KR101254978B1 - 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기 - Google Patents

모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기 Download PDF

Info

Publication number
KR101254978B1
KR101254978B1 KR1020110046647A KR20110046647A KR101254978B1 KR 101254978 B1 KR101254978 B1 KR 101254978B1 KR 1020110046647 A KR1020110046647 A KR 1020110046647A KR 20110046647 A KR20110046647 A KR 20110046647A KR 101254978 B1 KR101254978 B1 KR 101254978B1
Authority
KR
South Korea
Prior art keywords
reaction product
model
concentration
carbon dioxide
ions
Prior art date
Application number
KR1020110046647A
Other languages
English (en)
Other versions
KR20120128787A (ko
Inventor
안치규
김제영
한건우
이창훈
박종문
장용수
김유리
Original Assignee
재단법인 포항산업과학연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인 포항산업과학연구원 filed Critical 재단법인 포항산업과학연구원
Priority to KR1020110046647A priority Critical patent/KR101254978B1/ko
Publication of KR20120128787A publication Critical patent/KR20120128787A/ko
Application granted granted Critical
Publication of KR101254978B1 publication Critical patent/KR101254978B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
    • B01D53/34—Chemical or biological purification of waste gases
    • B01D53/46—Removing components of defined structure
    • B01D53/62—Carbon oxides
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J10/00—Chemical processes in general for reacting liquid with gaseous media other than in the presence of solid particles, or apparatus specially adapted therefor
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02C—CAPTURE, STORAGE, SEQUESTRATION OR DISPOSAL OF GREENHOUSE GASES [GHG]
    • Y02C20/00—Capture or disposal of greenhouse gases
    • Y02C20/40—Capture or disposal of greenhouse gases of CO2

Landscapes

  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Engineering & Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Analytical Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)

Abstract

모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기가 제공된다. 포집 반응기는, 암모니아 수용액이 채워진 교반조와, 교반조로 유입되는 이산화탄소를 암모니아 수용액과 교반하는 교반기와, 이산화탄소 포집 공정 동안 교반된 암모니아 수용액로부터 측정될 수 있는 상태변수를 제공하는 센서부와, 이산화탄소 포집 공정 동안 상태변수에 의해 얻어지는 반응생성물의 농도를 예측하기 위한 모델식을 구성하고, 구성된 모델식을 통하여 상태변수의 변화에 따른 반응생성물의 농도를 예측하는 예측 수단을 포함하며, 반응생성물은, 수소이온, 수산화이온, 중탄산이온, 탄산이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온 중에서 어느 하나를 포함할 수 있다.

