KR101483514B1 - 적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기 - Google Patents
적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기 Download PDFInfo
- Publication number
- KR101483514B1 KR101483514B1 KR20130044819A KR20130044819A KR101483514B1 KR 101483514 B1 KR101483514 B1 KR 101483514B1 KR 20130044819 A KR20130044819 A KR 20130044819A KR 20130044819 A KR20130044819 A KR 20130044819A KR 101483514 B1 KR101483514 B1 KR 101483514B1
- Authority
- KR
- South Korea
- Prior art keywords
- carbon dioxide
- model
- concentration
- reaction product
- ion
- Prior art date
Links
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 138
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 88
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 86
- 239000007795 chemical reaction product Substances 0.000 title claims abstract description 81
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 title claims abstract description 28
- QGZKDVFQNNGYKY-UHFFFAOYSA-N ammonia Natural products N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims abstract description 31
- 230000003595 spectral effect Effects 0.000 claims abstract description 26
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 claims abstract description 22
- 235000011114 ammonium hydroxide Nutrition 0.000 claims abstract description 22
- 238000003756 stirring Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- NLXLAEXVIDQMFP-UHFFFAOYSA-N Ammonium chloride Substances [NH4+].[Cl-] NLXLAEXVIDQMFP-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000000611 regression analysis Methods 0.000 claims description 15
- KXDHJXZQYSOELW-UHFFFAOYSA-M Carbamate Chemical compound NC([O-])=O KXDHJXZQYSOELW-UHFFFAOYSA-M 0.000 claims description 13
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 claims description 13
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 claims description 12
- 238000012843 least square support vector machine Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000013179 statistical model Methods 0.000 claims description 11
- 238000012628 principal component regression Methods 0.000 claims description 7
- ATRRKUHOCOJYRX-UHFFFAOYSA-N Ammonium bicarbonate Chemical compound [NH4+].OC([O-])=O ATRRKUHOCOJYRX-UHFFFAOYSA-N 0.000 claims description 6
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 claims description 6
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 claims description 6
- BVCZEBOGSOYJJT-UHFFFAOYSA-N ammonium carbamate Chemical compound [NH4+].NC([O-])=O BVCZEBOGSOYJJT-UHFFFAOYSA-N 0.000 claims description 6
- PRKQVKDSMLBJBJ-UHFFFAOYSA-N ammonium carbonate Chemical compound N.N.OC(O)=O PRKQVKDSMLBJBJ-UHFFFAOYSA-N 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-M hydroxide Chemical compound [OH-] XLYOFNOQVPJJNP-UHFFFAOYSA-M 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000002203 pretreatment Methods 0.000 claims 1
- 238000004566 IR spectroscopy Methods 0.000 abstract description 10
- 238000010521 absorption reaction Methods 0.000 description 14
- 229910021529 ammonia Inorganic materials 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 150000001412 amines Chemical class 0.000 description 6
- 230000008929 regeneration Effects 0.000 description 6
- 238000011069 regeneration method Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 5
- 230000002745 absorbent Effects 0.000 description 4
- 239000002250 absorbent Substances 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- -1 ammonium ions Chemical class 0.000 description 2
- 150000003863 ammonium salts Chemical class 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000001157 Fourier transform infrared spectrum Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000012844 infrared spectroscopy analysis Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/38—Diluting, dispersing or mixing samples
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Plasma & Fusion (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기가 제공된다. 포집 반응기는, 암모니아 수용액이 채워진 교반조; 상기 교반조로 유입되는 이산화탄소를 상기 암모니아 수용액과 교반하는 교반기; 중적외선을 이용하는 푸리에 변환 적외분광법(FTIR)을 사용하여 이산화탄소 포집 공정 동안 상기 교반된 암모니아 수용액로부터 측정될 수 있는 스펙트럼 자료를 상태 변수로 제공하는 센서부; 및 상기 이산화탄소 포집 공정 동안 상기 상태 변수에 의해 얻어지는 반응 생성물의 농도를 예측하기 위한 모델식을 구성하고, 상기 상태변수에 전처리를 수행하여 노이즈가 제거된 데이터로 변환한 후, 상기 노이즈가 제거된 데이터를 상기 모델식에 입력하여 상기 상태 변수의 변화에 따른 복수의 반응 생성물 각각의 농도를 예측하는 예측 수단을 포함하여 구성된다.
Description
본 발명은 적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기에 관한 것으로, 특히 온라인상에서 이산화탄소 포집공정을 통해 얻어지는 반응 생성물의 농도를 예측하기 위한 것이다.
대기 중 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 아민계 흡수제 등의 흡수제를 이용한 흡수법이 있다. 그러나, 아민을 이용한 흡수법은 대상 가스 중에 포함된 황산화물 등에 의해 아민이 분해되고, 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. 그러나, 이와 같은 이산화탄소 포집 공정에서 온라인상에서 실시간으로 얻어지는 반응 생성물의 농도를 예측하는 방법에 관한 연구는 미흡한 실정이다.
