⚡ electrical engineering

Regression-Based Prediction of Phosphate Concentration in Drum Water Systems under Ammonia–Phosphate Treatment in Power Plants

본 연구는 암모니아-인산염 처리된 드럼수 시스템 내의 인산염 농도를 예측하기 위해 전기 전도도의 자연로그에 기반한 매우 정확한 단일 변수 회귀 모델을 제시하며, 이는 스트림별 조정 없이도 실시간 보일러 수질 관리를 위한 단순화되고 신뢰할 수 있는 도구를 제공한다.

원저자: Ahmad Zamani, Mortezs Fazeli, Mohamad Khatami

게시일 2026-06-30

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ahmad Zamani, Mortezs Fazeli, Mohamad Khatami

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

발전소를 거대한 고압 티 주전자라고 상상해 보세요. 이 주전자 안에서는 물을 끓여 증기를 만들고, 이 증기가 터빈을 돌려 전기를 생성합니다. 하지만 일반적인 주전자가 내부의 석회질로 막히거나 녹이 슬 수 있는 것처럼, 이 거대한 산업용 보일러들도 수질 화학 상태가 완벽하지 않으면 부식과 퇴적물의 위험에 처할 수 있습니다.

물을 건강하게 유지하기 위해, 발전소 운영자들은 **암모니아-인산염 처리(ammonia-phosphate treatment)**라는 특별한 "비타민 혼합물"을 첨가합니다. 여기서 인산염은 핵심 역할을 수행하는데, 마치 보호막처럼 작용하여 녹을 방지하고 물을 안정적으로 유지합니다. 하지만 여기에는 주의할 점이 있습니다. 물속에 인산염이 정확히 얼마나 들어있는지 항상 알고 있어야 한다는 것입니다. 너무 적으면 금속이 녹슬고, 너무 많으면 다른 문제를 일으킬 수 있기 때문입니다.

옛날 방식: 느린 실험실 테스트

전통적으로 인산염 수치를 확인하는 것은 마치 당신의 수프 샘플을 고급 레스토랑 주방으로 보내 요리사가 맛을 보게 하는 것과 같습니다. 정확하긴 하지만 시간이 걸립니다. 물을 한 컵 떠서 실험실로 보내고, 화학 물질을 섞고, 색이 변할 때까지 기다린 다음, 결과를 받아야 합니다. 결과를 얻었을 때는 이미 보일러 내부의 수질 화학 상태가 변했을 수도 있습니다. 실시간 제어를 하기에는 너무 느립니다.

새로운 아이디어: "사운드 체크"

이 논문의 연구자들은 간단한 질문을 던졌습니다. 물이 전기를 얼마나 "전도"하는지를 듣는 것만으로 인산염의 양을 추측할 수 있을까?

전기 전도도를 라디오의 볼륨이라고 생각해 보세요.

물이 순수하다면 "볼륨"(전도도)은 낮습니다.
만약 소금이나 화학 물질(인산염 같은)을 추가하면, 신호를 전달하는 입자들이 더 많아지기 때문에 "볼륨"이 올라갑니다.

연구팀은 이란의 실제 발전소에서 채취한 433개의 샘양을 수집했습니다. 그들은 각 샘플에 대해 두 가지를 측정했습니다:

실제 인산염 수치 ("정답")
전기 전도도 (물의 "볼륨")

발견: 간단한 수학적 트릭

그들은 이 관계가 (사다리처럼) 직선이 아니라 곡선에 가깝다는 것을 발견했습니다. 이를 해결하기 위해 그들은 **자연로그(natural logarithm)**라는 수학적 트릭을 사용했습니다 (이는 굽은 길을 곧게 펴주는 특수 렌즈라고 생각하면 됩니다).