Description

모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기{METHOD FOR PREDICTING DENSITY OF REACTION PRODUCT USING MODEL EQUATION DURING CARBON DIOXIDE CAPTURE PROCESS AND COLLECTOR-REACTOR USING THEROF}
본 발명은 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기에 관한 것으로, 특히 온라인상에서 이산화탄소 포집공정을 통해 얻어지는 반응생성물의 농도를 예측하기 위한 것이다.
대기중 이산화탄소의 농도는 산업화에 따른 화석연료의 사용으로 급격히 증가하고 있으며, 이산화탄소의 발생량 감축을 위해 교토 의정서가 발효되었고 다양한 이산화탄소 포집 및 저장에 관한 기술을 개발하고 있다.
이러한 이산화탄소의 포집 중 가장 상용화에 근접한 공정은 아민계열의 흡수제를 이용한 흡수법이 있다. 그러나, 아민을 이용한 흡수법은 대상 가스 중에 포함된 산성가스에 의해 안정한 상태의 염이 형성되고, 흡수과정에서 사용된 아민을 재생하기 위해 높은 에너지가 소요되며, 약품의 단가가 비싼 단점이 있다.
이에, 최근에는 아민계 흡수제를 대체하기 위해 암모니아수를 이용한 이산화탄소 포집기술이 주목받고 있다. 암모니아는 화학적으로 안정하여 산성가스 등에 의해 분해되지 않으며, 높은 이산화탄소 흡수능을 갖는다.
또한, 약품비용이 비교적 낮고, 재생에 필요한 에너지가 아민계 흡수제에 비해 낮다는 등의 다양한 장점을 갖는다.
암모니아수를 이용한 이산화탄소 포집공정은 크게 이산화탄소를 흡수하는 공정과 흡수된 이산화탄소 및 암모니아를 회수 및 재생하는 공정으로 분류된다. 이산화탄소 흡수과정에서 암모늄 염 및 암모늄 이온이 형성되며, 형성된 암모늄 염 및 암모늄 이온은 재생과정에서 이산화탄소와 암모니아로 각각 회수될 수 있다.
이들 암모늄염 이온의 조성 분포는 암모니아수를 이용한 이산화탄소의 포집 공정에서 소요되는 재생열을 결정하는데 아주 중요한 운전인자이다. 그러나, 암모늄염 이온의 조성 분포를 분석하기 위한 방법은 고가의 장비를 이용한 기기 분석법이 대부분이며, 특히 온라인상에서 실시간으로 얻어지는 암모늄염 이온과 같은 반응생성물의 농도를 예측하는 방법에 관한 연구는 미흡한 실정이다.
본 발명의 일 측면은 온라인상에서 실시간 모니터링을 통하여 이산화탄소 포집공정을 통해 측정되는 상태변수가 누락되는 일없이 반응생성물의 농도를 예측하는 방법 및 포집 반응기를 제공하는 것을 목적으로 한다.
본 발명의 제1 실시 형태에 의하면, 암모니아 수용액이 채워진 교반조;
상기 교반조로 유입되는 이산화탄소를 상기 암모니아 수용액과 교반하는 교반기;
이산화탄소 포집 공정 동안 상기 교반된 암모니아 수용액로부터 측정될 수 있는 상태변수를 제공하는 센서부; 및
상기 이산화탄소 포집 공정 동안 상기 상태변수에 의해 얻어지는 반응생성물의 농도를 예측하기 위한 모델식을 구성하고, 상기 구성된 모델식을 통하여 상기 상태변수의 변화에 따른 반응생성물의 농도를 예측하는 예측 수단을 포함하며,
상기 반응생성물은, 수소이온, 수산화이온, 중탄산이온, 탄산이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온 중에서 어느 하나인 것을 특징으로 하는 포집 반응기를 제공한다.
삭제
삭제
삭제
또한, 상기 모델식은, 열역학적 모델, 회귀분석 모델, 통계학적 모델 및 상기 열역학적 모델과 상기 회귀분석 모델 및 상기 통계학적 모델을 조합한 모델 중에서 적어도 하나에 기초하며,
