Performance Prediction and Optimal Rotational Speed Determination of a Variable-Speed Pump as Turbine Using Surrogate Modeling and SOPNN-DE

현대 도시의 거대하고 고요한 동맥 속에서, 물은 모든 수도꼭지와 샤워기, 그리고 소화전에 도달하기 위해 압력을 받으며 흐릅니다. 이 흐름을 안전하고 일정하게 유지하기 위해 엔지니어들은 종-종 밸브를 사용하여 물이 너무 빠르게 움직일 때 속도를 늦추는 방식으로 압력을 지속적으로 관리해야 합니다. 수십 년 동안 이러한 감속 과정은 단순한 낭비 행위였습니다. 급류가 가진 과잉 에너지는 열과 소음으로 변하여 공기 중으로 무해하게 흩어져 버렸습니다. 그러나 수자원 네트워크를 관리하는 방식에 대한 조용한 혁명은, 이 낭비되는 에너지를 대신 전기로 포착하여 바꿀 수 있음을 시사합니다. 이 변화의 핵심은 '펌프-애즈-터빈(pump-as-turbine)'이라 불리는 장치에 있습니다. 이것은 지하실이나 산업 현장에서 흔히 볼 수 있는 표준적인 워터 펌프이지만, 반대로 작동하도록 설계되었습니다. 물을 밀어내기 위해 전기를 사용하는 대신, 물의 힘을 이용해 터빈을 돌리고 전력을 생성하는 것입니다. 개념은 타당하지만, 이 기계들을 효율적으로 작동하게 만드는 현실은 까다롭습니다. 수자원 네트워크는 결코 정지해 있지 않습니다. 물에 대한 수요는 시간마다 변하며, 이로 인해 유량과 압력은 격렬하게 요동칩니다. 단일한 고정 속도로 작동하도록 설계된 기계는 이러한 변화를 따라잡는 데 어려움을 겪으며, 효율성을 잃고 가용 에너지의 잠재력을 온전히 포착하지 못하게 됩니다.

이란의 대학 연구진들은 펌프-애즈-터빈에게 실시간으로 적응하는 법을 가르침으로써 이 문제를 해결하고자 했습니다. 그들은 수년간 운영되어 풍부한 실제 데이터를 제공해 온 테헤란의 수자원 배분 네트워크 내 특정 설치 시설에 집중했습니다. 몇 시간씩 실행해야 하는 복잡한 컴퓨터 시뮬레이션이나 값비싼 새로운 실험에 의존하는 대신, 연구진은 기계 자체의 이력으로부터 직접 학습하는 방법에 주목했습니다. 그들은 펌프가 다양한 조건 하에서 어떻게 작동했는지에 대한 천 개 이상의 기록을 수집하였으며, 유량, 압력, 회전 모터의 속도, 그리고 생산된 전력량을 기록했습니다. 자기 조직화 다항 신경망(self-organizing polynomial neural network)이라는 정교한 형태의 컴퓨터 학습법을 사용하여, 그들은 어떤 상황에서도 기계가 어떻게 작동할지 정확히 예측할 수 있는 수학적 모델을 구축했습니다. 답변만 제시하고 그 과정을 설명하지 않는 많은 '블랙박스'형 컴퓨터 모델과 달리, 이 모델은 물의 흐름과 기계의 속도 사이의 관계를 설명하는 명확하고 읽기 쉬운 방정식을 산출해 냈습니다.

