표에 도달하는 데 필요한 시간을 최소화합니다. 최대 유출물 공식은 고정된 기간 내에 수집된 정제된 제품을 최대화하며, 생산성 또는 수익 공식은 제품 가치와 유틸리티 및 주기 비용 사이의 균형을 맞춥니다.

공정 제약 조건 준수

최적화 도구는 다음과 같은 제약 조건을 준수해야 합니다.

제품 순도 및 회수율
최대 및 최소 환류비
리보일러 또는 응축기 용량
온도 및 압력 제한
가용 배치 기간
실현 가능한 홀드업 및 조성 값
장비별 운영 제한

물리 모델은 수지와 엄격한 제약 조건을 공식화하는 투명한 방법을 제공하므로 이 단계에서 특히 가치가 있습니다.

최적화 문제 해결

하이브리드 모델은 동적 최적화 루프에 내장됩니다. 각 후보 환류 정책에 대해 증류탑 궤적을 예측하고 목표와 제약 조건을 계산한 다음, 이 정보를 비선형 프로그래밍 솔버에 반환합니다.

빠른 대리 보정을 사용하면 증류탑을 반복적으로 시뮬레이션하는 계산 비용이 줄어듭니다. 이를 통해 파일럿 플랜트 실험이나 실시간 의사 결정 지원을 위한 운영 정책을 계산하는 것이 더 실용적입니다.

배치 기간별 다른 목표 사용

배치 캠페인은 서로 다른 목표를 가진 운영 기간으로 나눌 수 있습니다.

초기 유출물 수집은 수율과 수집 시간이 성능에 직접적인 영향을 미치므로 최대 생산성 문제로 처리될 수 있습니다. 이후의 분리 기간은 목표 순도나 용매 재활용 사양이 고정된 경우 최소 시간 문제로 처리될 수 있습니다.

파일럿 증류탑에 접근 방식 적용하기

실험적 실행에 대한 보정

제어된 파일럿 실행에서 동적 측정을 수집하는 것으로 시작하십시오. 여기에는 환류, 조성, 홀드업 및 유출물 속도의 변화를 포착하기에 충분한 시간 해상도의 운영 입력 및 출력이 포함되어야 합니다.

먼저 알려진 장비 및 열역학 정보를 사용하여 물리 모델을 보정하십시오. 그런 다음 신경망이 실험 데이터에서 남은 잔차를 학습하도록 합니다.

최적화 전 검증

검증은 신경망 학습에 포함되지 않은 운영 궤적을 사용해야 합니다.

하이브리드 모델을 결정론적 모델 및 측정된 파일럿 데이터와 비교하십시오. 유출물 순도뿐만 아니라 리보일러 조성, 홀드업, 회수율 및 중요한 전환 시점도 확인하십시오.

최적화된 정책 검증

최적화된 궤적은 먼저 시뮬레이션에서 테스트한 다음 엄격한 모델 또는 물리적 파일럿 실행과 비교해야 합니다.

이 단계는 예측 오류 하에서는 최적으로 보이지만 실제 증류탑에서는 순도, 회수율 또는 장비 제약을 위반할 수 있기 때문에 필수적입니다.

보수적인 정책 구현

파일럿 구현에는 측정된 온도, 조성, 압력 및 유량에 대한 범위, 속도 제한 및 모니터링 로직이 포함되어야 합니다.

신경망은 운영 정책을 지원해야 하며 기본적인 안전 및 타당성 검사를 무시해서는 안 됩니다. 측정값이 예측값과 크게 다를 경우 정책을 재평가하거나 검증된 대체 전략으로 돌아가야 합니다.

트레이드오프 이해하기

정확도는 학습 영역에 따라 다름

하이브리드 모델은 학습 데이터가 나타내는 조건 범위 내에서만 신뢰할 수 있습니다.

좁은 범위의 환류 일정으로 학습된 신경망은 다른 초기 조성, 열 입력 또는 운영 제약 조건에 노출될 때 실패할 수 있습니다. 따라서 실험 설계는 최적화가 수행될 영역을 포괄해야 합니다.

속도는 투명성을 감소시킬 수 있음

제1원리 모델은 증류탑이 왜 그렇게 거동하는지 설명하지만, 신경망 보정은 해석하기가 덜 명확합니다.

이 때문에 잔차 진단이 중요합니다. 크거나 구조화된 잔차는 누락된 물리적 효과, 잘못된 측정 또는 모델의 유효 범위를 벗어난 운영을 나타낼 수 있습니다.

예측 오류는 최적값을 왜곡할 수 있음

작은 궤적 오류는 특히 순도나 회수율 제약 근처에서 최적화된 정책에 큰 영향을 미칠 수 있습니다.

