⚡ 전기공학

Response Surface Methodology for Modelling and Multi-Objective Optimization of Fouling-Induceddegradation in Shell-and-Tube Heat Exchangers

본 연구는 반응표면법을 5,000개의 관측치로 구성된 시뮬레이션 데이터셋에 적용하여 입구 온도, 질량 유량 및 운전 시간이 쉘 앤 튜브 열교환기 성능 저하에 미치는 영향을 모델링하고, 궁극적으로 다목적 최적화를 통해 열적, 수력학적 및 성능 손실 사이의 균형을 맞추는 최적의 운전 조건을 식별한다.

원저자: JK Bwapwa, JG Mukuna

게시일 2026-09-30

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: JK Bwapwa, JG Mukuna

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

발전소에서 정유 공장에 이르기까지, 대규모 산업 현장에서는 한 유체에서 다른 유체로 열을 이동시키기 위해 거대한 금속 기계에 의존합니다. 쉘앤튜브(shell-and-tube) 열교환기로 알려진 이 기계들은 현대 산업의 일꾼이며, 수십 년 동안 높은 압력과 온도를 견딜 수 있도록 제작되었습니다. 하지만 유체를 다루는 모든 기계가 그렇듯, 이들도 시간이 흐름에 따라 느리고 보이지 않는 병을 앓게 됩니다. 금속 튜브 내부에서는 두 가지 뚜렷한 과정이 성능을 갉아먹기 시작합니다. 첫 번째는 파울링(fouling)으로, 스케일, 먼지, 화학적 부산물 등이 내벽에 달라붙어 열 전달을 차단하는 두꺼운 절연층 역할을 하는 현상입니다. 두 번째는 금속 자체가 화학적으로 녹슬게 되는 부식입니다. 이 두 과정은 공장이 더 많은 연료를 태우고 더 힘들게 가동하게 만들며, 결국 값비싼 세척이나 수리를 위해 가동을 중단하게 만듭니다. 엔지니어들에게 있어 도전 과제는 이 퇴화가 정확히 언제, 얼마나 빨리 발생하는지를 예측하는 것이었습니다. 왜냐하면 그 속도는 온도가 얼마나 높은지, 유체의 흐름이 얼마나 빠른지, 그리고 기계가 얼마나 오랫동안 가동되었는지와 같은 복잡한 요소들의 조합에 따라 달라지기 때문입니다.

남아프리카 공화국의 망고수투 기술 대학교(Mangosuthu University of Technology) 연구진은 열교환기를 단순한 하드웨어가 아니라 상호작용하는 변수들의 시스템으로 취급함으로써 이 문제를 해결했습니다. 그들은 5,000개의 서로 다른 운전 시나리오를 포함하는 방대한 시뮬레이션 데이터셋을 분석하기 위해 반응 표면 분석법(Response Surface Methodology)이라는 강력한 통계 도구를 사용했습니다. 그들은 온도, 유속, 시간을 각각 별개의 요인으로 보는 대신, 이 세 요소가 손상을 일으키기 위해 어떻게 함께 춤을 추는지 그 지도를 그렸습니다. 목표는 기계를 깨끗하게 유지하면서도 열 전달을 효율적으로 하고, 동시에 막힘 현상을 피할 수 있는 운전 조건의 '스위트 스팟(최적점)'을 찾는 것이었습니다.

이 연구는 기계의 건강 상태를 나타내는 세 가지 특정 징후에 초점을 맞췄습니다. 첫째, 먼지가 쌓임에 따라 높아지는 열 저항을 측정했습니다. 둘째, 먼지가 축적됨에 따라 떨어지는 전반적인 열 이동 능력을 추적했습니다. 셋-째, 펌프가 튜브를 통해 유체를 밀어내기 위해 얼마나 힘을 써야 하는지를 나타내는 압력 강하를 모니터링했습니다. 수천 개의 데이터 포인트를 모델에 입력함으로써, 연구진은 이 세 가지 징후가 환경 변화에 대해 모두 동일하게 반응하지 않는다는 것을 발견했습니다.