데이터를 이 "로그 렌즈"를 통해 살펴보았을 때, 그들은 완벽한 일치를 발견했습니다. 그들은 다음과 같은 간단한 공식을 만들었습니다:

인산염 수치 = (5.6 × 전도도의 로그 값) – 12.3

이 공식은 마치 마법의 해독 반지와 같습니다. 실험실 테스트를 기다리는 대신, 운영자는 (항상 켜져 있고 항상 작동하는) 전도도 측정기를 보고 인산염 수치를 즉시 알 수 있습니다.

얼마나 잘 작동하는가?

결과는 인상적이었습니다. 이 모델은 89%의 정확도(1.0 중 0.89점)로 인산염 수치를 예측했습니다.

오차 범위: 평균적으로 예측값은 1ppm(백만 분율) 미만의 오차를 보였습니다. 발전소 화학의 세계에서 이는 믿을 수 없을 정도로 정밀한 수치입니다.
이점: 이 모델은 시스템의 서로 다른 부분들을 위해 별도로 조정할 필요 없이, 테스트한 모든 샘플에 대해 작동했습니다. 이는 이 특정 발전소를 위한 "원 사이즈(one-size-fits-all)" 규칙입니다.

주의사항 (논문이 실제로 말하는 것)

저자들은 한계점에 대해 매우 솔직하게 밝히고 있습니다. 이 "마법의 해독 반지"는 특정 유형의 수처리를 사용하는 특정 발전소의 데이터를 사용하여 만들어졌습니다.

이것은 마치 당신의 주방과 당신의 가스레인지에 완벽하게 맞는 레시피와 같습니다. 만약 그 똑같은 레시피를 다른 가스레인지를 사용하는 다른 집으로 가져간다면, 불 조절(재조정)이 필요할 수도 있습니다.
논문은 만약 이 정확한 공식을 다른 수질 조건을 가진 다른 발전소에서 사용하려 한다면, 다시 작동하게 만들기 위해 "재교정(recalibrate)"(숫자를 미세하게 조정)해야 할 수도 있다고 명시하고 있습니다.

결론

이 연구는 보일러 내부의 물을 모니터링하기 위해 항상 느리고 복잡한 실험실 테스트가 필요한 것은 아니라는 점을 보여줍니다. 단순히 물이 전기를 얼마나 잘 전도하는지를 측정하고 그 숫자를 간단한 공식에 대입함으로써, 발전소 운영자는 인산염 수치를 빠르고 신뢰할 수 있게 추정할 수 있습니다. 이는 운영자가 실험실 결과를 기다리는 지연 시간 없이 보일러를 안전하게 유지하고, 녹을 방지하며, 전기가 계속 흐를 수 있도록 돕습니다.

기술 요약: 드럼 용수 시스템 내 인산염 농도의 회귀 기반 예측

문제 정의
현대적인 증기 발생 발전소에서 보일러 용수의 화학 성분을 정밀하게 유지하는 것은 부식, 스케일 형성 및 운영 효율 저하를 방지하는 데 매우 중요하다. 특히 암모니아-인산염 처리 체계 하에서는 인산염 농도를 정확하게 모니터링하여 인산염 은닉(hideout), 침착 및 캐리오버(carryover)와 같은 문제를 방지하는 것이 필수적이다. 기존의 습식 화학 방법(예: ASTM D515에 따른 몰리브데이트법)은 정확한 측정을 제공하지만, 시간이 많이 소요되어 연속적인 실시간 온라인 모니터링에는 부적합하다. 기존의 간접 측정 방식은 종종 다중 파라미터 모델에 의존하거나 스트림별 보정이 필요하며, 이는 복잡성을 증가시키고 운영 조건이 변동할 때 견고성을 저하시킬 수 있다. 따라서 광범한 재보정 없이도 쉽게 측정 가능한 파라미터로부터 인산염 농도를 직접 추정할 수 있는 단순하고 견고한 예측 모델에 대한 실질적인 요구가 존재한다.

방법론
본 연구는 이란의 페르도우시(Ferdowsi) 복합 화력 발전소의 고압(HP) 및 저압(LP) 드럼 용수 시스템에서 수집된 433개의 운영 용수 샘플 데이터셋을 활용하였다. 해당 발전소는 암모니아-인산염 처리 조건 하에서 운영된다.