상기 회귀분석모델은, 다중회귀분석법, 주성분회귀분석법, 부분최소자승법, 신경회로망-부분최소자승법, 커널-부분최소자승법 및 LS-SVM(Least Square Support Vector Machine) 중에서 적어도 하나를 이용한 모델일 수 있다.
또한, 상기 열역학적 모델은, Pitzer식 또는 NRTL 식을 포함할 수 있다.
또한, 상기 예측 수단은, 실시간으로 수집되는 상기 변동변수를 상기 통계학적 모델을 이용하여 상기 열역학적 모델에 적용 가능한 데이터로 변환하고, 상기 변환된 데이터를 상기 열역학적 모델의 입력 데이터로 적용하여 상기 반응생성물의 농도를 예측할 수 있다.
또한, 상기 예측 수단은, 실시간으로 수집되는 상기 변동변수를 상기 통계학적 모델의 입력 데이터로 직접 적용하여 상기 반응생성물의 농도를 예측할 수 있다.
본 발명의 제2 실시 형태에 의하면,
이산화탄소 포집공정을 통해 측정되는 상태변수를 변동변수로 설정하는 단계;
상기 이산화탄소 포집공정을 통해 상기 변동변수에 의해 얻어지는 반응생성물의 농도를 목표변수로 설정하는 단계;
상기 목표변수를 예측하기 위해 모델식을 구성하는 단계; 및
상기 구성된 모델식을 통하여 상기 변동변수의 변화에 따른 반응생성물의 농도를 예측하는 단계;를 포함하며,
상기 반응생성물은, 수소이온, 수산화이온, 중탄산이온, 탄산이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온 중에서 어느 하나인 이산화탄소 포집공정의 반응생성물 농도 예측방법을 제공한다.
삭제
삭제
삭제
한편, 상태변수는 이산화탄소가 흡수된 암모니아수의 pH, 온도, 전기전도도 및 이산화탄소 농도 중에서 적어도 하나를 예시하고 있으나, 반드시 이에 한정되는 것은 아니며 실시간 또는 온라인으로 측정 가능한 어떠한 형태의 상태변수라도 포함할 수 있다.
또한, 상기 모델식은, 열역학적 모델, 회귀분석 모델, 통계학적 모델 및 상기 열역학적 모델과 상기 회귀분석 모델 및 상기 통계학적 모델을 조합한 모델 중에서 적어도 하나에 기초하며,
상기 회귀분석모델은, 다중회귀분석법, 주성분회귀분석법, 부분최소자승법, 신경회로망-부분최소자승법, 커널-부분최소자승법 및 LS-SVM(Least Square Support Vector Machine) 중에서 적어도 하나를 이용한 모델일 수 있다.
또한, 상기 열역학적 모델은, Pitzer식 또는 NRTL 식을 포함할 수 있다.
또한, 상기 반응생성물의 농도를 예측하는 단계는, 실시간으로 수집되는 상기 변동변수를 상기 통계학적 모델을 이용하여 상기 열역학적 모델에 적용 가능한 데이터로 변환하는 단계; 및 상기 변환된 데이터를 상기 열역학적 모델의 입력 데이터로 적용하여 상기 반응생성물의 농도를 예측하는 단계;를 포함할 수 있다.
또한, 상기 반응생성물의 농도를 예측하는 단계는, 실시간으로 수집되는 상기 변동변수를 상기 통계학적 모델의 입력 데이터로 직접 적용하여 상기 반응생성물의 농도를 예측하는 단계;를 포함할 수 있다.
본 발명의 일 측면에 따르면, 실험자나 관련업무 종사자들이 경험적인 방법이나 이론적인 방법에 의존하여 어려움을 겪었던 이산화탄소 포집공정에서 얻어지는 목표변수인 반응생성물의 참값 또는 정확한 예측치의 신속한 습득이 가능하다.
본 발명의 다른 측면에 따르면, 온라인상에서 다양한 모델식을 통하여 최적의 모델식을 찾아내어 이산화탄소 포집공정의 최적화에 적용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 이산화탄소 흡수 및 재생을 위한 이산화탄소 포집반응기의 구성도이다.