현재의 이산화탄소 포집 공정에서 생성되는 반응 생성물들은 NMR(nuclear magnetic resonance) 등을 이용하여 분석이 가능하나, 고가의 장비가 필요하고 시간이 오래 걸리는 등의 문제가 있어 실시간으로 변화하는 반응 생성물의 농도를 측정 또는 모니터링하기에는 어려움이 있다. 특히, 다양한 반응 생성물이 존재할 경우에는, 이산화탄소가 포집되는 과정에서 반응 생성물의 농도가 빠르게 변화하기 때문에 실시간으로 분석하는 것이 더욱 어려운 실정이다.
최근에는 열역학적 모델을 이용하여 이산화탄소가 포집되는 동안의 반응 생성물의 농도를 측정하고자 하는 시도들이 이루어지고 있으나, 이들 모델은 열역학적 평형을 가정한 것이므로 실제 이산화탄소 포집 공정에서의 다양한 환경 변화를 모두 고려하지 못하기 때문에, 측정되는 반응 생성물의 농도가 실제 반응 생성물의 농도와 상이하다는 문제가 있다.
본 발명의 일 측면은 이산화탄소 포집 공정에서 생성되는 반응 생성물을 실시간으로 분석 및 모니터링함으로써, 공정의 안정성을 확보하고 공정 전체의 통합 모니터링 시스템을 구축할 수 있는 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 포집 반응기를 제공하고자 한다.
본 발명은 암모니아 수용액이 채워진 교반조; 상기 교반조로 유입되는 이산화탄소를 상기 암모니아 수용액과 교반하는 교반기; 중적외선을 이용하는 푸리에 변환 적외분광법(FTIR)을 사용하여 이산화탄소 포집 공정 동안 상기 교반된 암모니아 수용액로부터 측정될 수 있는 스펙트럼 자료를 상태 변수로 제공하는 센서부; 및 상기 이산화탄소 포집 공정 동안 상기 상태 변수에 의해 얻어지는 반응 생성물의 농도를 예측하기 위한 모델식을 구성하고, 상기 상태변수에 전처리를 수행하여 노이즈가 제거된 데이터로 변환한 후, 상기 노이즈가 제거된 데이터를 상기 모델식에 입력하여 상기 상태 변수의 변화에 따른 복수의 반응 생성물 각각의 농도를 예측하는 예측 수단을 포함하는 포집 반응기를 제공한다.
상기 상태변수는 이산화탄소가 흡수된 암모니아의 pH, 온도, 전기전도도 및 이산화탄소 농도 중에서 적어도 하나 이상을 더 포함할 수 있다.
상기 반응 생성물은 수소이온, 수산화이온, 중탄산염이온, 탄산염이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온 중 적어도 어느 하나일 수 있다.
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 모델식일 수 있다.
상기 회귀분석모델은 다중회귀분석법, 주성분회귀분석법, 부분최소자승법, 신경회로망-부분최소자승법, 커널-부분최소자승법 및 LS-SVM(Least Square Support Vector Machine) 중에서 적어도 하나를 이용한 것일 수 있다.
상기 열역학적 모델은 피처(Pitzer)식 또는 NRTL 식을 포함할 수 있다.
상기 전처리는 MSC(multiplicative scatter correction)법, SNV(standard normal variate)법 및 OSC(orthogonal signal correction)법, SG(Savitzky Golay)법 중에서 적어도 하나를 이용하여 수행될 수 있다.
본 발명은 또한 중적외선을 이용하는 푸리에 변환 적외분광법(FTIR)을 사용하여 이산화탄소 포집공정을 통해 측정되는 스펙트럼 자료를 포함하는 상태변수를 변동변수로 설정하는 단계; 상기 이산화탄소 포집공정에서 상기 변동변수에 의해 얻어지는 복수의 반응 생성물 각각의 농도를 목표변수로 설정하는 단계; 상기 목표변수를 예측하기 위해 모델식을 구성하는 단계; 실시간으로 수집되는 상기 변동변수에 전처리를 수행하여 노이즈가 제거된 데이터로 변환하는 단계; 및 상기 노이즈가 제거된 데이터를 상기 모델식의 입력 데이터로 적용하여 상기 복수의 반응 생성물 각각의 농도를 예측하는 단계를 포함하는 이산화탄소 포집공정의 반응 생성물 농도 예측방법을 제공한다.
상기 상태변수는 이산화탄소가 흡수된 암모니아수의 pH, 온도, 전기전도도 및 이산화탄소 농도 중에서 적어도 하나 이상을 더 포함할 수 있다.
상기 반응 생성물은 수소이온, 수산화이온, 중탄산염이온, 탄산염이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온 중 적어도 어느 하나일 수 있다.
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 모델식일 수 있다.
상기 회귀분석모델은 다중회귀분석법, 주성분회귀분석법, 부분최소자승법, 신경회로망-부분최소자승법, 커널-부분최소자승법 및 LS-SVM(Least Square Support Vector Machine) 중에서 적어도 하나를 이용한 것일 수 있다.
