AI for Process Engineering

AI 모델과 최적화 솔버를 활용한 RDS 촉매 반응기 최적 운전 온도 제안 

[연구 내용]

• 불순물 유입량, 누적 처리량, 운전 온도에 따른 불순물 제거량 예측을 위한 AI 모델 구축

• 불순물 요구 제거량을 만족하면서 에너지(연료)를 최소로 사용하는 운전 온도 제안

[연구 결과]

• 실제 공장 데이터를 활용하여 AI 모델 학습 및 검증, 정확도 90% 이상 달성

• RDS Feed 특성과 촉매 상태를 고려한 운전 조건 제안 및 에너지 소비량 10% 절감 효과

• 6개 촉매 반응기에 대하여 분기 별 1억원의 경제적 이득

• 실제 공정 운전자를 위한 GUI 구축하여 시연/실증 진행, 높은 만족도 달성

AI 머신러닝 인버전을 활용한 신제품 포뮬레이션 도출 솔루션 개발 

[연구 내용]

• 입력 및 출력의 관계를 학습하는 Variational Autoencoder 기반의 역설계 프레임워크 구축 

• Genetic Algorithm을 적용하여 목표 전환율에 도달하는 최적 조건 탐색

[연구 결과]

• ODE기반의 촉매 반응 데이터를 활용하여 AI모델 정확도 90% 이상 달성

• Genetic Algorithm 탐색 과정에서 이상탐지 기준을 적용하여 물리적 타당성 확보

• 촉매 및 재료 합성과 같은 Inverse design 문제에 적용 가능한 모델 확보

혼합 정수 비선형 계획법 및 AI 기술(XGBoost 등)을 이용한 전기차 배터리 열관리 

[연구 내용]

• 정수 변수를 포함하는 전기차 배터리 열관리 시스템의 현재 상태를 고려한 최적 모드 결정

• 모드 결정 시, 각 모드에서의 에너지 사용량 최적화 진행

[연구 결과]

• 현재 처리 가능한 최대 열교환량을 고려하여 보다 현실적인 배터리 냉각량 처리 가능

• 혼합 정수 비선형 계획법을 통해 외기온 등 현재 상태를 고려하여 보다 에너지 효율적인 모드 결정 가능

• 다양한 시뮬레이션에서의 결과를 바탕으로 머신러닝 기반 전기차 열관리 rule 도출