도 2는 본 발명의 다양한 회귀분석모델을 통하여 흡수공정 및 재생공정에서 얻어지는 반응생성물의 농도 측정결과 및 예측결과이다.
도 3은 본 발명의 일 실시예에 따른 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법의 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 반응생성물의 농도를 예측하는 다양한 방법들을 도시한 것이다.
도 5a 내지 도 5c는 본 발명의 일 실시예에 따라 예측된 반응생성물의 농도와 실측된 반응생성물의 농도를 도시한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시형태를 설명한다. 그러나, 본 발명의 실시형태는 여러 가지의 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시형태로만 한정되는 것은 아니다. 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있으며, 도면상의 동일한 부호로 표시되는 요소는 동일한 요소이다.
도 1은 본 발명의 이산화탄소 흡수 및 재생을 위한 이산화탄소 포집반응기의 구성도이다. 도 1을 참조하면, 암모니아가 채워져 있는 교반조(10)에 질소(N2)와 이산화탄소(CO2)가 유입되면 교반조(10) 하부의 자석교반기(900)에 의해 교반되고, 질소(N2)와 이산화탄소(CO2)가 흡수된 암모니아 수용액은 pH 센서(400) 및 온도센서(500)에 의해 각각 pH 및 온도가 측정된다. 자석교반기(900)는 흡수공정에서 흡수효율을 높이기 위한 것인데, 재생공정에서는 재생효율을 높이기 위해 히팅 멘틀(heating mentle)(미도시)에 의해 열을 공급한다.
또한, 교반조(10)의 질소(N2)와 이산화탄소(CO2)가 흡수된 암모니아는 펌프(600)에 의해 흡수탑(300) 상부로 보내어지고, 이 과정에서 전기전도도 센서(700)에 의해 전기전도도가 측정된다.
또한, 흡수탑(300)으로 보내진 암모니아는 응축기(200)에서 응축되어 이산화탄소 농도 검출기(100)로 보내어져 이산화탄소의 농도가 분석되고, 응축기(200)에서 응축된 암모니아는 순환기(800)에 의해 응축기(200) 하부로 보내어진다.
예측수단(1000)은 온라인상에서 이산화탄소 포집공정을 통해 pH 센서(400), 온도센서(500), 전기전도도 센서(700), 이산화탄소 농도 검출기(100)로부터 각각 검출된 pH, 온도, 전기전도도, 이산화탄소 농도에 관한 데이터를 수신한다. 그리고, 연산수단(1000)은 상태변수인 암모니아수의 pH, 온도, 전기전도도, 이산화탄소 농도를 변동변수로 설정하고, 변동변수에 의해 얻어지는 반응생성물의 농도를 목표변수로 설정한다. 반응생성물은 수소이온, 수산화이온, 중탄산이온, 탄산이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온 중에서 어느 하나일 수 있다.
또한, 예측수단(1000)은 목표변수를 예측하기 위해 모델식을 구성하고, 구성된 모델식을 통해 변동변수의 변화에 따른 반응생성물의 농도를 예측한다.
도 2는 본 발명의 다양한 회귀분석모델을 통하여 흡수공정 및 재생공정에서 얻어지는 반응생성물(카바메이트이온, 중탄산이온, 탄산이온)의 농도를 예측한 결과와 실측치와의 오차를 나타낸 결과이다. 실험방법을 설명하면, 이산화탄소 포집공정에서 사용하는 암모니아수로부터 흡수 공정과 재생 공정에서 다수의 시료를 채취하고, 이를 기기 분석을 통해 반응생성물(중탄산이온, 탄산이온, 카바메이트이온 등)의 농도를 측정한 후, 이 결과를 이용하여 모델식을 구성하고 보정하여 반응생성물의 농도를 예측하였다.
