KR20180047073A

KR20180047073A - 유류 설비의 부식 속도 예측 방법 및 장치

Info

Publication number: KR20180047073A
Application number: KR1020160142752A
Authority: KR
Inventors: 김정환; 탁경재
Original assignee: 한국생산기술연구원
Priority date: 2016-10-31
Filing date: 2016-10-31
Publication date: 2018-05-10
Also published as: KR101896115B1

Abstract

유류 설비의 부식 속도 예측 방법으로서, 상기 유류 설비의 부식 데이터를 획득하는 단계; 획득된 부식 데이터로부터 이상점을 제거하는 단계; 및 이상점이 제거된 부식 데이터를 크리깅 모델(Kriging model)에 적용하여 부식 속도를 예측하는 단계를 포함한다. 상기 이상점을 제거하는 단계는, 부식 속도와 부식 변수들의 측정 시간을 고려하여 상기 부식 데이터에 구분적 선형화(piecewise linearization) 및 시간 가중 평균화 기법을 적용하는 단계; 및 적용된 결과에 Q-test를 수행하여 소정 임계를 벗어나는 부식 데이터를 제거하는 단계를 포함하는 방법이 제공된다. 본 발명에 의하여, 정유 공장에서 부식 속도를 예측할 수 있으므로, 부식 예측 결과를 토대로 부식 평가법 구축, 신규 화학 공정 설비 재질 선정, 부식 관리, 설비 진단 평가 일정 계획 수립 등에 활용할 수 있어서 설비의 안전성 향상을 도모할 수 있다.

Description

유류 설비의 부식 속도 예측 방법 및 장치{Method and apparatus for estimating corrosion rate of oil plant facility}

본 발명은 정유 플랜트에서 사용되는 유류 설비의 부식 속도를 예측하기 위한 것으로서, 특히 크리깅 모델(Kriging model)을 사용하여 용이하면서도 정확하게 유류 설비의 부식 속도를 예측하고, 예측된 결과를 다양한 기법들과 비교하여 검증하기 위한 기술에 관한 것이다.

정유 공장에 사용되는 유류 설비에는 다양한 종류가 사용되는데, 이러한 설비가 부식되면 정유 공장의 가동에 큰 제한이 된다. 특히, 증류탑의 상부는 탄소강 소재로 제작되어 부식에 취약하며, 장치 산업의 특성상 수년 간 가동 정지(shut-down) 없이 운전하기 때문에 증류탑 상부에 부식이 발생되면 정유 공장의 안전에도 치명적인 영향을 미치게 된다. 따라서, 이러한 설비의 부식 정도를 사전에 예측하여, 사고가 발생하기 이전에 조치하는 것이 필요하다.

그러나, 부식은 매우 느린 반응인 것은 물론, 그 메커니즘이 복잡하여 이론적 모델을 실제 정유 공장에 적용하기에는 많은 어려움이 있다.

부식 반응에 대한 기존 모델들에는 전기 화학 모델, 물질 전달 모델, 경험 모델들이 있다. 이 중 전기 화학 모델은 철 표면에서의 부식 반응에 대한 반응 속도에 중점을 둔 모델이다. 또한, 물질 전달 모델은 철 표면에 생성된 산화철로 된 얇은 층이 부식 유발 물질이 철 표면으로 확산되는 것을 막는 것에 중점을 둔다. 즉, 물질 전달 모델은 물질 전달이 부식 속도를 결정하는 것이라고 가정한 모델이다. 또한, 경험적 모델은 실험 결과를 바탕으로 부식 속도를 예측하는 모델이다. 특히, 경험적 모델에서는 시편이나 전류 측정 등을 통하여 간접적으로 부식 속도 또는 부식 정도를 예측하고, 실험 데이터 등을 통계적으로 처리하여 선형이나 다항식, 이론식 등으로 회귀 분석을 하여 부식을 예측하기도 한다.

하지만, 정유 공장의 경우, 정확한 물질의 조성을 알기가 힘들고 여러 가지 불순물들이 포함되어 있으므로 실험이 어렵고, 이론식에 필요한 모든 값들을 측정하는데 제약이 있다. 또한, 단순한 선형이나 다항식 형태의 회귀분석은 복잡한 부식 메커니즘을 나타내는데 한계가 있다. 즉, 기존 모델들에는 실험적으로 결정해야 하는 많은 파라미터들이 포함되기 때문에 그 결과를 예측하기가 어렵다. 또한, 부식 반응은 매우 느린 반응이므로, 실험을 하더라도 며칠에서 최대 몇 주 정도 밖에 수행하지 못하는 경우가 많아, 몇 년 동안 가동되는 정유 공장에 적용하기가 쉽지 않다. 더 나아가, 정유 공정에 사용되는 원유 등은 정확한 조성을 알 수 없는 복합한 혼합물인 데다가, 똑같은 조건으로 실험 조건을 설정하는 것이 곤란하다. 그리고, H₂S가 극소량이 첨가되어도 CO₂만 존재할 때에 비해 90%나 부식 속도가 감소할 정도로 부식 반응의 메커니즘은 매우 복잡하기 때문에, 이를 이론적으로 예측하기란 더욱 어렵다.