상기 열역학적 모델은 피처(Pitzer)식 또는 NRTL 식을 포함할 수 있다.
상기 전처리는 MSC(multiplicative scatter correction)법, SNV(standard normal variate)법 및 OSC(orthogonal signal correction)법, SG(Savitzky Golay)법 중에서 적어도 하나를 이용하여 수행될 수 있다.
본 발명의 이산화탄소 포집 공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기를 사용함으로써, 복수의 반응 생성물 각각의 농도를 분석함에 있어서 종래의 pH나 전기 전도도만을 측정하는 분석방법보다 정확하고 신속하게 분석할 수 있어 공정의 안정성을 확보하고, 공정 전체의 통합 모니터링 시스템을 구축할 수 있다.
도 1은 본 발명의 일 실시예에 따른 이산화탄소 흡수 및 재생을 위한 이산화탄소 포집반응기의 구성도이다.
도 2는 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료이다.
도 3은 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 (a) MSC법, (b) SNV법, (c) OSC법, (d) SG법으로 전처리한 스펙트럼 자료이다.
도 4는 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 전처리 없이 PLS법을 통하여 예측한 반응 생성물의 농도 및 실측된 반응 생성물의 농도를 도시한 결과이다.
도 5는 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 MSC법으로 전처리한 후 PLS법을 통하여 예측한 반응 생성물의 농도 및 실측된 반응 생성물의 농도를 도시한 결과이다.
도 6은 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 SNV법으로 전처리한 후 PLS법을 통하여 예측한 반응 생성물의 농도 및 실측된 반응 생성물의 농도를 도시한 결과이다.
도 7은 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 OSC법으로 전처리한 후 PLS법을 통하여 예측한 반응 생성물의 농도 및 실측된 반응 생성물의 농도를 도시한 결과이다.
도 8은 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 SG법으로 전처리한 후 PLS법을 통하여 예측한 반응 생성물의 농도 및 실측된 반응 생성물의 농도를 도시한 결과이다.
도 9는 본 발명의 일 실시예에 따른 모델식을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법의 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 반응 생성물의 농도를 예측하는 다양한 방법들을 도시한 것이다.
도 2는 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료이다.
도 3은 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 (a) MSC법, (b) SNV법, (c) OSC법, (d) SG법으로 전처리한 스펙트럼 자료이다.
도 4는 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 전처리 없이 PLS법을 통하여 예측한 반응 생성물의 농도 및 실측된 반응 생성물의 농도를 도시한 결과이다.
도 5는 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 MSC법으로 전처리한 후 PLS법을 통하여 예측한 반응 생성물의 농도 및 실측된 반응 생성물의 농도를 도시한 결과이다.
도 6은 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 SNV법으로 전처리한 후 PLS법을 통하여 예측한 반응 생성물의 농도 및 실측된 반응 생성물의 농도를 도시한 결과이다.
도 7은 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 OSC법으로 전처리한 후 PLS법을 통하여 예측한 반응 생성물의 농도 및 실측된 반응 생성물의 농도를 도시한 결과이다.
도 8은 본 발명의 일 실시예에서 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 SG법으로 전처리한 후 PLS법을 통하여 예측한 반응 생성물의 농도 및 실측된 반응 생성물의 농도를 도시한 결과이다.
도 9는 본 발명의 일 실시예에 따른 모델식을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법의 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 반응 생성물의 농도를 예측하는 다양한 방법들을 도시한 것이다.
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.
본 발명은 암모니아 수용액이 채워진 교반조; 상기 교반조로 유입되는 이산화탄소를 상기 암모니아 수용액과 교반하는 교반기; 중적외선을 이용하는 푸리에 변환 적외분광법(FTIR)을 사용하여 이산화탄소 포집 공정 동안 상기 교반된 암모니아 수용액로부터 측정될 수 있는 스펙트럼 자료를 상태 변수로 제공하는 센서부; 및 상기 이산화탄소 포집 공정 동안 상기 상태 변수에 의해 얻어지는 반응 생성물의 농도를 예측하기 위한 모델식을 구성하고, 상기 상태변수에 전처리를 수행하여 노이즈가 제거된 데이터로 변환한 후, 상기 노이즈가 제거된 데이터를 상기 모델식에 입력하여 상기 상태 변수의 변화에 따른 복수의 반응 생성물 각각의 농도를 예측하는 예측 수단을 포함하는 포집 반응기를 제공한다. 본 발명의 포집 반응기는 적외선 분광기로 측정된 푸리에 변환 적외분광법(FTIR)의 스펙트럼 자료를 모델식에 입력함으로써, 종래의 pH나 전기 전도도만을 측정하는 분석방법보다 정확하고 신속하게 반응 생성물의 농도를 실시간으로 분석할 수 있어 공정의 안정성을 확보하고, 공정 전체의 통합 모니터링 시스템을 구축할 수 있다.