데이터 수집: 샘플은 25°C에서 표준 교대 근무 시간 동안 500 mL 용기에 수집되었다.
측정: 전기 전도도(SC)는 Hamilton H100 및 Swan AMI 분석기를 사용하여 온라인으로 측정되었다. 인산염 농도는 몰리브데이트법(ASTM D515)을 통해 결정되었다. 암모니아 농도는 초기에 측정되었으나(ASTM D1426), 전도도와 비교했을 때 인산염 수치와의 상관관계가 약하여 최종 모델에서는 제외되었다.
모델 개발: 탐색적 분석을 통해 비전도도의 자연 로그값, $\ln(SC)$ 가 가장 강력한 예측 변수임을 확인하였다. Microsoft Excel과 최소제곱법을 사용하여 단일 변수 선형 회귀 모델을 개발하였다.
평가: 모델의 성능은 결정 계수( $R^2$ ), 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE)를 사용하여 평가되었다.

주요 기여
본 연구의 주요 기여는 전도도의 자연 로그만을 기반으로 인산염 농도를 예측하는 단순화된 단일 변수 회귀 모델을 개발한 것이다. 도출된 방정식은 다음과 같다:
$PO_4 = 5.6\ln(SC) - 12.3$
여기서 $PO_4$ 는 ppm 단위의 인산염 농도이며, $SC $는$ \mu S/cm$ 단위의 비전도도이다.

복잡한 다중 파라미터 입력을 요구하거나 빈번한 스트림별 조정이 필요한 기존의 경험적 방법과 달리, 본 접근 방식은 단일하고 지속적으로 가용 가능한 파라미터(전도도)가 인산염 수치를 효과적으로 추정할 수 있음을 보여준다. 전도도의 로그 변환을 사용하는 것이 직접적인 전도도 피팅에 비해 선형성을 개선하고 극단적인 관측치의 영향을 줄이는 것으로 나타났다.

결과
모델은 433개의 샘플 전체에 대해 높은 예측 정확도를 보였다:

결정 계수 ( $R^2$ ): 0.89로, 이는 인산염 농도 변동성의 상당 부분이 전도도 측정값에 의해 설명됨을 나타낸다.
평균 제곱근 오차 (RMSE): 0.76 ppm.
평균 절대 오차 (MAE): 0.55 ppm.

결과는 인산염 농도와 $\ln(SC)$ 사이의 강한 관계를 확인시켜 주며, 암모니아-인산염 처리 조건 하에서 인산염 종이 보일러 용수의 이온 강도에 유의미하게 기여한다는 가설을 검증한다.

의의 및 주장
저자들은 이 모델을 보편적인 상관관계라기보다는 실용적인 운영 도구로 규정한다. 본 모델의 의의는 보일러 용수의 화학 성분을 실시간으로 모니터링하고 제어할 수 있는 신뢰할 수 있는 방법을 제공하여 부식 및 스케일링 방지를 지원한다는 점에 있다. 시간 소모적인 실험실 분석에 대한 의존도를 낮춤으로써, 모델은 더 효율적인 사이클 화학 감시와 목표 농도에서의 이탈에 대한 조기 탐지를 용이하게 한다.

그러나 논문은 적용 범위에 대해 신중한 입장을 유지한다. 저자들은 데이터셋이 특정 처리 조건을 가진 단일 발전소에서 도출되었음을 명시적으로 밝히고 있다. 따라서 물의 화학적 특성이나 나트륨 대 인산염 비율이 다른 시스템에 모델을 적용하기 전에는 재보정이 필요할 수 있다고 경고한다. 본 연구는 이 모델이 유사한 산업용 보일러 시스템에서 지속적인 수질 관리를 위한 견고한 전략이 될 수 있지만, 일반적인 적용성을 더욱 높이기 위해서는 향-후 여러 발전소의 데이터셋을 확장해야 한다는 결론을 내린다.