대한민국 등록 특허 번호 제 10-1199462 호 "탄소강 파이프 부식 속도 예측 장치, 그 예측 방법 및 그 기록 매체"(이하 선행기술1)에 따르면, 다양한 부식 시간에 대하여 수집된 특정 금속 구조물의 부식량 데이터를 통계적으로 처리하여 특정 금속 구조물이 시간의 경과에 따라 부식되는 양을 예측할 수 있는 일반화된 실험식이 제공되어 있다. 선행 기술1은, 예측된 부식량에 근거하여 수리, 교체, 폐기 등의 각종 조치를 계획 및 실행할 수 있도록 하는 부식 환경에서의 시간 경과에 따른 부식량 예측 방법에 관한 기술이다. 이를 위하여, 이를 위해 선행 기술에서는 다양한 부식 시간에 다양한 부식 노출 시간에 대하여 수집된 특정 금속 구조물의 부식량 데이터를 입력하고, 입력된 데이터에 대해 평균값은 최대로 하고 COV는 최소값이 되도록 하는 부식량 간격을 결정하며, 결정된 부식량 간격에 대한 각 부식 노출 시간별 부식량 데이터에 대해 형상 파라미터(α) 및 치수 파라미터(β)를 계산하고, 계산된 복수의 부식 노출 시간별 형상 파라미터(α) 및 치수 파라미터(β)로부터 각 파라미터(α,β)를 근사적으로 표현하는 부식 노출 시간에 대한 선형식 또는 다항식을 계산하며, 이를 이용하여 시간종속 부식량 예측 실험식을 완성한다.

그러나, 선행 기술1에 따르면 금속 구조물별 부식량 데이터가 필요하고, 다양한 부식시간 및 부식 노출 시간 별로 상이한 데이터가 필요하므로, 부식량을 측정하는 과정이 복잡하고 실제 적용하기 어려운 단점이 있다.

따라서, 유류 설비의 부식 속도를 상대적으로 용이하면서도 정확하게 예측하기 위한 기술이 절실히 요구된다.

선행 기술1 : 대한민국 등록 특허 번호 제 10-1199462 호 "탄소강 파이프 부식 속도 예측 장치, 그 예측 방법 및 그 기록 매체"

[논문 1] A.G. Journel and C.J. Huijbregts, Mining Geostatistics, 5th Ed., Academic Press, London (1991). [논문 2] Y. Lang, S.E. Zitney and L.T. Biegler, Comput. Chem. Eng., 35, 1705 (2011). [논문 3] M.A. De Oliveira, O. Possamai, L.V.O.D. Valentina and C.A. Flesch, Expert Syst. Appl., 40, 272 (2013). [논문 4] K. Movagharnejad, B. Mehdizadeh, M. Banihashemi and M.S. Kordkheili, Energy, 36, 3979 (2011).

본 발명의 목적은 실제 공장 데이터를 바탕으로 지구 통계학에서 사용되는 크리깅 모델을 사용하여 부식 속도를 예측함으로써, 부식 속도를 용이하고 정확하게 예측할 수 있는 방법을 제공하는 것이다.

또한, 본 발명의 목적은 예측된 결과를 다중 선형 회귀 분석 및 인공 신경망의 결과와 비교, 분석함으로써 예측 결과를 검증할 수 있는 유류 설비의 부식 속도 예측 장치를 제공하는 것이다.

상기와 같은 목적들을 달성하기 위한 본 발명의 일면은, 유류 설비의 부식 속도 예측 방법으로서, 상기 유류 설비의 부식 데이터를 획득하는 단계; 획득된 부식 데이터로부터 이상점을 제거하는 단계; 및 이상점이 제거된 부식 데이터를 크리깅 모델(Kriging model)에 적용하여 부식 속도를 예측하는 단계를 포함한다. 상기 이상점을 제거하는 단계는, 부식 속도와 부식 변수들의 측정 시간을 고려하여 상기 부식 데이터에 구분적 선형화(piecewise linearization) 및 시간 가중 평균화 기법을 적용하는 단계; 및 적용된 결과에 Q-test를 수행하여 소정 임계를 벗어나는 부식 데이터를 제거하는 단계를 포함한다. 상기 부식 속도를 예측하는 단계는, 상기 크리깅 모델에 적용될 부식 변수들을 획득하는 단계; 획득된 부식 변수와 부식 속도의 상관 관계를 유의 확률로 분석하는 단계; 및 분석 결과에 따라 유의도가 낮은 부식 변수를 제거하여 크리깅 모델의 초평면의 차원을 낮추는 단계를 포함한다. 상기 부식 속도를 예측하는 단계는,

를 사용하여 부식 속도를 예측하는 단계를 더 포함하며, 여기에서, z^*는 예측하려는 부식 속도, z _i 는 예측하려는 환경과 유사한 환경에서 측정된 부식 데이터, n은 상기 유사한 환경에서 측정된 부식 데이터의 수, λ_i는 z _i 에 적용되는 가중치를 나타낸다. 또한, 본 발명에 의한 유류 설비의 부식 속도 예측 방법은 예측된 결과를 다중 선형 회귀 분석 결과 및 인공 신경망 분석 결과 중 적어도 하나와 함께 제공하는 단계를 더 포함한다. 상기 유류 설비는 정류 공장의 증류탑 상부일 수 있다.