도 2의 RMSEC(Root Mean Square Error of Calibration)는 이산화탄소가 흡수된 암모니아의 pH, 온도, 전기전도도, 이산화탄소 농도를 변동변수로 하여 반응생성물(카바메이트이온, 중탄산이온, 탄산이온)의 농도를 보정하여 얻은 예측 결과의 오차값이고, RMSEP(Root Mean Square Error of Prediction)는 RMSEC의 보정결과를 이용하여 반응생성물(카바메이트이온, 중탄산이온, 탄산이온)의 농도를 예측하여 얻은 예측 결과의 오차값이다.
도 2를 살펴보면, RMSEC(Root Mean Square Error of Calibration)와 RMSEP(Root Mean Square Error of Prediction)의 각각의 경우에 흡수공정과 재생공정에 대하여 각각 카바메이트이온(NH2COO-), 중탄산이온(HCO3 -), 탄산이온(CO3 2-)의 농도예측오차가 표기되어 있다. 이때, 사용된 회귀분석모델은 다중회귀분석법 (Multiple Linear Regression, MLR), 주성분회귀분석법(Principle Component Regression, PCR), 부분최소자승법(Partial Least Square method, PLS), 신경회로망-부분최소자승법(Neural Network Partial Least Squares, NNPLS), 커널-부분최소자승법(Kernel Partial Least Squares, KPLS), LS-SVM(Least Square Support Vector Machine)이 이용될 수 있다.
각 회귀분석모델을 통해 예측된 농도를 비교해보면, PLS가 가장 오차가 적은 결과를 보이고 있으므로, PLS가 최적의 회귀분석모델이라고 할 수 있으며, 이산화탄소 포집공정의 최적화에 적용할 수 있다. 그러나, 상술한 PLS에 국한되지는 않으며, 다양한 방법들이 적용될 수 있음은 당업자에게 자명하다.
도 3은 본 발명의 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법의 흐름도이다.
먼저, 연산수단(1000)은 온라인상에서 이산화탄소 포집공정을 통해 측정되는 상태변수를 변동변수로 설정한다(S100). 이때, 연산수단(1000)을 이용하여 측정되는 상태변수는 데이터 마이닝(data mining)을 이용하여 측정된다.
그 이후에, 연산수단(1000)은 온라인상에서 이산화탄소 포집공정을 통해 변동변수에 의해 얻어지는 반응생성물의 농도를 목표변수로 설정한다(S200).
그 이후에, 연산수단(1000)은 목표변수를 예측하기 위해 수학식 1과 같은 모델식을 구성한다(S300). 즉, 연산수단(1000)을 이용하여 S100 단계의 설정된 변동변수와 S200 단계에서 설정된 목표변수를 이용하여 수학식 1과 같은 모델식을 구성하는 것이다.
[수학식 1]
y = ax1 + bx2 + cx3 + dx4
여기서, x1, x2, x3, x4는 변동변수이고, y는 목표변수이며, a, b, c, d는 상수이다. 즉, x1, x2, x3, x4는 이산화탄소가 흡수된 암모니아수의 pH, 온도, 전기전도도, 이산화탄소 농도에 해당하고, y는 수소이온, 수산화이온, 중탄산이온, 탄산이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온과 같은 반응생성물의 농도에 해당한다.
