Superstructure Optimization with Embedded Neural Networks for Sustainable Aviation Fuel Production

기술 요약: 지속 가능한 항공 연료 생산을 위한 내장형 신경망을 활용한 초구조 최적화

문제 제기
항공 분야의 탈화석 연료화는 특히 케로신 범위 탄화수소 (C8–C16) 인 지속 가능한 항공 연료 (SAF) 의 대량 생산을 요구합니다. 경제적이고 환경적으로 최적화된 SAF 생산 경로를 설계하는 것은 복잡한 다차원 최적화 문제입니다. 이는 다양한 원료 (바이오매스, 포집된 CO2, 재생 가능 H2), 중간 화학 물질, 그리고 전환 기술을 광범위하게 포함합니다. 기존의 초구조 최적화 접근법은 종종 선형 공정 모델, 고정된 운전 조건, 그리고 집합적 성분 표현과 같은 과도하게 단순화된 가정에 의존합니다. 이러한 단순화는 SAF 합성에 결정적인 비선형 열역학적 관계와 조성 의존적 거동을 포착하지 못합니다. 특히 제품 선택도가 운전 매개변수에 매우 민감하게 반응하는 Fischer-Tropsch(FT) 전환과 같은 공정에서 그렇습니다. 더 나아가, 기존 방법들은 상세한 혼합물 조성과 탄소 관리 전략을 고려하면서도 이산적인 공정 선택과 연속적인 운전 변수 (예: 온도, 압력, 공급 조성) 를 동시에 최적화할 수 있는 유연성이 종종 부족합니다.

방법론
저자들은 혼합 정수 2 차 제약 프로그래밍 (MIQCP) 공식화 내에서 데이터 기반 대리 모델로서 인공 신경망 (ANN) 을 통합하는 고급 다목적 최적화 프레임워크를 제안합니다.

• 초구조 공식화: 이 프레임워크는 공정의 명시적인 입구 및 출구 포트를 가진 일반화된 그래프로 생산 네트워크를 모델링합니다. 전통적인 접근법과 달리, 유체는 질량 분율이 의사 결정 변수인 혼합물로 표현됩니다. 이를 통해 공정 토폴로지와 유체 조성을 동시에 최적화할 수 있습니다.
• ANN 내장: 최적화를 비실용적으로 만들지 않으면서 핵심 하위 공정의 비선형성을 해결하기 위해, 바이오매스 가스화, 역수성 가스 전환 (RWGS), 그리고 FT 합성이라는 세 가지 핵심 공정은 엄격한 Aspen Plus® 시뮬레이션 데이터로 훈련된 ANN 을 사용하여 모델링됩니다. 이러한 ANN 은 출력 조성, 선택도, 그리고 에너지 수요가 운전 조건 (예: 반응기 온도, 압력, 입구 비율) 에 어떻게 비선형적으로 의존하는지를 포착합니다.
• 수학적 통합: 훈련된 ReLU 활성화 ANN 은 최적화 및 머신러닝 툴킷 (OMLT) 을 통한 혼합 정수 선형 프로그래밍 (MILP) 재공식화를 사용하여 MIQCP 문제에 내장됩니다. 이 접근법은 복잡한 비선형 거동을 정확하게 표현하면서도 전역 최적화의 계산적 실용성을 유지합니다.
• 최적화 목적: 이 프레임워크는 총 연간 비용 (CAPEX 및 OPEX) 을 최소화하면서 총 CO2 배출량 (생산 및 연소 포함) 을 체계적으로 제약하는 다목적 문제를 해결합니다. $\epsilon$-제약 방법이 파레토 최적 프론티어를 생성하는 데 사용됩니다.
• 시스템 경계: 이 연구는 바이오매스 가스화 (미스칸투스, 밀짚, 소나무 칩), 천연가스의 자동 열 개질 (ATR), 직접 공기 포집 (DAC), 수전해, 그리고 탄소 격리 (CS) 를 포함한 포괄적인 초구조를 고려합니다.