상기와 같은 목적들을 달성하기 위한 본 발명의 다른 면은 유류 설비의 부식 속도 예측 장치로서, 상기 유류 설비의 부식 데이터를 획득하는 부식 데이터 획득부; 획득된 부식 데이터로부터 이상점을 제거하는 이상점 제거부; 및 이상점이 제거된 부식 데이터를 크리깅 모델(Kriging model)에 적용하여 부식 속도를 예측하는 부식 속도 예측부를 포함한다. 상기 이상점 제거부는, 부식 속도와 부식 변수들의 측정 시간을 고려하여 상기 부식 데이터에 구분적 선형화(piecewise linearization) 및 시간 가중 평균화 기법을 적용하고, 적용된 결과에 Q-test를 수행하여 소정 임계를 벗어나는 부식 데이터를 제거하도록 구성된다. 상기 부식 속도 예측부는, 상기 크리깅 모델에 적용될 부식 변수들을 획득하고, 획득된 부식 변수와 부식 속도의 상관 관계를 유의 확률로 분석하며, 분석 결과에 따라 유의도가 낮은 부식 변수를 제거하여 크리깅 모델의 초평면의 차원을 낮추도록 구성된다. 상기 부식 속도 예측부는,

를 사용하여 부식 속도를 예측하고, 여기에서, z^*는 예측하려는 부식 속도, z _i 는 예측하려는 환경과 유사한 환경에서 측정된 부식 데이터, n은 상기 유사한 환경에서 측정된 부식 데이터의 수, λ_i는 z _i 에 적용되는 가중치를 나타낸다. 본 발명의 유류 설비의 부식 속도 예측 장치는 예측된 결과를 다중 선형 회귀 분석 결과 및 인공 신경망 분석 결과 중 적어도 하나와 함께 제공하는 결과 제공부를 더 포함하며, 상기 유류 설비는 정류 공장의 증류탑 상부일 수 있다.

본 발명에 의하여, 정유 공장에서 부식 속도를 예측할 수 있으므로, 부식 예측 결과를 토대로 부식 평가법 구축, 신규 화학 공정 설비 재질 선정, 부식 관리, 설비 진단 평가 일정 계획 수립 등에 활용할 수 있어서 설비의 안전성 향상을 도모할 수 있다.

또한, 본 발명에 의하여, 정유 공장에서의 부식 속도를 예측하기 위하여 고등 통계 기법인 크리깅 모델을 이용하기 때문에 개별 정유 공장에 적합한 부식 예측이 가능해진다.

더 나아가, 본 발명에 의하여, 다중 선형 회귀 분석과 같은 일반적인 통계 기법과 본 발명의 예측 결과를 비교함으로써 보다 정확한 결과를 얻을 수 있고, 궁극적으로는 정유 공장의 안전한 운전과 더욱 긴 시간동안 연속 운전을 가능케 하여 수익을 극대화할 수 있다.

도 1 은 본 발명의 일 실시예에 의한 유류 설비의 부식 속도 예측 방법을 개략적으로 나타내는 흐름도이다.
도 2 는 본 발명에서 사용되는 구분적 선형화를 나타내는 그래프이다.
도 3 은 본 발명에서 사용되는 크리깅 모델을 설명하는 그래프이다.
도 4 는 부식 변수가 6 개인 경우의 실험적 베리오그램과 이론적 베리오그램을 나타내는 그래프이다.
도 5 는 부식 변수가 6 개인 경우의 예측 결과들을 나타내는 그래프이다.
도 6 은 부식 변수가 4 개인 경우의 실험적 베리오그램과 이론적 베리오그램을 나타내는 그래프이다.
도 7 은 부식 변수가 4 개인 경우의 예측 결과들을 나타내는 그래프이다.
도 8 은 본 발명의 다른 실시예에 의한 유류 설비의 부식 속도 예측 장치를 개략적으로 나타내는 블록도이다.

본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.

이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 설명함으로서, 본 발명을 상세히 설명한다. 그러나, 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 설명하는 실시예에 한정되는 것이 아니다. 그리고, 본 발명을 명확하게 설명하기 위하여 설명과 관계없는 부분은 생략되며, 도면의 동일한 참조부호는 동일한 부재임을 나타낸다.

도 1 은 본 발명의 일 실시예에 의한 유류 설비의 부식 속도 예측 방법을 개략적으로 나타내는 흐름도이다.

우선, 정유 공장에서의 부식 예측을 위해서 정유 공장에서 측정 가능한 부식 인자들과 부식 속도에 대한 과거의 운전 데이터들을 입력받는다(S110).

정유 공장에서 측정가능한 부식 인자들의 예로는 pH, Cl^-, Fe²⁺, H₂S 농도, NH₃ 농도, 유량 등이 있다. CO2와 H₂S에 의한 부식은 정유 공장에서의 주요한 부식 반응으로 주요 부식인자이다. 그 외에도 다양한 부식에 영향을 미치는 인자들이 있으나 정확한 부식 메커니즘이 밝혀지지 않아 이론적 모델의 적용에 한계가 있다. 또한, 실제 정유 공장에서 측정할 수 있는 변수들의 수와 종류에 제약이 따르며 정유 공장마다 운전 환경이 달라 각 정유 공장에 맞는 부식 예측 모델이 필요하다. 그러므로, 본 발명에서는 실제 측정 데이터를 사용하여 부식 속도를 예측한다.

데이터가 획득되면, 획득된 부식 데이터로부터 이상점을 제거한다(S130).

이상점을 제거하기 위해서는 Q-test를 수행해야 하며, 본 발명에서는 Q-test를 수행하기 전에 구분적 선형화(piecewise linearization) 및 시간 가중 평균화 기법을 적용할 수 있다.