도 1은 본 발명의 이산화탄소 흡수 및 재생을 위한 이산화탄소 포집반응기의 구성도이다. 도 1을 참조하면, 암모니아가 채워져 있는 교반조(10)에 이산화탄소(CO2)가 유입되면 교반조(10) 하부의 자석교반기(900)에 의해 교반되고, 이산화탄소(CO2)가 흡수된 암모니아 수용액은 pH 센서(400), 온도센서(500) 및 적외선 분광기(1100)에 의해 각각 pH, 온도 및 푸리에 변환 적외분광법(FTIR)의 스펙트럼 자료가 측정된다. 상기 이산화탄소(CO2)가 흡수된 암모니아 수용액은 적외선 분광기(1100)로 이송되어 푸리에 변환 적외분광법(FTIR)의 스펙트럼 자료가 측정된 후에 다시 교반조(10)로 이송될 수 있다.
자석교반기(900)는 흡수공정에서 흡수효율을 높이기 위한 것인데, 재생공정을 모사할 경우에서 재생효율을 높이기 위해 히팅 멘틀(heating mentle)(미도시)에 의해 열을 공급할 수 있다. 또한, 교반조(10)에서 이산화탄소(CO2)가 흡수된 암모니아는 펌프(600)에 의해 흡수탑(300) 상부로 보내어져 이산화탄소(CO2)의 흡수에 재사용되며, 이 과정에서 전기전도도 센서(700)에 의해 전기전도도가 측정된다.
또한, 흡수탑(300)에서 흡수되지 않은 가스에는 수분, 암모니아 및 이산화탄소가 포함되어 있는데, 상기 수분 및 암모니아는 응축기(200)에서 응축된 후 응축기(200) 하부로 보내어진다. 또한, 상기 흡수탑(300)에서 흡수되지 않은 이산화탄소는 상기 이산화탄소 농도 검출기(100)로 보내어져 이산화탄소의 농도가 분석된다.
특별히 한정하지 않으나, 상기 푸리에 변환 적외분광법(FTIR)의 스펙트럼 자료는 파장이 400~4000 cm-1인 중적외선(Mid infrared) 영역에서 얻어진 스펙트럼 자료일 수 있다. 상기 중적외선 영역의 파장을 사용하는 경우 기존에 사용되던 NIR (Near Infrared)에 비해 분해능이 우수하여 복수의 반응 생성물에 대해 보다 정확한 정보를 얻을 수 있으며, 이를 이용하여 상기 복수의 반응 생성물 각각의 농도를 예측할 수 있다.
예측수단(1000)은 온라인상에서 이산화탄소 포집공정을 통해 적외선 분광기(1100), pH 센서(400), 온도센서(500), 전기전도도 센서(700), 이산화탄소 농도 검출기(100)로부터 보내온 신호는 푸리에 변환 적외분광법(FTIR)의 스펙트럼, pH, 온도, 전기전도도, 이산화탄소 농도에 관한 데이터로 수신한다. 그리고, 연산수단(1000)은 상태변수인 푸리에 변환 적외분광법(FTIR)의 스펙트럼, pH, 온도, 전기전도도, 이산화탄소 농도를 변동변수로 설정하고, 변동변수에 의해 얻어지는 반응 생성물의 농도를 목표변수로 설정한다. 반응 생성물은 수소이온, 수산화이온, 중탄산염이온, 탄산염이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온 중 적어도 어느 하나일 수 있다.
또한, 예측수단(1000)은 목표변수를 예측하기 위해 모델식을 구성하고, 구성된 모델식을 통해 변동변수의 변화에 따른 반응 생성물의 농도를 예측한다.
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 것일 수 있다.
상기 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) 및 LS-SVM(Least Square Support Vector Machine) 중에서 적어도 하나를 이용한 모델일 수 있다.
또한, 상기 열역학적 모델은 피처(Pitzer)식 및 NRTL 식 중에서 적어도 하나를 이용한 모델일 수 있다.
상기 예측 수단은 상기 상태변수에 전처리를 수행하여 노이즈, 즉 불필요한 데이터가 제거된 데이터로 변환하고, 상기 노이즈가 제거된 데이터를 상기 모델식의 입력 데이터로 적용하여 상기 반응 생성물의 농도를 예측할 수 있다. 상기 전처리를 수행하여 상태변수의 노이즈를 제거함에 따라 반응 생성물의 농도를 예측함에 있어서 발생하는 오차를 최소화할 수 있다.
특별히 한정하지 않으나, 상기 전처리는 MSC(multiplicative scatter correction)법, SNV(standard normal variate)법, OSC(orthogonal signal correction)법 및 SG(Savitzky Golay)법 중에서 적어도 하나를 이용하여 수행될 수 있다.
도 9는 본 발명의 모델식을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법의 흐름도이다.