가장 놀라운 발견은 기계의 건강이 단 하나의 규칙에 의해 지배되지 않는다는 점이었습니다. 압력 강하의 경우, 답은 단순하고 예측 가능했습니다. 유체를 밀어내는 데 필요한 힘은 거의 전적으로 유체가 얼마나 빠르게 움직이는지에 달려 있었습니다. 온도와 시간은 이 특정 측정치에 거의 영향을 미치지 않았습니다. 그러나 열 전달과 먼지 축적에 관한 이야기는 훨씬 더 복k 복잡했습니다. 여기서 연구진은 변수들이 깊게 얽혀 있다는 것을 발견했습니다. 높은 온도는 먼지의 축적을 가속화했지만, 유속을 높이면 그 먼지를 일부 씻어낼 수 있었습니다. 결정적으로, 빠른 흐름의 이점은 일정하지 않았으며 온도가 어떠냐에 따라 달라졌습니다. 고온에서는 열 자체가 먼지를 달라붙게 만드는 원동력이 되기 때문에, 빠른 흐름의 효과가 덜 나타났습니다. 이러한 복잡한 상호작용은 단순히 문제를 해결하기 위해 열이나 속도를 높이기만 해서는 안 되며, 이들을 세심하게 조절해야 함을 의미했습니다.

연구진이 정확한 먼지 축적량을 예측하려고 했을 때, 그들의 모델은 중간 정도의 정확도만을 보였습니다. 이는 수학적 실패가 아니라 물리학에 대한 계시였습니다. 그들이 분석한 데이터에는 두 가지 다른 유형의 퇴화, 즉 순수한 먼지 축적과 화학적 부식이 혼합되어 있었습니다. 이 두 과정은 다르게 작동하기 때문에, 하나의 매끄러운 곡선으로는 결과를 완벽하게 예측할 수 없었습니다. 모델은 본질적으로 두 개의 서로 다른 데이터 구름 사이를 관통하는 하나의 선을 그리려고 시도했던 것입니다. 모델이 모든 경우에 대해 먼지 수준을 정밀하게 제시할 수는 없었지만, 추세의 방향을 보여주는 데는 매우 효과적이었습니다. 모델은 기계가 아주 오랜 기간 가동되더라도 온도를 낮게 유지할 때 가장 잘 작동한다는 것을 명확히 보여주었습니다.

이러한 통찰력을 바탕으로 팀은 최종 최적화를 실행하여 가능한 최고의 운전 전략을 찾았습니다. 그들은 먼지를 최소화하고, 열 전달을 극대화하며, 압력 강하를 낮게 유지하는 설정을 찾았습니다. 결과는 명확하고 실행 가능한 권고안이었습니다. 입구 온도를 가능한 한 낮게 유지하고, 중간 정도의 유속을 유지하며, 세척 전까지 기계를 장기간 가동하라는 것이었습니다. 시뮬레이션은 유체를 차갑게 유지하는 것이 퇴화를 방지하는 가장 강력한 수단임을 시사했습니다. 매우 높은 유속은 튜브를 깨끗하게 할 수는 있지만, 너무 많은 압력을 만들어 에너지를 낭비하게 됩니다. 중간 정도의 유속과 낮은 열의 조합은 최선의 타협안을 제공했습니다.

이 연구는 이러한 통계적 접근 방식이 복잡한 기계를 관리하는 투명하고 신뢰할 수 있는 방법을 제공하며, 왜 그런 결과가 나오는지 설명 없이 답만 주는 '블랙박스'형 컴퓨터 모델에 대한 명확한 대안을 제시한다고 결론짓습니다. 연구진은 자신들의 결과가 매우 상세한 시뮬레이션을 바탕으로 하고 있으며, 이것이 실제 기계가 어떻게 작동하는지에 대한 강력한 가설 역할을 한다고 강조합니다. 그들은 향-후 연구에 실제 데이터를 포함하여 이러한 패턴을 확인하고, 먼지와 부식을 더욱 명확하게 구분할 수 있도록 모델을 정교화해야 한다고 제안합니다. 현재로서는, 이 연구는 운영자들을 위한 견고하고 데이터에 기반한 가이드 역할을 합니다. 즉, 이 거대한 산업 기계들을 효율적으로 계속 가동하려면, 높은 열과 높은 속도로 한계까지 몰아붙이기보다, 차갑게 유지하고 길게 가동하는 것이 핵심이라는 것입니다.