이와 같이 이상점이 제거되면, 나머지 데이터를 적용할 부식 변수를 획득한다(S140). 본 발명에서는 부식 변수들로서, H₂S, Cl^-, Fe²⁺, NH₃, pH, 유량의 6 개의 변수를 사용하였으나, 본 발명은 이에 한정되는 것이 아니고 부식 속도에 영향을 미칠 수 있는 다양한 부식 변수들을 도입하는 것이 가능함은 물론이다.

부식 변수가 결정되면, 획득된 부식 변수와 부식 속도의 상관 관계를 유의 확률로 분석하고 유의도가 낮은 부식 변수를 제거한다(S160). 이와 같이 부식 변수를 제거하면 크리깅 모델의 초평면의 차원을 낮추는 효과를 얻게 된다.

초평면의 차원이 결정되면, 이상점이 제거된 부식 데이터를 크리깅 모델(Kriging model)에 적용하여 부식 속도를 예측한다(S170). 이와 같이, 본 발명에서는 고등 통계 기법인 크리깅 모델을 사용하여 정유 공장의 운전 데이터를 입력받아 해당 정유 공장의 운전 환경에 맞는 부식 속도를 예측한다. 크리깅 모델은 일반적으로 공간 좌표계에서 사용되지만, 본 발명에서는 이러한 모델을 부식 인자들로 이루어진 비공간 좌표계의 초평면에 적용하여 부식 예측을 수행한다.

부식 속도가 예측되면, 다중 선형 회귀 분석 및 인공 신경망 분석을 수행하고, 수행된 결과를 크리깅 모델을 사용하여 예측된 결과와 함께 사용자에게 제공한다(S190).

즉, 본 발명에서는 비공간 좌표인 부식 변수들(H₂S, Cl^-, Fe²⁺, NH₃, pH, 유량)로 이루어진 초평면을 구성하고, 유의도에 따라 부식 변수의 개수를 감축함으로써 연산 부담을 줄이는 한편, 종래 기술보다 용이하게 부식 속도를 예측한다.

이하, 관련 도면을 참조하여 본원 발명을 더욱 상세히 설명한다.

우선, 운전 데이터는 수 년간 측정된다. 전술된 바와 같이 변수의 세트는 pH, Cl^-, Fe²⁺, H₂S, NH₃, 및 유량을 포함하며, 그 외의 변수들도 포함할 수 있다. 부식 속도는 비정규적으로 매주 측정되지만, 그 외의 모든 변수들은 비정규적으로 매일 측정될 수 있다.

6 개의 부식 변수들과 부식 속도를 조절하기 위하여, 구분적 선형화(piecewise linearization)이 이용되고, 각 변수들의 구간 별 평균값을 구하기 위하여 시간-가중 평균 기법이 사용된다.

도 2 는 본 발명에서 사용되는 구분적 선형화를 나타내는 그래프이다.

도 2와 같이 측정 시간이 다른 경우에도 구분적 선형화를 통해 변수들을 선형 처리할 수 있다.

예측의 정확도를 높이고 처리를 용이하게 하기 위하여, 특정 이상점(outliner)이 배제될 수 있다. 예를 들어, 95% 신뢰도를 벗어나는 값들이 운전 데이터 중에서 배제될 수 있다. 본 명세서에서는 42개의 측정된 데이터 중 35개의 데이터가 학습용 샘플로 사용되었고, 나머지 7 개의 데이터는 검증용 샘플로 사용되었다. 하지만, 이는 본 발명의 설명을 위한 것이고, 더 적거나 더 많은 수의 데이터들이 사용될 수 있음은 물론이다.

도 3 은 본 발명에서 사용되는 크리깅 모델을 설명하는 그래프이다.

도 3 에 나타나는 바와 같이, 크리깅 모델은 인접 지점 주위의 값들의 선형 조합을 이용하여 관심점의 값을 예측하는 기법이다. 크리깅 모델은 회귀 분석법에 대한 대안이라고 간주될 수 있다. 다른 통계적 모델과는 달리, 크리깅 모델은, 측정된 값들로부터 공간 상관 함수인 배리오그램(variogram)을 이용하여 값을 예측하는데, 베리오그램은 지구통계학에서 흔히 사용되는 관측값들의 공간적 연관성을 표현하는 함수로서, 베리오그램을 이용하여 공분산 값이 계산된다.

일반적으로 크리깅 모델은 지구 통계학에서 사용되는 기법으로, 공간 좌표 상에서 예측하려는 지점과 가까운 지점들의 값들로 선형 결합을 하여 예측하는 기법으로서, 지질학, 지리학, 기상학 외에도 전산 유체 역학(Computational Fluid Dynamics)과 같은 공간 정보와 관련된 분야로도 응용이 되고 있다. 예를 들어, 크리깅 모델에 대한 추가 설명을 본 명세서에 인용된 [논문 1] 내지 [논문 4]에서 찾을 수 있다. 이러한 논문들은 그 내용이 본원 발명에 원용되어 포함된다.

크리깅 모델의 수학식 1과 같이 표현될 수 있다.

수학식 1에서, z^*는 추정하려는 부식 속도이고, z _i 는 i지점에서의 값이며, λ_i는 가중 파라미터이고, n은 인접 지점들의 개수이다. 가중 함수를 결정하기 위해서 여러 방정식을 풀어내야 한다. 가장 함수를 결정하기 위한 방법들은, 심플 크리깅(simple Kriging), 오디너리 크리깅(ordinary Kriging), 블록 크기링(block Kriging), 코-크리깅(co-Kriging), 또는 전역 크리깅(universal Kriging) 등 다양한 크리깅 모델 중 어느 것을 사용하는지에 따라 달라진다. 이용될 수 있는 크리깅 모델은 본 발명을 한정하지 않으며, 본 발명의 출원 전 공지된 모든 기법들이 사용될 수 있는 것이 이해되어야 한다.