S300 단계의 모델식은 열역학적 모델, 회귀분석 모델, 통계학적 모델 및 상기 열역학적 모델과 상기 회귀분석 모델 및 상기 통계학적 모델을 조합한 모델 중에서 적어도 하나에 기초한 모델식일 수 있으며, 이들 중 회귀분석모델은 다중회귀분석법, 주성분회귀분석법, 부분최소자승법, 신경회로망-부분최소자승법, 커널-부분최소자승법 및 LS-SVM(Least Square Support Vector Machine)을 이용한 모델일 수 있다. 또한, 열역학적 모델은 Pitzer식 또는 NRTL식 중 어느 하나를 포함할 수 있다.
그 이후에, 연산수단(1000)은 회귀분석모델을 통하여 변동변수의 변화에 따른 반응생성물의 농도를 예측한다(S400). 즉, 수학식 1에서 변동변수 x1, x2, x3, x4가 정해지면 연산수단(1000)이 회귀분석모델을 통하여 목표변수인 반응생성물의 농도 y를 예측할 수 있는 것이다. 이하에서는 반응생성물의 농도를 예측하는 방법을 도 4, 도 5a 내지 도 5c를 참조하여 구체적으로 설명한다.
도 4는 본 발명의 일 실시예에 따른 반응생성물의 농도를 예측하는 다양한 방법들을 도시한 것이며, 도 5a 내지 도 5c는 본 발명의 일 실시예에 따라 예측된 반응생성물의 농도와 실측된 반응생성물의 농도를 도시한 도면이다.
도 4를 참조하면, 첫 번째 방법은 실시간으로 수집되는 변동변수(data 1 내지 data 3)를 통계학적 모델(data driven model, 400)을 이용하여 열역학적 모델(Thermo-dynamic, 410)에 적용 가능한 데이터(Input 1 내지 Input 2)로 변환하고, 변환된 데이터를 열역학적 모델(Thermo-dynamic, 410)의 입력 데이터로 적용하여 반응생성물(생성물 1 내지 생성물 3)의 농도를 예측하는 방법('Hybrid'라 함).
두 번째 방법은 실시간으로 수집되는 변동변수(data 1 내지 data 3)를 통계학적 모델(data driven model, 400)의 입력 데이터로 직접 적용하여 반응생성물의 농도를 예측하는 방법('data driven'이라 함)이다. 상술한 2가지 방법에 의한 예측된 반응생성물(카바메이트이온, 중탄산이온, 탄산이온)의 농도와 실측된 반응생성물의 농도가 도 5a 내지 도 5c에 도시되어 있다.
도 5a는 반응생성물(카바메이트이온)에 대하여 상술한 2가지 방법에 의해 예측된 농도와 실측 농도를 도시한 것이며, 도 5b는 반응생성물(탄산이온)에 대하여 상술한 2가지 방법에 의해 예측된 농도와 실측 농도를 도시한 것이며, 도 5c는 반응생성물(중탄산이온)에 대하여 상술한 2가지 방법에 의해 예측된 농도와 실측 농도를 도시한 것이다. 도 5a 내지 도 5c에 도시된 바와 같이, 본 발명이 제시한 'data driven'과 'hybrid' 두 방법 모두에서 우수한 성능으로 반응생성물의 농도를 예측할 수 있음을 알 수 있다.
이와 같이, 본 발명의 실시 형태에 의하면, 이산화탄소의 포집 공정의 목표변수인 반응생성물의 참값 또는 정확한 예측치의 신속한 습득이 가능하다. 또한, 다양한 모델식을 통하여 최적의 모델식을 찾아내어 이산화탄소 포집공정의 최적화에 적용할 수 있는 기술적 효과가 있다.
본 발명은 상술한 실시형태 및 첨부된 도면에 의해 한정되지 아니한다. 첨부된 청구범위에 의해 권리범위를 한정하고자 하며, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 형태의 치환, 변형 및 변경이 가능하다는 것은 당 기술분야의 통상의 지식을 가진 자에게 자명할 것이다.
10 : 교반조 100 : 농도 검출기
200 : 응축기 300 : 흡수탑
400 : pH 센서 500 : 온도센서
600 : 펌프 700 : 전기전도도 센서
800 : 순환기 900 : 교반기 또는 히팅 멘틀
1000 : 연산수단