먼저, 연산수단(1000)은 온라인상에서 이산화탄소 포집공정을 통해 측정되는 푸리에 변환 적외분광법(FTIR)의 스펙트럼 자료를 포함하는 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 포집공정의 변동변수에 의해 얻어지는 반응 생성물의 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 + ex5
여기서, x1, x2, x3, x4, x5는 변동변수이고, y는 목표변수이며, a, b, c, d, e는 상수이다. 즉, x1, x2, x3, x4, x5는 이산화탄소가 흡수된 암모니아수의 pH, 온도, 전기전도도, 이산화탄소 농도, 적외선분광법의 스펙트럼에 해당하고, y는 수소이온, 수산화이온, 중탄산염이온, 탄산염이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온과 같은 반응 생성물의 농도에 해당한다. 이때 x1, x2, x3, x4, x5 중 적어도 하나를 사용하는 모델일 수 있다.
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 반응 생성물의 농도를 예측한다(S400). 즉, 수학식 1에서 변동변수 x1, x2, x3, x4, x5 가 정해지면 연산수단(1000)이 회귀분석모델을 통하여 목표변수인 반응 생성물의 농도 y를 예측할 수 있는 것이다.
도 10을 참조하면, 첫 번째 방법은 실시간으로 수집되는 상기 상태변수(data 1 내지 data 3 중 적어도 하나)를 전처리(data driven, 400)를 수행하여 노이즈가 제거된 데이터(노이즈가 제거된 FTIR 스펙트럼 데이터를 포함하는 Input 1 내지 Input 2)로 변환하고, 상기 노이즈가 제거된 데이터를 모델식의 입력 데이터로 적용하여 반응 생성물(생성물 1 내지 생성물 3 중 적어도 하나)의 농도를 예측하는 방법이다. 상기 상태변수를 전처리하는 과정에서 필요한 데이터를 추출하여 모델식의 입력 데이터로 사용할 수 있다.
두 번째 방법은 실시간으로 수집되는 상태변수(data 1 내지 data 3 중 적어도 하나)를 모델식의 입력 데이터로 적용하여 직접 반응 생성물의 농도를 예측하는 방법이다.
이하, 구체적인 실시예를 통해 본 발명을 보다 구체적으로 설명한다. 하기 실시예는 본 발명의 이해를 돕기 위한 예시에 불과하며, 본 발명의 범위가 이에 한정되는 것은 아니다.
실시예
이산화탄소 포집공정에서 사용하는 암모니아수로부터 흡수 공정 또는 재생 공정에서 다수의 시료를 채취하고, 이를 기기 분석을 통해 반응 생성물(중탄산염이온, 탄산염이온, 카바메이트이온 등)의 농도를 측정한 후, 이 결과를 이용하여 모델식을 구성하고 보정하여 반응 생성물의 농도를 예측하였다.
도 2에 도시된 바와 같이 상기 이산화탄소 포집 공정에서 발생한 시료를 적외선 분광법으로 분석한 중적외선 영역의 스펙트럼 자료를 얻었으며, 상기 스펙트럼 자료를 포함하는 상태변수를 변동변수로 설정하였으며, 상기 스펙트럼 자료를 각각 (a) MSC법, (b) SNV법, (c) OSC법 및 (d) SG법으로 전처리한 스펙트럼 자료를 도 3에 도시하였다.
상기 도 2의 스펙트럼 자료 및 도 3의 전처리된 스펙트럼 자료를 PLS모델식에 입력하여 반응 생성물의 농도를 예측한 후, 실측된 반응 생성물의 농도와 비교하여 정확도(R2)를 하기 표 1에 나타내었으며, 각 모델에 대한 예측 오차를 하기 표 2에 나타내었다. 또한, 예측된 반응 생성물의 농도 및 실측된 반응 생성물의 농도를 도 4 내지 도 8에 도시하였다. 도 4 내지 8에 도시된 검은 점은 모델개발 실험셋(calibration set)이며, 흰 점은 모델검증 실험셋(validation set)을 나타낸다.
하기 RAW는 푸리에 변환 적외분광법(FTIR)의 스펙트럼 자료를 전처리하지 않고 직접 예측 모델에 적용한 경우를 나타낸 것이며, 상기 RMSEC(Root Mean Square Error of Calibration)는 이산화탄소가 흡수된 변환 적외분광법(FTIR)의 스펙트럼을 변동변수로 하여 반응 생성물(카바메이트이온, 중탄산염이온, 탄산염이온)의 농도를 보정하여 얻은 예측 결과의 오차값이고, RMSEP(Root Mean Square Error of Prediction)는 RMSEC의 보정결과를 이용하여 반응 생성물(카바메이트이온, 중탄산염이온, 탄산염이온)의 농도를 예측하여 얻은 예측 결과의 오차값이다.
비교예
상기 실시예와 동일한 방법으로 시료를 채취하고, 이를 기기 분석을 통해 반응 생성물(중탄산염이온, 탄산염이온, 카바메이트이온 등)의 농도를 측정한 후, 이 결과를 이용하여 모델식을 구성하고 보정하여 반응 생성물의 농도를 예측하여 였다.