기술 요약: 관형식 열교환기의 파울링 유발 퇴화 모델링 및 다중 목적 최적화를 위한 반응 표면법

문제 정의
관형식 열교환기(STHE)는 공정, 발전 및 정제 산업에서 핵심적인 자산이지만, 파울링(스케일/입자 퇴적)과 부식으로 인해 점진적인 성능 저하를 겪는다. 이러한 메커니즘은 열 저항을 증가시키고, 총 열전달 계수( $U$ )를 감소시키며, 압력 강하( $\Delta P$ )를 높여 에너지 손실, 비계획적 세척, 잠재적 튜브 파손을 초래한다. 입구 온도, 질량 유량, 운전 시간과 같은 운전 조건이 이러한 퇴화율에 영향을 미치지만, 이들의 결합된 비선형적 상호작용은 흔히 제대로 이해되지 않는다. 기존 문헌은 일반적으로 파울링 저항만을 독립적으로 모델링하거나, 물리적 해석력이 부족하고 열적, 성능적, 수리학적 목적을 동시에 최적화하지 못하는 "블랙박스" 형태의 머신러 러닝 방식에 의존한다. 또한, 단일 통계 프레임워크 내에서 파울링과 부식을 결합된 공동 퇴화 과정으로 다룬 연구는 거의 없다.

방법론
본 연구는 5,000개의 관측치로 구성된 시뮬레이션된 운전 데이터셋을 사용하여 STHE의 퇴화를 모델링하고 최적화하기 위해 반응 표면법(RSM)을 채택하였다. 데이터셋은 80개의 뚜렷한 운전 시나리오를 포함하며, 입구 온도는 44.88°C에서 130.12°C, 질량 유량은 3 ~ 7 kg/s, 운전 시간은 8 ~ 8,759시간의 범위를 갖는다. 샘사플에는 부식 지배 영역(2,729개 관측치)과 파울링 지배 영역(2,271개 관측치)이 혼합되어 있다.

분석 워크플로우는 8단계의 RSM 과정을 따른다:

변수 선택: 세 가지 제어 가능한 요인(입구 온도, 질량 유량, 운전 시간)과 세 가지 응답 변수(파울링 저항 $R_f$ , 총 열전달 계수 $U_{overall}$ , 압력 강하 $\Delta P$ )를 선정하였다.
코딩: 계수 비교와 수치적 컨디셔닝을 용이하게 하기 위해 요인들을 무차원 범위인 [-1, +1]로 재조정하였다.
모델 적합: 각 응답에 대해 최소제곱법(OLS)을 사용하여 완전 2차(second-order) 다항식 모델을 적합시켰다.
유의성 검정: 분산 분석(ANOVA)을 사용하여 유의미한 선형, 상호작용 및 이차 항을 식별하였다.
잔차 진단: 정규성, 등분산성 및 독립성을 확인하기 위해 정규 확률 도표, 잔차 대비 적합도 도표, 히스토그램 및 순서 도표를 사용하여 모델을 검증하였다.
시각화: 변수 간의 상호작용을 해석하기 위해 주효과, 상호작용 도표 및 3차원 반응 표면을 생성하였다.
다중 응답 최적화: $R_f$ 와 $\Delta P$ 를 최소화하는 동시에 $U_{overall}$ 을 최대화하기 위해 합성 만족도 함수(Harrington/Derringer–Suich)를 적용하였다.
해석: 최적 운전 지점을 모델의 적절성과 물리적 타당성에 따라 비판적으로 평가하였다.

주요 기여
본 논문은 해당 분야에 대한 다섯 가지 구체적인 기여를 식별한다:

공동 3-응답 프레임워크: 단일 응답에 집중하는 기존의 RSM 연구와 달리, 본 연구는 단일 데이터셋으로부터 열적( $R_f$ ), 성능적( $U_{overall}$ ), 수리학적( $\Delta P$ ) 퇴화에 대한 세 개의 별개이면서도 공동 최적화된 이차 곡면을 개발하고 검증하였다.
중간 수준 모델 적합의 진단적 활용: 적절한 수준의 $R^2$ 값을 단순한 한계가 아닌 메커니즘적 발견으로 재정의하였다. $R_f$ 모델의 낮은 적합도( $R^2 \approx 0.60$ )는 RSM 접근 방식의 실패가 아니라, 데이터셋 내에 존재하는 두 가지 공존하는 퇴화 메커니즘(파울링과 부식)의 통계적 특징임을 명시적으로 진단하였다.
통합 다중 응답 최적화: 세 가지 응답 모두에 대해 만족도 함수를 적용하여, 상충하는 단일 응답 최적값이 아닌, 하나의 물리적으로 해석 가능한 운전 권고안을 생성하였다.
외삽 위험의 투명한 처리: 최적화 경계에서 $R_f$ 에 대한 물리적으로 불가능한 음수 예측을 명시적으로 식별하고 다루었으며, 이를 통해 방향성 측면에서 신뢰할 수 있는 공학적 가이드와 수치적으로 신뢰할 수 없는 점 추정치를 구분하였다.
해석 가능성: 블랙박스 형태의 머신 러닝 모델에 대한 대안으로서, 추적 가능한 계수와 상호작용 구조를 제공하는 투명한 폐쇄형 다항식 모델을 제공한다.

결과

파울링 저항 ( $R_f$ ): 모델은 중간 정도의 적합도( $R^2 = 0.598$ )를 달성하였다. 입구 온도가 지배적인 요인이었으며 강한 양(+)의 효과를 보였다. 질량 유량은 유의미한 음(-)의 효과(파울링 완화)를 나타냈다. 유의미한 상호작용과 이차 항은 비선형적 거동을 확인해주었다. 잔차 진단 결과, 서로 다른 파울링 및 부식 체계의 혼재로 인한 이분산성과 우편향성이 나타났다.
총 열전달 계수 ( $U_{overall}$ ): 이 모델은 우수한 예측 성능( $R^2 = 0.997$ )을 보였다. 질량 유량이 지배적인 요인이었으며 열전달을 크게 향상시켰다. 입구 온도는 파울링으로 인해 음(-)의 효과를 나타냈다. 모델은 극한 조건에서 수확 체감 현상을 보였다.
압력 강하 ( $\Delta P$ ): 이 모델은 거의 완벽한 적합도( $R^2 \approx 1.000$ )를 달성하였다. 질량 유량과 그 이차 항만이 유의미한 요인이었으며, 이는 $\Delta P$ 가 온도나 시간과는 독립적으로, 고정된 형상 내에서의 유량에 의해 거의 전적으로 결정됨을 확인시켜 준다.
다중 응답 최적화: 최적 조건은 다음과 같다:
- 입구 온도: 낮음 (~44.88°C).
- 질량 유량: 중간 범위 (~5.015 kg/s).
- 운전 시간: 연장 (~8,410 시간).
- 합성 만족도: 0.68.
- 주의사항: 이 최적점에서 원시 $R_f$ 모델은 물리적으로 불가능한 음수 값을 예측하였으며, 이는 경계 영역에서의 정밀한 수치적 예측 시 주의가 필요함을 시사한다.

의의 및 주장
본 논문은 RSM이 딥러닝이나 신경망에서 발생하는 해석력 상실 없이, 예측과 운전 전략 개선을 위한 실용적이고 통계적으로 엄격한 프레임워크를 제공한다고 주장한다. 또한 파울링과 부식을 결합된, 통계적으로 모델링된 과정으로 취급하는 것이 고립된 단일 메커니즘 모델보다 우월하다고 단언한다. 본 연구는 중간 수준의 모델 적합도가 데이터 내의 숨겨진 범주적 구조를 탐지하는 가치 있는 진단 도구가 될 수 있음을 강조한다.

저자들은 제안된 프레임워크가 운전자가 열적 및 수리학적 퇴화 사이의 균형을 효과적으로 맞출 수 있도록 한다고 결론짓는다. 또한 특정 운전 권고안(낮은 온도, 중간 유량, 연장된 시간)은 상호작용을 고려한 모델링으로부터 도출된 검증 가능한 가설임을 언급한다. 다만, 본 연구의 결과가 시뮬레이션 데이터에 기반하고 있으며, 예측 정확도를 높이기 위해 $R_f$ 모델에 퇴화 메커니즘을 명시적인 범주형 요인으로 포함하는 향후 개선이 필요함을 인정하며 즉각적인 현장 적용에 대해서는 신중한 태도를 유지한다. 본 연구는 실험적 검증과 설계 공간의 확장을 전제로, 완전히 배포 가능한 공장 특화 의사결정 지원 도구로 나아가기 위한 단계로 자리매김한다.

유사한 논문