Intelligent Modeling and Analysis of Complex Chemical Process

Abstract

본 논문은 molten carbonate fuel cell (MCFC) 발전소, 제지공장, 석탁화력 보일러와 같이 복잡한 화학공정에 대한 모델링 및 분석을 내용으로 하고 있다. 1장에서는 전반적인 모델링 기법에 대해 서술하였다. 이 장에서는 화학공정에 적용되고 있는 모델링 기법인 first principle 모델과 데이터 기반 모델에 대해 대략적인 설명을 하였으며, 본 논문에서 다룰 데이터 기반 모델링의 대표적인 예인 PLS, ARMA, LSSVM, ANN 모델에 대해 소개하였다. 그리고 본 연구에서 다룰 화학 공정으로서 MCFC 발전소, 제지공장, 석탄화력 보일러의 3가지 공정에 대해 간단히 설명하고 현재 연구된 해당 공정의 모델링 방법에 대해 서술하였다. 2장에서는 기본 이론에 대해 설명하였다. 많은 모델링 방법들이 연구되어 있으며 2장에서는 그 중 회귀분석과 머신 러닝 기법 가운데 각각 2가지의 방법을 선택하였다. 먼저, 회귀분석법인 partial least-squares (PLS)와 auto-regressive moving average (ARMA) 방법을 소개하였으며 다음으로 머신 러닝 기법인 least-squares support vector machine (LSSVM) 과 artificial neural network (ANN) 방법을 소개하였다. 추가로 LSSVM 모델의 최적 파라미터를 찾기 위한 최적화 기법인 ant colony optimization에 대해 설명하였다. 3장에서는 먼저 MCFC 공정, 제지공정, 석탄화력발전소의 NOx 배출 공정에 대한 설명을 한 뒤 현재 연구된 각 공정의 first principle 모델을 간략히 설명하였다. 그 후 각 공정에 대해 2장에서 설명하였던 PLS, ARMA, LSSVM, ANN 방법을 이용하여 모델링을 실행하였다. 데이터 기반 모델은 여러 가정과 많은 변수들을 사용하지 않고도 입, 출력 변수의 데이터만으로 실행될 수 있다. 모델링은 MATLAB 프로그램을 사용하였다. MCFC 공정의 경우 MISO 공정으로서 사용된 훈련, 검증 데이터를 보인 뒤 모델링을 실행하였으며 ANN 모델이 가장 좋은 예측 결과를 보였다. 제지공정의 경우 MIMO 공정이며 입력 변수가 up-step, down-step으로 변하는 2가지 데이터를 준비하여 각각 공정 모델을 작성하였다. 2가지 경우 모두 basis weight는 ARMA 모델이 잘 예측하며, ash content와 moisture는 LSSVM 모델이 잘 예측하였다. NOx 배출 공정은 41개의 입력변수를 가지는 MISO 공정으로서, 모델의 성능을 향상시키기 위해 변수 선택과정과 principal component analysis (PCA)를 적용하였다. 그 결과 모든 입력변수를 사용하는 것에 비해 변수 선택과정을 거쳐 유효 입력변수만 사용한 경우 좋은 예측 결과를 보였으며, PCA를 적용하였을 때 더욱 모델 성능이 향상됨을 확인하였다. 4장에서는 본 연구의 결론과 앞으로의 과제에 대해 다루었다.; This dissertation is concerned with the intelligent modeling and analysis of complex chemical processes which are MCFC (molten carbonate fuel cell) plant, paper plant and coal-fired boiler. In chapter 1, general introductions to intelligence analysis and evaluation are described. This chapter give a rough overview of the chemical process modeling techniques and analyzer methods which have been studied recently. The first principle model and the data-driven model will be described. Further, the PLS, ARMA, LSSVM and ANN model which are representative the data-driven model will be introduced. The three processes of MCFC power plants, papermaking plant and coal-fired boilers are briefly described as the chemical processes to be addressed in this study and explain the modelling methods of those processes currently studied. In chapter 2, the basics theories of the intelligent modeling methods are explained. Many intelligent modeling methods are being studied. In chapter 2, two methods for regression analysis and machine learning are chosen. First of all, partial least-squares (PLS) and auto-regressive moving average (ARMA) method are introduced as regression analysis. Next, least-squares support vector machine (LSSVM) and artificial neural network (ANN) method are introduced as machine learning. In addition, an optimization technique for finding optimal parameter in the LSSVM model was described. In chapter3, first, MCFC, papermaking and NOx emission process were described and the currently studied first principle models of the each process were briefly described. And then the simulation models for the MCFC, papermaking and NOx emission process had been developed, based on the PLS, ARMA, LSSVM and ANN method in the chapter 2, using MATLAB program. In the case of MCFC process, MISO process, the modeling was performed after showing the training and validation data used. The result of model comparing show that the ANN model has the best estimation results. For the papermaking process, MIMO process, two data set are prepared in which the input variables changed to up-step and down-step, and a process model was prepared. In both cases, the basis weight is well predicted by the ARMA model, and the ash and moisture content are well predicted by the LSSVM model. The NOx emission process is a MISO process with 41 input variables, with parameter selection process and principal component analysis (PCA) applied to improve the performance of the process models. As a result, it was confirmed that the use of only the valid input variables through the parameter selection process show better estimation results than the use of all the input variables. When the PCA is applied, the performance of the model improved further. In chapter 4, the conclusions of the present study and the directions for future works are presented.