이산화탄소가 흡수된 암모니아 수의 pH 및 전기전도도를 변동변수로 하여 반응 생성물의 농도를 보정하여 얻은 상기 반응 생성물의 농도를 보정하여 얻은 예측 결과의 오차값(RMSEC) 및 상기 RMSEC의 보정결과를 이용하여 반응 생성물의 농도를 예측하여 얻은 예측 결과의 오차값(RMSEP)을 계산하였으며, 상기 실시예의 RMSEP와 비교예의 RMSEP를 비교하여 표 3에 나타내었다.
| 조성물 | R2 value | ||||
| RAW | MSC | SNV | OSC | Savitzky-Golay | |
| 모든 조성물 | 0.9328 | 0.9559 | 0.9529 | 0.9667 | 0.9622 |
| 카바메이트이온 | 0.9214 | 0.9617 | 0.9605 | 0.9611 | 0.9482 |
| 탄산이온 | 0.919 | 0.9139 | 0.9185 | 0.9686 | 0.9311 |
| 중탄산이온 | 0.9642 | 0.9347 | 0.9281 | 0.9655 | 0.9633 |
| 조성물 | RAW | MSC | SNV | OSC | Savitzky- Golay |
|||||
| RMSEC | RMSEP | RMSEC | RMSEP | RMSEC | RMSEP | RMSEC | RMSEP | RMSEC | RMSEP | |
| 모든 조성물 | 0.1249 | 0.0429 | 0.1012 | 0.0483 | 0.1046 | 0.0405 | 0.0880 | 0.0400 | 0.0937 | 0.0529 |
| 카바메이트이온 | 0.1143 | 0.0435 | 0.0799 | 0.0429 | 0.081 | 0.0429 | 0.0804 | 0.0309 | 0.0928 | 0.0627 |
| 탄산이온 | 0.0828 | 0.0345 | 0.0854 | 0.0379 | 0.0831 | 0.0353 | 0.0516 | 0.0369 | 0.0764 | 0.027 |
| 중탄산이온 | 0.1044 | 0.0527 | 0.1411 | 0.0659 | 0.148 | 0.0484 | 0.1023 | 0.0913 | 0.1058 | 0.0616 |
| 비교예 RMSEP |
실시예 RAW RMSEP |
실시예 OSC RMSEP |
|
| 모든 조성물 | - | 0.0429 | 0.0400 |
| 카바메이트 이온 | 0.1109 | 0.0435 | 0.0309 |
| 탄산이온 | 0.0547 | 0.0345 | 0.0369 |
| 중 탄산이온 | 0.0957 | 0.0527 | 0.0913 |
각 회귀분석모델을 통해 예측된 농도를 비교해보면, OSC 전처리를 통한 PLS모델에서 전반적으로 가장 낮은 오차를 보이고 있으므로, OSC 전처리가 수행된 PLS모델식이 최적의 모델식이라고 할 수 있으며, 이산화탄소 포집공정의 최적화에 적용할 수 있다. 그러나, 상술한 OSC 전처리가 수행된 PLS모델식에 국한되지는 않으며, 다양한 방법들이 적용될 수 있음은 당업자에게 자명하다.
또한, 표 3으로부터 알 수 있는 바와 같이, FTIR 스펙트럼 자료를 전처리하여 반응 생성물의 농도를 예측한 경우, 암모니아수의 pH 및 전기전도도를 변동변수로 하여 반응 생성물의 농도를 예측한 비교예보다 낮은 오차를 보이는바, 본 발명을 이용하는 경우 종래에 비해 반응 생성물의 농도를 보다 정확하고 예측할 수 있음을 알 수 있었다.
이와 같이, 본 발명의 실시 형태에 의하면, 이산화탄소의 포집 공정의 목표변수인 반응 생성물의 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 1100 : 적외선 분광기
200 : 응축기 300 : 흡수탑
400 : pH 센서 500 : 온도센서
600 : 펌프 700 : 전기전도도 센서
800 : 순환기 900 : 교반기 또는 히팅 멘틀
1000 : 연산수단 1100 : 적외선 분광기
Claims (14)
- 암모니아 수용액이 채워진 교반조;
상기 교반조로 유입되는 이산화탄소를 상기 암모니아 수용액과 교반하는 교반기;
중적외선을 이용하는 푸리에 변환 적외분광법(FTIR)을 사용하여 이산화탄소 포집 공정 동안 상기 교반된 암모니아 수용액로부터 측정될 수 있는 스펙트럼 자료를 상태 변수로 제공하는 센서부; 및
상기 이산화탄소 포집 공정 동안 상기 상태 변수에 의해 얻어지는 반응 생성물의 농도를 예측하기 위한 모델식을 구성하고, 상기 상태변수에 전처리를 수행하여 노이즈가 제거된 데이터로 변환한 후, 상기 노이즈가 제거된 데이터를 상기 모델식에 입력하여 상기 상태 변수의 변화에 따른 복수의 반응 생성물 각각의 농도를 예측하는 예측 수단을 포함하는 포집 반응기. - 제1항에 있어서, 상기 상태변수는 이산화탄소가 흡수된 암모니아 수의 pH, 온도, 전기전도도 및 이산화탄소 농도 중에서 적어도 하나 이상을 더 포함하는 포집 반응기.