이와 같이, 크리깅 모델을 이용한 부식 속도 예측은 입력받은 과거의 데이터들 중 유사한 환경에서의 부식 속도 값들의 선형 결합으로 구할 수 있다.

설명의 편의를 위하여 심플 크리깅의 다양한 방법 중 심플 크리깅 모델을 예시하면, 수학식 2와 같다.

수학식 2에서, C(i, j)는 인접 지점 i와 j 사이의 거리에서의 공분산값이고, c(i)는 목표지점과 인접 지점 i 사이의 거리에서의 공분산 값이다. 이러한 공분산 값들은 수학식 3 에서와 같이 베리오그램으로부터 유도된 공분산 함수를 사용해서 얻어질 수 있다.

수학식 3에서, h는 두 지점 사이의 이격거리이고, γ는 베리오그램이다. Sill은 제로의 거리에서의 공분산 값 또는 점들의 쌍의 최대 변이이다. 즉, 이것은 거리가 증가함에 따라 제로로 감소하는 공분산 값(C(h)) 때문에 무한대의 거리로 커지는 베리오그램의 상한이다. 가중 파라미터 is가 베리오그램으로부터 얻어지기 때문에, 베리오그램의 정확성이 예측 성능 전체에 큰 영향을 미친다.

베리오그램은 데이터의 상관을 거리로 기술한다. 실험적인 베리오그램은 다음 수학식 4와 같이 거리가 h인 점들의 쌍들 사이의 평균 제곱차(mean square difference)의 절반이다.

수학식 4에서, |N(h)|는 쌍들의 개수이고, z는 어느 지점에서의 종속 변수값이며, (i, j)는 거리 h만큼 떨어진 점들의 쌍이다. 이론적 베리오그램은 실험적인 베리오그램으로부터 얻을 수 있다.

일 예로서, 본 명세서에서는 수학식 5 와 같은 오디너리 크리깅을 사용하여 본 발명을 설명하지만, 본 발명은 이러한 기법으로 한정되지 않고, 다양한 크리깅 기법들이 채용될 수 있음이 명백하다.

또한, 본 명세서에서는 전술한 바와 같이, 부식 변수로 이루어진 초평면(hyperplane)을 사용하여 크리깅 모델을 적용한다.

크리깅 기법으로 예측한 부식 속도의 정확도를 다중 선형 회귀 분석(Multi Linear Regression; MLR) 및 인공 신경망(Artificial Neural Network; ANN)과 같은 기법들과 비교한다.

다중 선형 회귀 분석을 사용하면, 종속 변수에 대한 각각의 독립 변수의 영향을 분석하고, 독립 변수와 종속 변수 사이의 관련성을 인식하는 것이 수월하게 이루어질 수 있다. 하지만, 다중 선형 회귀 분석은 비선형성과 복잡성을 가지는 거동을 가지는 자연 현상을 예측하는 데에는 충분하지 않다.

인공 신경망 기법은 인간 두뇌의 신경망을 모사하는 인공 지능 방법이다. 이러한 방법은 복잡한 비선형계를 풀어내는 데에 강력하기 때문에 에너지 소비, 유가, 열전도율, 공정 최적화 등의 분야에서 널리 사용된다. 그러나, 인공 신경망은 몇 가지 단점을 가지는데, 첫 번째는 과맞춤(over-fitting)의 문제점이다. 데이터가 샘플 구간에서는 잘 맞지만 다른 지역에 대해서는 양호한 예측 성능을 보이지 않는 것이 과맞춤 문제점이다. 다른 문제점은, 자유도가 너무 높아서 선택 변수가 너무 많다는 것이다.

따라서, 변수의 개수를 줄이는 것이 필요하다. 그 첫 번째 이유는 부식 속도 예측을 위해서 6 개의 부식 변수를 모두 사용하면 만족할만한 예측 결과가 나오지 않는다는 것이다. 어떤 변수는 다른 것들에 비하여 부식 속도에 미치는 영향이 적을 수 있는데도, 무리하게 해당 변수를 포함하여 모델링을 수행할 필요가 없다.

크리깅 모델의 경우에, 6차원 초평면에 42 개의 데이터 세트를 적용하였지만, 차원이 높아질수록 적절한 베리오그램을 찾기 위해서 더 많은 샘플 데이터가 필요하기 때문에 6차원은 적합하지 않을 수 있다. 그러므로, 본 발명에서는 데이터 세트를 두 개 감소시켜서 초평면을 구성하였다. 사용되는 변수의 개수는 신뢰도가 높아질수록 많아지게 되는데, 일반적으로 4차원 초평면을 구성하여 수행한 결과를 가지고 신뢰 구간을 측정해 본 결과 충분히 양호한 결과를 얻을 수 있다는 것을 알 수 있다.

35 개의 데이터 세트를 사용하여 6 개의 부식 변수가 개발되고 검증되었다. 모든 변수들은 정규화되어 모델에 적용된다.

도 4 는 실험적이고 이론적인 베리오그램을 나타낸다.