Claims (16)

  1. 암모니아 수용액이 채워진 교반조;
    상기 교반조로 유입되는 이산화탄소를 상기 암모니아 수용액과 교반하는 교반기;
    이산화탄소 포집 공정 동안 상기 교반된 암모니아 수용액로부터 측정될 수 있는 상태변수를 제공하는 센서부; 및
    상기 이산화탄소 포집 공정 동안 상기 상태변수에 의해 얻어지는 반응생성물의 농도를 예측하기 위한 모델식을 구성하고, 상기 구성된 모델식을 통하여 상기 상태변수의 변화에 따른 반응생성물의 농도를 예측하는 예측 수단을 포함하며,
    상기 반응생성물은, 수소이온, 수산화이온, 중탄산이온, 탄산이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온 중에서 어느 하나인 것을 특징으로 하는 포집 반응기.
  2. 제1항에 있어서,
    상기 상태변수는,
    이산화탄소가 흡수된 암모니아수의 pH, 온도, 전기전도도 및 이산화탄소 농도 중에서 적어도 하나인 것을 특징으로 하는 포집 반응기.
  3. 삭제
  4. 제1항에 있어서,
    상기 모델식은,
    열역학적 모델, 회귀분석 모델, 통계학적 모델 및 상기 열역학적 모델과 상기 회귀분석 모델 및 상기 통계학적 모델을 조합한 모델 중에서 적어도 하나에 기초한 모델식인 것을 특징으로 하는 포집 반응기.
  5. 제4항에 있어서,
    상기 회귀분석모델은,
    다중회귀분석법, 주성분회귀분석법, 부분최소자승법, 신경회로망-부분최소자승법, 커널-부분최소자승법 및 LS-SVM(Least Square Support Vector Machine) 중에서 적어도 하나를 이용한 모델인 것을 특징으로 하는 포집 반응기.
  6. 제4항에 있어서,
    상기 열역학적 모델은,
    Pitzer식 또는 NRTL 식을 포함하는 것을 특징으로 하는 포집 반응기.
  7. 제4항에 있어서,
    상기 예측 수단은,
    실시간으로 수집되는 상기 변동변수를 상기 통계학적 모델을 이용하여 상기 열역학적 모델에 적용 가능한 데이터로 변환하고, 상기 변환된 데이터를 상기 열역학적 모델의 입력 데이터로 적용하여 상기 반응생성물의 농도를 예측하는 것을 특징으로 하는 포집 반응기.
  8. 제4항에 있어서,
    상기 예측 수단은,
    실시간으로 수집되는 상기 변동변수를 상기 통계학적 모델의 입력 데이터로 적용하여 상기 반응생성물의 농도를 예측하는 것을 특징으로 하는 포집 반응기.
  9. 이산화탄소 포집공정을 통해 측정되는 상태변수를 변동변수로 설정하는 단계;
    상기 이산화탄소 포집공정을 통해 상기 변동변수에 의해 얻어지는 반응생성물의 농도를 목표변수로 설정하는 단계;
    상기 목표변수를 예측하기 위해 모델식을 구성하는 단계; 및
    상기 구성된 모델식을 통하여 상기 변동변수의 변화에 따른 반응생성물의 농도를 예측하는 단계;를 포함하며,
    상기 반응생성물은, 수소이온, 수산화이온, 중탄산이온, 탄산이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온 중에서 어느 하나인 이산화탄소 포집공정의 반응생성물 농도 예측방법.
  10. 제9항에 있어서,
    상기 상태변수는,
    이산화탄소가 흡수된 암모니아수의 pH, 온도, 전기전도도 및 이산화탄소 농도 중에서 적어도 하나인 이산화탄소 포집공정의 반응생성물 농도 예측방법.
  11. 삭제
  12. 제9항에 있어서,
    상기 모델식은,
    열역학적 모델, 회귀분석 모델, 통계학적 모델 및 상기 열역학적 모델과 상기 회귀분석 모델 및 상기 통계학적 모델을 조합한 모델 중에서 적어도 하나에 기초한 이산화탄소 포집 공정의 반응생성물 농도 예측방법.
  13. 제12항에 있어서,
    상기 회귀분석모델은,
    다중회귀분석법, 주성분회귀분석법, 부분최소자승법, 신경회로망-부분최소자승법, 커널-부분최소자승법 및 LS-SVM(Least Square Support Vector Machine) 중에서 적어도 하나를 이용한 모델인 이산화탄소 포집공정의 반응생성물 농도 예측방법.
  14. 제12항에 있어서,
    상기 열역학적 모델은,
    Pitzer식 또는 NRTL 식을 포함하는 이산화탄소 포집 공정의 반응생성물 농도 예측 방법.
  15. 제12항에 있어서,
    상기 반응생성물의 농도를 예측하는 단계는,
    실시간으로 수집되는 상기 변동변수를 상기 통계학적 모델을 이용하여 상기 열역학적 모델에 적용 가능한 데이터로 변환하는 단계; 및
    상기 변환된 데이터를 상기 열역학적 모델의 입력 데이터로 적용하여 상기 반응생성물의 농도를 예측하는 단계;
    를 포함하는 이산화탄소 포집 공정의 반응생성물 농도 예측 방법.
  16. 제12항에 있어서,
    상기 반응생성물의 농도를 예측하는 단계는,
    실시간으로 수집되는 상기 변동변수를 상기 통계학적 모델의 입력 데이터로 적용하여 상기 반응생성물의 농도를 예측하는 단계;
    를 포함하는 것을 특징으로 하는 이산화탄소 포집 공정의 반응생성물 농도 예측 방법.
KR1020110046647A 2011-05-18 2011-05-18 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기 KR101254978B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110046647A KR101254978B1 (ko) 2011-05-18 2011-05-18 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110046647A KR101254978B1 (ko) 2011-05-18 2011-05-18 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기