- 제1항에 있어서, 상기 반응 생성물은 수소이온, 수산화이온, 중탄산염이온, 탄산염이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온 중 적어도 어느 하나인 포집 반응기.
- 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.
- 제4항에 있어서, 상기 회귀분석모델은 다중회귀분석법, 주성분회귀분석법, 부분최소자승법, 신경회로망-부분최소자승법, 커널-부분최소자승법 및 LS-SVM(Least Square Support Vector Machine) 중에서 적어도 하나를 이용한 모델인 포집 반응기.
- 제4항에 있어서, 상기 열역학적 모델은 피처(Pitzer)식 또는 NRTL 식을 포함하는 포집 반응기.
- 제1항에 있어서, 상기 전처리는 MSC(multiplicative scatter correction)법, SNV(standard normal variate)법, OSC(orthogonal signal correction)법 및 SG(Savitzky Golay)법 중에서 적어도 하나를 이용하여 수행되는 포집 반응기.
- 중적외선을 이용하는 푸리에 변환 적외분광법(FTIR)을 사용하여 이산화탄소 포집공정을 통해 측정되는 스펙트럼 자료를 포함하는 상태변수를 변동변수로 설정하는 단계;
상기 이산화탄소 포집공정에서 상기 변동변수에 의해 얻어지는 복수의 반응 생성물 각각의 농도를 목표변수로 설정하는 단계;
상기 목표변수를 예측하기 위해 모델식을 구성하는 단계;
실시간으로 수집되는 상기 변동변수에 전처리를 수행하여 노이즈가 제거된 데이터로 변환하는 단계; 및
상기 노이즈가 제거된 데이터를 상기 모델식의 입력 데이터로 적용하여 상기 복수의 반응 생성물 각각의 농도를 예측하는 단계
를 포함하는 이산화탄소 포집공정의 반응 생성물 농도 예측방법. - 제8항에 있어서, 상기 상태변수는 이산화탄소가 흡수된 암모니아 수의 pH, 온도, 전기전도도 및 이산화탄소 농도 중에서 적어도 하나 이상을 더 포함하는 이산화탄소 포집공정의 반응 생성물 농도 예측방법.
- 제8항에 있어서, 상기 반응 생성물은 수소이온, 수산화이온, 중탄산염이온, 탄산염이온, 카바메이트이온, 중탄산암모늄염, 탄산암모늄염, 카바메이트암모늄염, 황산염이온 및 질산염이온 중 적어도 어느 하나인 이산화탄소 포집공정의 반응 생성물 농도 예측방법.
- 제8항에 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 반응 생성물 농도 예측방법.
- 제11항에 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 반응 생성물 농도 예측방법.
- 제11항에 있어서, 상기 열역학적 모델은 피처(Pitzer)식 또는 NRTL 식을 포함하는 이산화탄소 포집 공정의 반응 생성물 농도 예측방법.
- 제8항에 있어서 상기 전처리는 MSC(multiplicative scatter correction)법, SNV(standard normal variate)법, OSC(orthogonal signal correction)법 및 SG(Savitzky Golay)법 중에서 적어도 하나를 이용하여 수행되는 이산화탄소 포집 공정의 반응 생성물 농도 예측방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20130044819A KR101483514B1 (ko) | 2013-04-23 | 2013-04-23 | 적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기 |
| PCT/KR2013/003693 WO2014175490A1 (ko) | 2013-04-23 | 2013-04-29 | 적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20130044819A KR101483514B1 (ko) | 2013-04-23 | 2013-04-23 | 적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20140127388A KR20140127388A (ko) | 2014-11-04 |
| KR101483514B1 true KR101483514B1 (ko) | 2015-01-20 |
Family
ID=51792047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR20130044819A KR101483514B1 (ko) | 2013-04-23 | 2013-04-23 | 적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR101483514B1 (ko) |
| WO (1) | WO2014175490A1 (ko) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102013392B1 (ko) * | 2017-11-14 | 2019-08-22 | 국방과학연구소 | Ft-ir 기반 분광 스펙트럼에서 svm 분류기를 이용한 가스 탐지 방법 |
| CN116127729B (zh) * | 2022-12-28 | 2023-08-15 | 青芥一合碳汇(武汉)科技有限公司 | 基于线性动态模型的二氧化碳捕集精准预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000097852A (ja) | 1998-09-21 | 2000-04-07 | Horiba Ltd | アンモニア測定装置 |
| US20080050302A1 (en) | 2006-08-23 | 2008-02-28 | Thiosolv, Llc. | Process for producing ammonium thiosulfate |
| KR20110078156A (ko) * | 2009-12-30 | 2011-07-07 | 재단법인 포항산업과학연구원 | 회귀분석모델을 통한 이산화탄소 포집공정의 반응생성물 농도 예측방법 |
| KR20120128787A (ko) * | 2011-05-18 | 2012-11-28 | 재단법인 포항산업과학연구원 | 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110052453A1 (en) * | 2008-01-18 | 2011-03-03 | Mclarnon Christopher | Removal of carbon dioxide from a flue gas stream |
-
2013
- 2013-04-23 KR KR20130044819A patent/KR101483514B1/ko active IP Right Grant
- 2013-04-29 WO PCT/KR2013/003693 patent/WO2014175490A1/ko active Application Filing
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000097852A (ja) | 1998-09-21 | 2000-04-07 | Horiba Ltd | アンモニア測定装置 |