그래프에서 이격 거리는 학습용 샘플지점들 사이에서의 6 개의 부식 변수들의 유사도를 나타낸다. 35 개의 데이터 세트만을 사용하였기 때문에, 0부터 0.2 까지의 이격 거리 범위에서는 베리오그램 실험값이 존재하지 않는다. 그러므로, 이러한 구간에 베리오그램 실험값이 존재하지 않는다는 것은 이론적인 베리오그램이 정확하지 않다는 것을 나타낸다. 도 4 는 0.6 의 이격 거리에 도달할 때까지 초평면 상의 이격 거리에는 공간적 관련성이 존재한다는 것을 나타낸다(이것은 range라고 불린다). 이러한 range 밖에서의 베리오그램 값은 이격 거리와는 아무런 관련성을 가지지 않는다. 최적화 툴을 사용하여 파라미터를 추정하면 이론적인 베리오그램이 얻어진다. 이론적 베리오그램으로서 지수 모델이 사용되는데, 이것은 각각 0.574의 range와 0.087의 sill값이 된다.

가장 가까운 3개, 5개, 그리고 7 개의 지점과 검증 구간 내의 모든 점들을 사용한 크리깅 모델의 평균 자승 오차(mean square error; MSE)는 각각 0.541, 0.625, 0.572, 0.351 이다. 가장 가까운 3개, 5개, 그리고 7 개의 지점에서 얻은 결과가 더 안 좋은 이유는 0.2 의 거리 내에 근접 지점이 없기 때문이다. 도 5 의 (a)에 표시되는 바와 같이, 학습 구간에서의 MSE는, 다른 모델들과 달리 해당 구간 내에서의 측정치와 예측치가 크리깅 모델에서 정확하게 일치하기 때문에 정확히 0이 된다.

도 5 의 (b)는 MLR 모델 결과를 나타낸다. 검증 샘플들의 MSE는 0.420이고, 학습 샘플들의 MSE는 1.126이다. 비록 파라미터의 세트가 학습 샘플들에 의해서 결정되었지만, 검증 구간의 결과는 MSE보다 더 양호한 결과를 보여 준다. 그 이유는, 부식 속도의 범위 때문이다: 학습 구간에서는 0.456 MPY 내지 4.867 MPY 이지만, 검증 구간에서는 1.217 MPY 내지 2.920 MPY 이다. 더 나아가, 예측 결과에는 측정값들 사이에 트렌드도 잘 보이지 않는다.

40 개의 상이한 타입의 인공 신경망 모델들은 은닉 뉴런, 바이어스 뉴런의 존재/비존재, 및 에포크의 조합으로 이루어진다. 표 1은 MSE에 대한 인공 신경망 모델의 결과를 나타낸다.

은닉 뉴런의 개수가 많아질수록, 학습 구역에서의 MSE는 모든 경우에 감소하는 경향성을 가진다. 반면에, 4 개 내지 6 개의 은닉 뉴런까지는, 검증 구역에서의 MSE는 증가되는 경향을 가지며, 은닉 뉴런이 더 많아지면 경향성에 일관성이 없어진다. 그러나, 은닉 뉴런의 개수가 많아지면 더 많은 파라미터가 결정되어야 한다. 바이어스 뉴런이 포함된 모델은 일반적으로 바이어스 뉴런이 없는 모델보다 열약한 예측 성능을 보여준다. 또한, 에포크의 개수도 과맞춤 문제점에 영향을 준다.

가장 바람직한 인공 신경망 모델은 바이어스 뉴런이 없이, 3 개의 은닉 뉴런과 10,000 개의 에포크를 가지는 모델이라고 볼 수 있으며, 이는 도 5의 (c)에 표시된다. 다중 선형 회귀 분석모델과는 달리 측정된 부식 속도에 대한 양호한 예측값을 제공하고, 다중 선형 회귀 분석과 비교할 때 주어진 학습 구간과 검증 구간 모두에서 MSE 값이 절반 밖에 되지 않는다.

도 5 의 다중 선형 회귀 분석 모델과 인공 신경망 모델과 비교하여, 크리깅 모델은 다중 선형 회귀 분석 모델과 유사하다고 볼 수 있다. 또한, 크리깅 모델을 살펴보면, 검증 구간 내의 약 1.5 MPY의 작은 부식 속도점에서, 측정값과 예측값 사이에 큰 차이가 있다. 그러므로, 6 개의 부식 변수가 있는 경우에는 인공 신경망 모델이 최적의 결과를 나타낸다. 하지만, 크리깅 모델은 더 정확한 베리오그램이 얻어진다면 개선될 수 있다. 그러려면 데이터 세트를 더 많이 사용하거나 변수들의 개수를 줄여야 한다.

이와 같이, 6 개의 부식 변수들이 4 개로 감소되면 5% 미만의 유의 확률(significance probability)이 얻어진다. 6 개의 변수들 중에서 NH₃와 Fe²⁺가 제거될 수 있다. 그리고, 나머지 변수인 H, Cl^-, H₂S, 유량들이 사용된다.

4 개의 변수가 사용될 경우의 크리깅 모델에 대한 실험 베리오그램과 이론적 베리오그램은 도 6 에 표시된다. 도 6 에는 이격 거리 0.2 내에 인접 점들이 존재하고, range 내의 점들의 개수가 변수가 6 개일 경우에 비하여 증가되었다. 결과적으로, 실험 베리오그램은 이격 거리가 증가함에 따라 range 구간 내에 명백한 증가 경향을 나타낸다. 이론적 베리오그램인 가우스 모델이 실험 베리오그램과 잘 맞는다. 모델의 파라미터 세트는 파라미터 추정을 통해 얻어진다. 6 개의 부식 변수가 사용되는 것에 비하여, range는 0.574에서 0.585로 증가했다. 또한, sill도 0.087에서 0.116으로 증가했다.

