Hydrogen production from blended waste biomass: pyrolysis, thermodynamic-kinetic analysis and AI-based modelling

기술 요약: 혼합 폐기물 바이오매스로부터의 수소 생산

문제 정의
화석 연료로부터의 전 지구적 전환은 기후 변화를 완화하고 탄소 배출을 줄이기 위해 지속 가능한 "그린 수소" 생산 방법의 개발을 필요로 한다. 바이오매스는 유망한 재생 가능한 원료를 제공하지만, 바이오매스 조성의 내재된 복잡성과 열적 분해 과정의 가변성은 최적화에 있어 상당한 과제를 제기한다. 특히, 커피 찌꺼기(SCG) 및 대추야자 씨앗(DS)과 같이 활용도가 낮은 농업 잔류물은 수소 생산을 위한 연구가 여전히 미미한 상태이다. 또한, 열분해 역학을 특성화하고 열적 거동을 예측하는 전통적인 실험 방법은 종종 노동 집약적이고 시간이 많이 소요된다. 이러한 특정 원료에 대한 열분해 과정을 최적화하고, 모델링 정확도와 공정 효율을 높이기 위해 인공지능(AI)과 같은 고급 계산 도구를 활용해야 할 결정적인 필요성이 존재한다.

방법론
본 연구는 실험적 특성화, 역학 및 열역학 분석, 그리고 AI 기반 예측 모델링을 결합한 종합적인 접근 방식을 채택하였다:

1. 시료 준비 및 특성화: SCG와 DS를 건조, 분쇄하였으며, 개별적으로 그리고 세 가지의 서로 다른 혼합물(75% DS–25% SCG, 50% DS–50% SCG, 25% DS–75% SCG) 형태로 분석하였다. 분석에는 근성분 및 원소 분석, 섬유질 함량(셀룰로오스, 헤미셀룰로오스, 리그닌), 그리고 불활성 질소 분위기 하에서의 열중량 분석(TGA)이 포함되었다.
2. 열분해 실험: 실험은 650°C, 승온 속도 10°C/min 조건의 고정층 반응기에서 수행되었다. 가스 생성물은 수집되었으며, 수소 및 기타 휘발성 성분을 정량화하기 위해 마이크로 가스 크로마토그래피(Micro-GC)를 사용하여 분석되었다.
3. 역학 및 열역학 분석: TGA 데이터에 등가 변환법(KAS, FWO, Friedman)을 적용하여 활성화 에너지($E_a$)와 빈도 계수를 결정하였다. 에너지 요구량을 평가하기 위해 열역학적 파라미터(엔탈피 $\Delta H$, 깁스 자유 에너지 $\Delta G$, 엔트로피 $\Delta S$)를 계산하였다.
4. AI 기반 모델링: TGA 질량 감소 곡선을 예측하기 위해 Python(TensorFlow/Keras)을 사용하여 장단기 메모리(LSTM) 신경망을 개발하였다. 두 가지 모델이 학습되었다:
   • 모델 1: 기본 특징(온도, 승온 속도, 혼합 비율)을 활용함.
   • 모델 2: 온도 범위에 따라 동적으로 조정되는 목질계 조성 데이터(셀룰로오스, 헤미셀룰로오스, 리그닌 백분율)를 통합하여 모델 1을 확장함.
     하이퍼파라미터 튜닝은 Keras Tuner와 RandomSearch를 사용하여 수행되었다. 모델은 새로운 승온 속도인 25°C/min을 포함한 미학습 데이터에 대해 검증되었다.

주요 결과

• 물리화학적 특성: SCG와 DS 모두 높은 휘발성 물질과 바이오 에너지에 적합한 발열량을 나타냈다. DS는 더 높은 헤미셀룰로오스 함량(48.2%)을 보였고, SCG는 더 높은 셀룰로오스 함량(32%)을 보였다.
• 역학 분석: 순수 시료에 대해 KAS 모델이 가장 정확한 것으로 확인되었다.
  • 혼합물 1 (75% DS–25% SCG): 가장 낮은 평균 활성화 에너지($E_a \approx 161.75$ kJ/mol)를 나타내어, 가장 높은 에너지 효율과 가장 용이한 분해를 보여주었다.
  • 혼합물 3 (25% DS–75% SCG): 가장 높은 활성화 에너지($E_a \approx 313.24$ kJ/mol)를 보여, 더 복잡하고 에너지가 많이 드는 분해 과정을 시사했다.
• 열역학: 열역학적 파라미터는 혼합물 1이 가장 적은 외부 에너지 입력을 필요로 하는 반면, 혼합물 3은 가장 많은 에너지를 요구함을 확인하였으며, 이는 역학적 결과와 일치하였다.
• 수소 수율: Micro-GC 분석 결과, 혼합물 내 SCG 비율을 높일수록 수소 농도가 증가함을 밝혔다. 혼합물 3 (75% SCG)이 가장 높은 수소 수율(3.4378 mole %)을 생산하였고, 혼합물 2와 혼합물 1이 그 뒤를 이었다. 순수 SCG는 4.6259 mole %의 $H_2$를 생성하여, 순수 DS(0.9024 mole %)보다 현저히 높았다.
• AI 모델링 성능:
  • 모델 1은 0.9658에서 0.9958 사이의 $R^2$ 값을 달성하였다.
  • 목질계 조성을 포함한 모델 2는 미학습된 25°C/min 승온 속도를 포함한 다양한 승온 속도에 대해 0.9996에서 0.9998 범위의 $R^2$ 값을 기록하며 탁월한 정확도를 입증하였다. 모델 2는 모델 1에 비해 평균 제곱 오차(MSE)와 평균 절대 오차(MAE)를 크게 감소시켰다.

의의 및 기여
본 논문은 SCG, DS 및 이들의 혼합물 열분해에 특화된 고급 AI/ML 기술을 적용함으로써 문헌상의 주목할 만한 공백을 메운다고 주장한다. 주요 기여는 다음과 같다:

1. 혼합물 최적화: 본 연구는 에너지 효율과 수소 수율 사이의 상충 관계(trade-off)를 식별하였다. 혼합물 1은 에너지 효율적인 열분해에 최적이며, 혼합물 3은 높은 에너지 요구량에도 불구하고 수소 생산을 극대화하는 데 우수하다.
2. AI 통합: 본 연구는 목질계 조성 데이터를 LSTM 모델에 통합하는 것이 열적 분해 거동의 예측력을 크게 향 만큼, 거의 완벽한 정확도($R^2 > 0.999$)를 달성함을 입증하였다. 이는 광범위한 실험적 테스트에 대한 비용 및 시간 효율적인 대안을 제공한다.
3. 폐기물 가치화: 본 연구는 활용도가 낮은 식품 폐기물을 지속 가능한 에너지 운반체로 전환할 수 있는 잠재력을 검증하여, 순환 수소 경제로의 전환을 지원한다.

저자들은 LSTM 모델이 높은 예측 능력을 보여주지만, 향후 연구는 다양한 바이오매스 유형 및 혼합 비율에 걸쳐 모델의 일반화 능력을 더욱 향상시키기 위해 데이터셋의 다양성을 확장하는 데 집중해야 한다고 결론지었다.