Publications (2)

Publication Number Publication Date
KR20120128787A KR20120128787A (ko) 2012-11-28
KR101254978B1 true KR101254978B1 (ko) 2013-04-17

Family

ID=47513384

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110046647A KR101254978B1 (ko) 2011-05-18 2011-05-18 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기

Country Status (1)

Country Link
KR (1) KR101254978B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439243A (zh) * 2013-07-24 2013-12-11 中国核电工程有限公司 针对海洋氯化物环境下表面防护钢筋混凝土结构使用年限的预测方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101483514B1 (ko) * 2013-04-23 2015-01-20 재단법인 포항산업과학연구원 적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080107704A (ko) * 2007-06-08 2008-12-11 한국에너지기술연구원 연소가스로부터 이산화탄소 제거를 위한 흡수용액의흡수평형 시험방법 및 그 장치
JP2010214303A (ja) 2009-03-17 2010-09-30 Aisin Seiki Co Ltd 炭酸ガスの処理方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080107704A (ko) * 2007-06-08 2008-12-11 한국에너지기술연구원 연소가스로부터 이산화탄소 제거를 위한 흡수용액의흡수평형 시험방법 및 그 장치
JP2010214303A (ja) 2009-03-17 2010-09-30 Aisin Seiki Co Ltd 炭酸ガスの処理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
논문;IND. ENG. CHEM. RES.;2011;PUBLICATION DATE (WEB): AUGUST 5, 2010 *
논문;IND. ENG. CHEM. RES.;2011;PUBLICATION DATE (WEB): AUGUST 5, 2010*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103439243A (zh) * 2013-07-24 2013-12-11 中国核电工程有限公司 针对海洋氯化物环境下表面防护钢筋混凝土结构使用年限的预测方法

Also Published As

Publication number Publication date
KR20120128787A (ko) 2012-11-28

Similar Documents

Publication Publication Date Title
Mathias et al. Quantitative evaluation of the chilled-ammonia process for CO2 capture using thermodynamic analysis and process simulation
Han et al. Current status and challenges of the ammonia-based CO2 capture technologies toward commercialization
Niu et al. Experimental studies and rate-based process simulations of CO2 absorption with aqueous ammonia solutions
Stec et al. Demonstration of a post-combustion carbon capture pilot plant using amine-based solvents at the Łaziska Power Plant in Poland
Wappel et al. Ionic liquids for post-combustion CO2 absorption
Helei et al. Technology development and applications of artificial intelligence for post-combustion carbon dioxide capture: Critical literature review and perspectives
Strube et al. The environmental impact of post-combustion CO2 capture with MEA, with aqueous ammonia, and with an aqueous ammonia-ethanol mixture for a coal-fired power plant
Neveux et al. Modeling CO2 capture in amine solvents: prediction of performance and insights on limiting phenomena
Kalatjari et al. Experimental, simulation and thermodynamic modeling of an acid gas removal pilot plant for CO2 capturing by mono-ethanol amine solution
Tan et al. Carbonation of gypsum from wet flue gas desulfurization process: experiments and modeling
Yu et al. Rate-based modelling of CO2 regeneration in ammonia based CO2 capture process
Ahn et al. Determination of ammonium salt/ion speciation in the CO2 absorption process using ammonia solution: Modeling and experimental approaches
Liu et al. Toward rational selection of amine solutions for PCC applications: CO2 absorption kinetics and absorption heat in tertiary aqueous solutions
Park et al. Selection of optimal operating conditions for a continuous CO2-capture process using an aqueous ammonia solution
Mathias The Gibbs–Helmholtz equation in chemical process technology
KR101254978B1 (ko) 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기
Geers et al. Development of an online monitoring method of a CO2 capture process
Enaasen et al. Validation of a dynamic model of the brindisi pilot plant
Darde CO2 capture using aqueous ammonia
KR101107301B1 (ko) 회귀분석모델을 통한 이산화탄소 포집공정의 반응생성물 농도 예측방법
Amirkhosrow et al. Simulation model evaluation of desorber column in CO2 capture process by MEA scrubbing: a rigorous rate-based model for kinetic model and mass transfer correlations analysis
Mathias et al. Quantitative evaluation of the aqueous-ammonia process for CO2 capture using fundamental data and thermodynamic analysis
Yoon et al. First-principles assessment of anomalous thermal degradation of aqueous 2-amino-2-methyl-1-propanol for CO2 capture
WO2017077914A1 (ja) アミン吸収液の二酸化炭素濃度分析システム、二酸化炭素回収システムおよびその運転方法
KR101483514B1 (ko) 적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160404

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20180403

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20190402

Year of fee payment: 7