Experimental and data-driven PVDF hollow fiber direct contact membrane distillation module degradation prediction for water purification using a deep learning method

깨끗한 물은 근본적인 필요이지만, 수십억 명의 사람들에게는 여전히 손에 닿지 않는 곳에 있습니다. 자연은 광활한 대양을 제공하지만, 그 안에 담긴 염분 때문에 처리 과정을 거치지 않고서는 마실 수 없는 물이 됩니다. 수십 년 동안 엔지니어들은 역삼투압과 같은 방법을 사용하여 물을 미세한 필터로 강제로 통과시켜 염분을 뒤에 남겨두는 방식에 의존해 왔습니다. 그러나 이러한 시스템은 물이 매우 짜거나 필터 자체가 유기물로 인해 막힐 때 어려움을 겪습니다. 멤브레인 증류법(membrane distillation)이라고 알려진 다른 접근 방식은 유망한 대안을 제시합니다. 이 방법은 액체 상태의 물을 장벽 너머로 밀어내는 대신, 열을 이용해 물을 증기로 바꾼 뒤, 이 증기가 특수한 방수 멤브레인을 통과하여 반대편에서 다시 순수한 액체로 응축되도록 합니다. 멤브레인은 증기는 통과시키되 액체 상태의 물은 차단하는 체 역할을 하여, 매우 짠 물이나 더러운 물원을 처리하는 데 이상적입니다.

이 기술의 과제는 멤브레인을 만드는 데 사용되는 재료에 있습니다. 가장 흔한 재료는 PVDF라고 불리는 폴리비닐리덴 플루오라이드라는 질긴 플라스틱입니다. 이 재료는 내구성이 뛰어나고 열에 강하지만, 수처리 시설의 가혹한 환경으로부터 자유로운 것은 아닙니다. 시간이 흐름에 따라 멤브레인은 유기 입자와 박테리아에 의해 오염되며, 세척에 사용되는 화학 물질은 서서히 그 구조를 손상시킬 수 있습니다. 이러한 퇴화는 물의 온도, 가해지는 압력, 그리고 시스템을 얼마나 자주 세척하는지에 따라 달라지는 느리고 복잡한 과정입니다. 만약 엔지니어들이 멤브레인이 언제 실패할지 예측하지 못한다면, 너무 일찍 교체하여 비용을 낭비하거나, 너무 늦게 교체하여 용수 공급의 중단 위험을 초래하게 됩니다.

최근 한 연구에서 연구자들은 물리적 실험과 딥러닝이라 불리는 인공지능의 한 종류를 결합하여 이 문제를 해결하고자 했습니다. 그들은 수처리 장치의 실제 운영을 모방한 실험실 규모의 시스템을 구축했습니다. 이 설정에는 염수가 담긴 탱크와 담수가 담긴 탱크, 액체를 이동시키는 펌프, 그리고 PVDF로 만든 중공사(hollow fibers)가 포함된 모듈이 포함되었습니다. 짧은 시간 내에 실제 세계의 마모를 시뮬레이션하기 위해, 연구팀은 시스템을 수백 번의 사이클을 통해 가동했습니다. 각 사이클마다 온도, 압력, 유량을 변화시켜 멤브가 막힐 때까지 몰아붙였습니다. 압력이 너무 높아져 멤브레인이 막혔음을 나타내면, 흐름을 멈추고 흔히 고집스러운 오염물을 제거하는 데 사용되는 화학 용액인 차아염소산나트륨으로 모듈을 세척했습니다. 세척 후에는 멤브레인의 성능이 다시 어떻게 변하는지 테스트했습니다.

연구진은 멤브레인의 성능이 두 가지 뚜렷한 방식으로 저하되는 것을 관찰했습니다. 첫째, 가역적인 효율 저하가 있었습니다. 이는 작동 중에 물이 더 뜨거워지고 농축됨에 따라 빠르게 발생했으며, 멤브레인이 생산할 수 있는 물의 양이 일시적으로 감소하는 현상을 일으켰습니다. 이러한 유형의 저하는 멤브레인을 세척함으로써 해결할 수 있었습니다. 둘째, 비가역적인 손실이 있었습니다. 화학적 세척 후에도 멤브레인은 원래의 성능을 완전히 회복하지 못했습니다. 연구 결과, 매 세척 사이클마다 멤브레인은 영구적인 효율에서 약 4%를 상실했습니다. 620회의 사이클을 포함한 실험 과정 동안, 멤브레인이 생산할 수 있는 총 수량은 크게 감소하여, 결국 유입되는 물의 절반을 더 이상 정화할 수 없는 지점에 도달했습니다.

이 복잡한 데이터를 이해하기 위해 연구팀은 LSTM(Long Short-Term Memory) 네트워크라고 불리는 특정 종류의 컴퓨터 프로그램에 의존했습니다. 일반적인 컴퓨터 프로그램이 데이터를 한 번에 하나씩 살펴보는 것과 달리, LSTM은 시간에 따른 패턴을 기억하도록 설계되었습니다. 이는 마치 사람이 이야기의 끝을 이해하기 위해 시작 부분을 기억하는 것과 같이, 시퀀스(순서)를 이해하는 데 탁월합니다. 연구진은 온도, 압력, 유량을 포함한 620번의 사이클 데이터를 프로그램에 입력했습니다. 컴퓨터는 이러한 변화하는 조건들이 멤브레인의 노화 속도에 어떻게 영향을 미치는지 학습했습니다. 모델은 매우 정확했습니다. 본 적 없는 데이터로 테스트했을 때, 모델은 1% 미만의 오차율로 멤브레인의 성능을 예측했습니다.

또한 이 연구는 멤브레인이 노화되는 방식이 시간이 지남에 따라 변한다는 사실을 밝혀냈습니다. 초기 단계에서는 가역적인 성능 저하가 주요 문제였으나, 멤브레인이 더 노화됨에 따라 비가역적인 손상이 더 지배적이 되었습니다. 연구진은 첫 몇 배치의 사이클에서 나타난 급격한 성능 저하가 여섯 번째 배치 이후 완화되는 것을 발견했는데, 이는 멤브레인이 노화됨에 따라 다른 형태의 마모 패턴으로 안착함을 시사합니다. 또한 그들은 멤-브레인이 견뎌온 사이클 수를 바탕으로 상태를 추정할 수 있는 간단한 수학적 관계식을 개발하여, 운영자가 복잡한 계산 없이도 시스템의 건강 상태를 신속하게 가늠할 수 있는 도구를 제공했습니다.

이 작업은 딥러닝이 수처리 인프라를 관리하는 데 강력한 도구가 될 수 있음을 보여줍니다. 스트레스 하에서 멤브레인이 어떻게 행동하는지에 대한 이력을 학습함으로써, 컴퓨터 모델은 실패가 발생하기 전에 미래의 고장을 예측할 수 있습니다. 이를 통해 운영자는 유지보수 계획을 더 효과적으로 세울 수 있으며, 시스템을 언제 세척하고 언제 완전히 교체할지를 최적화할 수 있습니다. 이 연구는 세척 과정이 필요하지만, 동시에 멤브레인의 장기적인 마모에도 기여한다는 점을 확인시켜 줍니다. 이러한 균형을 이해하는 것은 수처리 시스템의 수명을 연장하여, 가능한 한 오랫동안 효율적으로 깨끗한 물을 계속 공급할 수 있도록 하는 데 매우 중요합니다. 이러한 변화를 정밀하게 예측할 수 있는 능력은 멤브레인 증류법을 전 세계적 물 부족 문제에 대한 신뢰할 수 있는 해결책으로 만드는 데 있어 중요한 진전입니다.