도 7 의 (a)는 변수가 네 개의 경우에 크리깅 모델들 중 최적인 크리깅 모델을 도시한다. 이 때, 가장 가까운 3개, 5개, 7 개 점들과 관련된 MSE는 각각 0.377, 0.183, 0.375이다. 가장 가까운 5 개의 점들을 사용한 크리깅 모델이 가장 낮은 MSE 값을 나타낸다. 도 5의 (a)와 도 7 의 (a)에서 볼 수 있는 것처럼, 검증 구간에서의 예측된 값들의 범위는 변수가 6 개 인 경우에 비하여 더 커진다. 그러므로, 이러한 크리깅 모델은 예측 성능을 개선하고, 부식 속도가 낮은 경우에도 신뢰성이 높다.

변수가 4 개의 경우의 다중 선형 회귀 분석 모델은 검증 구역과 학습 구역에서 각각 0.448과 1.126의 MSE를 나타낸다. 4 개의 변수를 가진 모델의 예측 성능은 변수가 6 개인 모델보다 차이가 적은 이유는, 부식 속도와 상관성이 적은 데이터 세트를 얻기 위하여, 제거된 변수들의 세트가 유의도 확률을 적용하여 결정되었기 때문이다.

4 개의 부식 변수를 가지는 인공 신경망 모델의 결과가 표 2 에 표시된다. 변수가 6 개인 경우에 비하여, 변수가 4 개일 경우 매우 개선된 결과를 보여준다. 그러나, MSE에 대해서 살펴보면, 최적의 결과는 변수가 6 개인 경우와 유사하며 그 차이는 0.209:0.232와 같다.

각각의 경우에 모델별로 최소 MSE 값을 구한 것이 표 3 에 표시된다. 부식 변수가 4 개이고 가장 가까운 5 개의 점들을 사용하는 크리깅 모델이 이들 중에서 가장 양호한 결과를 나타낸다.

도 8 은 본 발명의 다른 실시예에 의한 유류 설비의 부식 속도 예측 장치를 개략적으로 나타내는 블록도이다.

본 발명의 다른 면에 의한 유류 설비의 부식 속도 예측 장치(800)는, 부식 데이터 획득부(810), 이상점 제거부(820), Q-test 부(840), 중앙 제어부(850), 부식 속도 예측부(860), 상관 관계 분석부(880), 및 결과 제공부(890)를 포함한다.

부식 데이터 획득부(810)는 유류 설비의 부식에 대해 측정된 부식 데이터를 획득한다. 전술된 바와 같이, 부식 데이터는 다양한 시간 간격으로 측정된 데이터일 수 있다.

그러면, 이상점 제거부(820)가 획득된 부식 데이터로부터 이상점을 제거한다. 이를 위하여, 이상점 제거부(820)는 부식 속도와 부식 변수들의 측정 시간을 고려하여 부식 데이터에 구분적 선형화 및 시간 가중 평균화 기법을 적용할 수 있다. 이와 같이 처리된 부식 데이터는 Q-test 부(840)로 제공되고, Q-test 부(840)는 이러한 데이터에 Q-test를 수행하여 소정 임계를 벗어나는 부식 데이터를 제거한다.

중앙 제어부(850)는 유류 설비의 부식 속도 예측 장치(800)의 구성 요소들의 동작을 제어한다.

이상점이 제거되면, 부식 속도 예측부(860)는 이상점이 제거된 부식 데이터를 크리깅 모델(Kriging model)에 적용하여 부식 속도를 예측한다. 부식 속도의 예측을 용이화하기 위하여, 상관 관계 분석부(880)는 크리깅 모델에 적용될 부식 변수할 부식 변수와 부식 속도의 상관 관계를 유의 확률로 분석하고, 분석 결과에 따라 유의도가 낮은 부식 변수를 제거하여 크리깅 모델의 초평면의 차원을 낮출 수 있다. 이와 같이 초평면의 차원이 낮아지면, 부식 속도를 더욱 신속하고 용이하게 예측할 수 있는 장점이 있다.

부식 속도가 예측되면, 결과 제공부(890)가 예측된 결과를 다중 선형 회귀 분석 결과 및 인공 신경망 분석 결과와 함께 사용자에게 제공한다.

이와 같이, 본 발명에서는 이상점이 제거된 42개 데이터를 중 35개 데이터를 학습에 사용하였고, 7개 데이터를 검증하는데 사용하였다. 그 결과 크리깅 모델 모델은 단순한 다중선형회귀분석보다는 정확하지만 인공신경망보다는 평균제곱오차가 좋지 않은 것으로 나타났으며, 정확성 향상을 위하여 부식 변수와 부식 속도의 선형 관계를 유의 확률로 분석한 결과, 상관 관계가 적은 부식 변수인 Fe²⁺, NH₃를 제거한 4차원의 초평면에서 크리깅 모델을 적용하였다.

이와 같이, 차원의 축소로 35개 데이터가 초평면을 더 잘 나타낼 수 있게 됨에 따라 크리깅 모델의 예측 결과는 상당히 개선이 되어 다중 선형 회귀 분석 및 인공 신경망보다 정확한 결과를 나타냈다. 따라서, 크리깅 모델을 비공간 좌표계에 적용을 할 때에는 데이터 수에 비해 변수의 수가 적어 정확한 예측이 힘든 경우에 효과적이라는 것을 확인할 수 있다.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.