리보일러 조성 오류는 후속 기액 거동과 향후 유출물 조성에 영향을 미치기 때문에 특히 중요합니다. 학습 및 검증은 타당성을 제어하는 변수에 대해 충분히 엄격한 오류 허용 오차를 적용해야 합니다.

단순화는 여전히 주의가 필요함

단순화된 모델은 계산 효율성을 향상시킬 수 있지만, 일정한 휘발성이나 일정한 증기 유량과 같은 가정은 강한 비이상적 혼합물에는 부적절할 수 있습니다.

신경망은 가용 데이터가 해당 보정을 지원할 때만 알려진 불일치를 수정해야 합니다. 근본적인 열역학적 또는 장비 모델의 결함을 숨기는 데 사용되어서는 안 됩니다.

최적화는 모델 오류를 악용할 수 있음

최적화 도구는 모델에 따라 최상의 결과를 공격적으로 찾습니다. 하이브리드 모델에 오류가 포함되어 있으면 최적화 도구는 해당 오류가 가장 유리한 영역에서 의도적으로 작동하는 정책을 선택할 수 있습니다.

따라서 강력한 검증, 운영 범위 및 주기적인 재학습은 선택 사항이 아닌 방법론의 일부입니다.

목표에 맞는 올바른 선택

구현은 파일럿 플랜트의 측정값, 가용 컴퓨팅 자원 및 운영 목표와 일치해야 합니다.

주요 초점이 최소 배치 시간인 경우: 하이브리드 모델을 사용하여 최종 수집 지점에서 순도 및 회수율 제약을 준수하면서 경계가 지정된 시간 가변적 환류 궤적을 최적화하십시오.
주요 초점이 최대 정제 유출물인 경우: 조성 및 장비 용량을 제한하면서 허용 가능한 유출물 수율을 최대화하는 고정 기간 최적화를 공식화하십시오.
주요 초점이 실시간 최적화인 경우: 빠른 평가, 검증된 운영 범위 및 도메인 외부 조건을 위한 대체 정책을 갖춘 소형 잔차 신경망을 선호하십시오.
주요 초점이 모델 충실도인 경우: 측정된 파일럿 궤적의 잔차에 대해 신경망을 학습시키고 조성, 홀드업, 회수율 및 배치 시간 오류를 별도로 평가하십시오.
주요 초점이 교육 또는 연구 검증인 경우: 하이브리드 모델을 사용하여 고정 및 동적 환류 정책을 비교한 다음, 결정론적 시뮬레이션 및 파일럿 실험을 통해 예측된 최적값을 검증하십시오.

잘 설계된 하이브리드 모델은 배치 증류를 실현 가능하게 만드는 제약 조건을 희생하지 않으면서 물리적 이해와 파일럿 데이터를 더 빠르고 안정적인 동적 최적화로 전환합니다.

요약 표:

구성 요소	동적 최적화에서의 역할
제1원리 모델	물질 및 에너지 수지, 홀드업, 기액 평형 및 장비 제약 표현
신경망	트레이 비효율성, 열 손실 및 비이상적 VLE와 같은 효과의 잔여 오차 학습
결정 변수	시간 가변적 환류, 열 입력, 리보일 비율, 전환 시간 또는 수집 기간
최적화 목표	배치 시간 최소화, 정제 유출물 최대화 또는 생산성 및 수익 향상
주요 제약 조건	제품 순도, 회수율, 환류 제한, 용량, 온도, 압력, 홀드업 및 조성
검증 요구 사항	예측치를 보지 못한 파일럿 데이터, 엄격한 시뮬레이션 및 물리적 파일럿 실행과 비교
구현 안전 장치	운영 범위, 속도 제한, 모니터링, 대체 정책 및 주기적인 재학습 적용

파일럿 규모의 증류 또는 공정 최적화 프로젝트를 계획 중이신가요? 화학 공학, 바이오 공정 및 생명 공학, 환경 및 수처리 응용 분야를 위한 교육 및 직업 단위 조작 파일럿 플랜트에 대해 논의하려면 LABPARK에 문의하십시오. LABPARK는 대학, 연구 기관 및 기업이 교육, 연구, 공정 검증 및 운영자 교육을 위한 실용적인 파일럿 시스템을 구축하도록 돕습니다. 당사의 솔루션은 신뢰할 수 있는 장비와 응용 분야 중심의 지침을 통해 동적 모델링, 환류 정책 실험, 제품 순도 연구 및 하이브리드 모델 검증을 지원할 수 있습니다.