| US20080050302A1 (en) | 2006-08-23 | 2008-02-28 | Thiosolv, Llc. | Process for producing ammonium thiosulfate |
| KR20110078156A (ko) * | 2009-12-30 | 2011-07-07 | 재단법인 포항산업과학연구원 | 회귀분석모델을 통한 이산화탄소 포집공정의 반응생성물 농도 예측방법 |
| KR20120128787A (ko) * | 2011-05-18 | 2012-11-28 | 재단법인 포항산업과학연구원 | 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2014175490A1 (ko) | 2014-10-30 |
| KR20140127388A (ko) | 2014-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Du et al. | Spectral regions selection to improve prediction ability of PLS models by changeable size moving window partial least squares and searching combination moving window partial least squares | |
| EP3218695B1 (en) | Target analyte detection and quantification in sample gases with complex background compositions | |
| CN104364635B (zh) | 在光谱分析仪中使用实时或近实时验证的碰撞展宽补偿 | |
| CN102410993B (zh) | 基于激光诱导等离子体发射光谱标准化的元素测量方法 | |
| KR101483514B1 (ko) | 적외선 분광법을 이용한 이산화탄소 포집공정의 반응 생성물 농도 예측방법 및 이를 이용한 포집 반응기 | |
| Idris et al. | Speciation of MEA-CO2 adducts at equilibrium using Raman spectroscopy | |
| WO2018231065A1 (en) | Chemical analysis method for measurement of tetrafluoromethane, cf4, with improved selectivity | |
| Halstensen et al. | Equilibrium Measurements of the NH 3-CO 2-H 2 O System: Speciation Based on Raman Spectroscopy and Multivariate Modeling | |
| CN103308475A (zh) | 一种同时测量后处理料液中Pu（Ⅳ）及HNO3含量的方法 | |
| Shahid et al. | Non-invasive monitoring of CO2 concentration in aqueous diethanolamine (DEA), methyldiethanolamine (MDEA) and their blends in high CO2 loading region using Raman spectroscopy and partial least square regression (PLSR) | |
| CN103558182A (zh) | 一种用于激光气体在线分析仪确定气体浓度的方法 | |
| Wehlburg et al. | New hybrid algorithm for maintaining multivariate quantitative calibrations of a near-infrared spectrometer | |
| Languille et al. | Best practices for the measurement of 2-amino-2-methyl-1-propanol, piperazine and their degradation products in amine plant emissions | |
| CN109145403B (zh) | 一种基于样本共识的近红外光谱建模方法 | |
| KR101254978B1 (ko) | 모델식을 이용한 이산화탄소 포집공정의 반응생성물 농도 예측방법 및 이를 이용한 포집 반응기 | |
| Jinadasa et al. | Process Analytical Technology for CO2 Capture | |
| KR101107301B1 (ko) | 회귀분석모델을 통한 이산화탄소 포집공정의 반응생성물 농도 예측방법 | |
| Andersson et al. | Operational experience and initial results from the first test period at CO2 Technology Centre Mongstad | |
| Stec et al. | Simple method for determining CO2 loading of partially carbonated aqueous ammonia solutions using pH and density measurements | |
| Andrews et al. | Establishing Isotopic Measurement Capabilities using Laser-Induced Breakdown Spectroscopy for the Molten Salt Reactor Campaign | |
| Ouma et al. | Development of a Near-Infrared Photoacoustic System for Selective, Fast, and Fully Automatized Detection of Isotopically Labeled Ammonia | |
| CN112432917A (zh) | 一种光谱差异校正方法及系统 | |
| KR102456784B1 (ko) | 샘플가스의 지구 온난화 지수 산정을 위한 대기 중 수명 측정 시스템 | |
| Jinadasa et al. | System Development for On-line Monitoring using Raman Spectroscopy for CO 2 Absorption by MEA | |
| Lines et al. | In Situ Raman Methodology for Online Analysis of CO2 and H2O Loadings in a Water-Lean Solvent for CO2 Capture |
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: 20180108 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20190104 Year of fee payment: 5 |
|
| FPAY | Annual fee payment |
Payment date: 20200109 Year of fee payment: 6 |