또한, 본 발명에 따르는 방법은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 분산 컴퓨터 시스템에 의하여 분산 방식으로 실행될 수 있는 컴퓨터가 읽을 수 있는 코드를 저장할 수 있다.

본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설시된 특징, 수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다. 그리고, 명세서에 기재된 "...부", "...기", "모듈", "블록" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

따라서, 본 실시예 및 본 명세서에 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시예는 모두 본 발명의 권리범위에 포함되는 것이 자명하다고 할 것이다.

본 발명은 정유 공장의 유류 시설들의 부식 속도를 예측하기 위하여 사용될 수 있다.

800 유류 설비의 부식 속도 예측 장치
810 부식 데이터 획득부 820 이상점 제거부
840 Q-test 부 850 중앙 제어부
860 부식 속도 예측부 880 상관 관계 분석부
890 결과 제공부

Claims

유류 설비의 부식 속도 예측 방법으로서,
상기 유류 설비의 부식 데이터를 획득하는 단계;
획득된 부식 데이터로부터 이상점을 제거하는 단계; 및
이상점이 제거된 부식 데이터를 크리깅 모델(Kriging model)에 적용하여 부식 속도를 예측하는 단계를 포함하는, 유류 설비의 부식 속도 예측 방법.
제1항에 있어서,
상기 이상점을 제거하는 단계는,
부식 속도와 부식 변수들의 측정 시간을 고려하여 상기 부식 데이터에 구분적 선형화(piecewise linearization) 및 시간 가중 평균화 기법을 적용하는 단계; 및
적용된 결과에 Q-test를 수행하여 소정 임계를 벗어나는 부식 데이터를 제거하는 단계를 포함하는, 유류 설비의 부식 속도 예측 방법.
제1항에 있어서,
상기 부식 속도를 예측하는 단계는,
상기 크리깅 모델에 적용될 부식 변수들을 획득하는 단계;
획득된 부식 변수와 부식 속도의 상관 관계를 유의 확률로 분석하는 단계; 및
분석 결과에 따라 유의도가 낮은 부식 변수를 제거하여 크리깅 모델의 초평면의 차원을 낮추는 단계를 포함하는, 유류 설비의 부식 속도 예측 방법.
제3항에 있어서,
상기 부식 속도를 예측하는 단계는,

을 사용하여 부식 속도를 예측하는 단계를 더 포함하며,
여기에서, z^*는 예측하려는 부식 속도, z _i 는 예측하려는 환경과 유사한 환경에서 측정된 부식 데이터, n은 상기 유사한 환경에서 측정된 부식 데이터의 수, λ_i는 z _i 에 적용되는 가중치를 나타내는, 유류 설비의 부식 속도 예측 방법.
제1항에 있어서,
예측된 결과를 다중 선형 회귀 분석 결과 및 인공 신경망 분석 결과 중 적어도 하나와 함께 제공하는 단계를 더 포함하는, 유류 설비의 부식 속도 예측 방법.
제1항에 있어서,
상기 유류 설비는 정류 공장의 증류탑 상부인, 유류 설비의 부식 속도 예측 방법.
유류 설비의 부식 속도 예측 장치로서,
상기 유류 설비의 부식 데이터를 획득하는 부식 데이터 획득부;
획득된 부식 데이터로부터 이상점을 제거하는 이상점 제거부; 및
이상점이 제거된 부식 데이터를 크리깅 모델(Kriging model)에 적용하여 부식 속도를 예측하는 부식 속도 예측부를 포함하는, 유류 설비의 부식 속도 예측 장치.
제7항에 있어서,
상기 이상점 제거부는,
부식 속도와 부식 변수들의 측정 시간을 고려하여 상기 부식 데이터에 구분적 선형화(piecewise linearization) 및 시간 가중 평균화 기법을 적용하고,
적용된 결과에 Q-test를 수행하여 소정 임계를 벗어나는 부식 데이터를 제거하도록 구성되는, 유류 설비의 부식 속도 예측 장치.
제7항에 있어서,
상기 부식 속도 예측부는,
상기 크리깅 모델에 적용될 부식 변수들을 획득하고,
획득된 부식 변수와 부식 속도의 상관 관계를 유의 확률로 분석하며,
분석 결과에 따라 유의도가 낮은 부식 변수를 제거하여 크리깅 모델의 초평면의 차원을 낮추도록 구성되는, 유류 설비의 부식 속도 예측 장치.
제9항에 있어서,
상기 부식 속도 예측부는,

를 사용하여 부식 속도를 예측하고,
여기에서, z^*는 예측하려는 부식 속도, z _i 는 예측하려는 환경과 유사한 환경에서 측정된 부식 데이터, n은 상기 유사한 환경에서 측정된 부식 데이터의 수, λ_i는 z _i 에 적용되는 가중치를 나타내는, 유류 설비의 부식 속도 예측 장치.
제7항에 있어서,
예측된 결과를 다중 선형 회귀 분석 결과 및 인공 신경망 분석 결과 중 적어도 하나와 함께 제공하는 결과 제공부를 더 포함하는, 유류 설비의 부식 속도 예측 장치.
제7항에 있어서,
상기 유류 설비는 정류 공장의 증류탑 상부인, 유류 설비의 부식 속도 예측 장치.