주요 기여

1. 고급 MIQCP 공식화: 유체 조성을 명시적으로 의사 결정 변수로 포함하는 초구조 공식화를 개발하여 네트워크 전반에 걸친 질량 분율의 최적화를 가능하게 함.
2. 내장형 대리 모델링: 비선형 공정 거동을 모델링하기 위해 ANN 을 전역 최적화 프레임워크에 성공적으로 통합하여 운전 조건 (온도, 압력, 공급 조성) 을 고정된 매개변수가 아닌 의사 결정 변수로 취급할 수 있도록 함.
3. FT 기반 SAF 적용: 복잡한 혼합물 제약과 탄소 관리를 처리할 수 있는 능력을 입증하기 위해 FT 를 통한 케로신 합성에 이 프레임워크를 적용함.
4. 유연성 입증: 신경망 대리 모델로 가능해진 단위 조작 수준에서의 더 큰 자유도가 고정 매개변수 설계에 비해 비용과 CO2 강도 측면에서 우수한 시스템 성능을 초래함을 증명함.

결과

• 비용 대 배출량 트레이드오프: 제약 없는 CO2 배출 하에서 최저 비용 구성은 화석 기반 ATR 경로 (0.79 달러/kg 케로신) 에만 의존하며, 이는 높은 배출량 (4.47 kg CO2/kg) 을 동반합니다. 탄소 제약을 부과하면 바이오매스 가스화와 DAC-CS 의 통합이 필수적입니다.
• 최적 경로: 제로 배출 한계에서 ATR 과 바이오매스 가스화를 결합한 하이브리드 구성이 최저 비용 (2.38 달러/kg) 을 달성하며, 그 뒤를 바이오매스 전용 가스화 (2.43 달러/kg) 가 바짝 뒤따릅니다. 두 가지 모두 DAC-CS 가 포함된 ATR 전용 경로 (~2.65 달러/kg) 보다 우수합니다.
• DAC 전용의 한계: 대기 중 CO2(DAC) 와 수전해에만 의존하는 경로는 과도하게 비싸 (~10.8 달러/kg) 서 완전히 산화된 탄소 원천을 사용하는 것의 열역학적 및 경제적 패널티를 강조합니다.
• 탄소 감축: 바이오매스 기반 SAF 의 CO2 감축 비용은 약 390 달러/tCO2 로 추정됩니다. 순 제로 또는 음의 배출을 달성하려면 탄소 격리가 필요하며, 공급망 배출로 인해 바이오매스만으로는 부족합니다.
• 적응성 대 고정 설계: "적응형"(최적화된 운전 조건) 대 "고정형"(미리 결정된 조건) 설계를 비교하는 민감도 분석은 적응성이 최대 20% 의 비용 절감을 가져온다는 것을 보여줍니다. 최적 운전 매개변수 (예: FT 반응기 압력, 가스화 온도) 는 전기 요금과 같은 외부 요인에 따라 크게 변화합니다.
• 열 통합: 열 통합의 경제적 이점은 설계에 따라 다릅니다. 바이오매스 기반 시스템에서는 미미한 절감 (7%) 을 제공하지만, CO2 탈착의 높은 열 수요로 인해 DAC 에 의존하는 시스템에서는 결정적 (14% 절감) 입니다.

의의 및 주장
이 논문은 제안된 방법론이 엄격한 수학적 프레임워크 내에서 이산적 시스템 결정과 연속적 운전 매개변수의 공동 최적화를 가능하게 함으로써 기존 초구조 기반 접근법의 본질적 한계를 극복한다고 주장합니다. 데이터 기반 대리 모델을 내장함으로써, 이 연구는 가변적인 유체 조성과 비선형 공정 거동을 고려하는 것이 진정한 최적 SAF 생산 경로를 식별하는 데 필수적임을 보여줍니다. 결과는 비용 효율적이고 기후에 부합하는 SAF 생산은 완전히 산화된 CO2 가 아닌 열역학적으로 유리한 형태 (바이오매스 또는 메탄) 로 탄소를 도입하는 데 달려 있음을 강조합니다. 또한, 이 연구는 변화하는 기술 - 경제적 환경에 맞춰 공정 운전 조건을 적응시킬 수 있는 유연성이 종종 간과되지만 경제성 수행의 결정적인 동인이며, 정적 설계 접근법 대비 상당한 비용 절감을 제공함을 강조합니다. 저자들은 프레임워크가 견고하지만 그 정확성은 ANN 훈련에 사용된 기반 공정 시뮬레이션의 충실도에 달려 있으며, 향후 연구는 더 많은 하위 공정과 하류 업그레이드 기술을 포함하도록 범위를 확장할 수 있다고 언급합니다.