이러적인 예측 모델을 손에 쥔 연구진은 다음과 같은 단순하지만 강력한 질문을 던졌습니다. 만약 물의 흐름이 변한다면, 가장 많은 전기를 얻기 위해 펌프는 정확히 어떤 속도로 회전해야 하는가? 그들은 최적화 알고리즘을 사용하여, 도시의 필요를 충족할 만큼 충분한 압력을 제공하면서도 모든 가능한 유량에 대해 완벽한 속도를 찾아 나섰습니다. 결과는 놀라웠습니다. 가장 효율적인 속도는 고정된 숫자가 아니라, 물의 흐름이 변함에 따라 부드럽게 이동하는 움직이는 목표라는 점을 발견했습니다. 유량이 적을 때는 펌프가 더 느리게 돌아야 했고, 유량이 많을 때는 더 빠르게 돌아야 했습니다. 이러한 적응형 전략 덕분에 기계는 고정 속도 기계보다 훨씬 더 자주 효율성의 '스위트 스팟(sweet spot)'에 머무를 수 있었습니다. 실제로 저유량 조건에서 이 새로운 전략은 일정한 속도로 운전할 때보다 기계의 효율을 13% 이상 향상시켰습니다. 또한 연구진은 물의 흐름과 이상적인 속도 사이의 관계가 놀라울 정도로 일관되며, 유체 역학의 기본 법칙과 일치하는 거의 직선에 가까운 형태를 따른다는 것을 발견하여, 자신들의 데이터 기반 접근 방식이 물리적 진실을 재발견했음을 확인했습니다.

이 연구는 단순히 적절한 속도를 찾는 것에 그치지 않고, 센서가 완벽하지 않고 측정이 약간 어긋날 수 있는 실제 환경에서 이 조언이 얼마나 신뢰할 수 있는지 테스트했습니다. 그들은 유량 측정값에 오류가 생기는 상황을 시뮬레이션하여, 권장되는 속도가 요동치는지 아니면 안정적으로 유지되는지 확인했습니다. 분석 결과 시스템은 견고했지만, 한 가지 결정적인 의존성을 강조했습니다. 그것은 바로 유량 측정의 정확도였습니다. 만약 물의 흐름을 읽는 센서가 조금이라도 틀어진다면, 권장되는 속도 역시 그에 따라 변하게 됩니다. 이 발견은 이 기술이 완벽하게 작동하기 위해 가장 중요한 투자는 복잡한 소프트웨어가 아니라, 유량계의 정밀도를 확보하는 것임을 시사합니다. 연구진은 또한 복잡한 최적화 결과로부터 단순하고 직접적인 공식을 도출했습니다. 이 공식은 퀵 레퍼런스 가이드처럼 작동하여, 제어 시스템이 물의 수위가 변할 때마다 매번 느리고 복잡한 계산을 수행할 필요 없이, 현재 유량에 기반하여 즉각적으로 이상적인 속도를 계산할 수 있게 해줍니다. 이는 오늘날 수처리 시설에서 흔히 볼見 수 있는 표준 산업용 컨트롤러에 이 시스템을 설치하는 것을 가능하게 합니다.

마지막으로, 연구팀은 이 아이디어를 실제로 적용했을 때의 경제적 현실을 검토했습니다. 테헤란 스테이션의 실제 유량 패턴을 1년 동안 적용하여, 고정 속도에서 이 새로운 적응형 속도로 전환했을 때 얼마나 많은 추가 전력을 생산할 수 있는지 계산했습니다. 수치는 설득력이 있었습니다. 적응형 전략은 매년 18,133킬로와트시(kWh)의 전력을 추가로 생성할 수 있으며, 이는 소수의 가구에 지속적으로 전력을 공급할 수 있는 양입니다. 현재 전기 가격을 기준으로 할 때, 이는 연간 1,600유로 이상의 추가 수익으로 환산됩니다. 필요한 소프트웨어와 제어 하드웨어를 갖추기 위해 기존 시스템을 업그레이드하는 비용은 약 2,000유로로 추정되었습니다. 이는 투자 회수 기간이 단 1년 남짓임을 의미하며, 이는 에너지 프로젝트 치고는 매우 빠른 편입니다. 10년 동안 이 프로젝트는 10,000유로 이상의 순이익을 창출할 것입니다. 이 연구는 데이터를 통해 오래된 기계에 새로운 기술을 가르침으로써, 수자원 공기업들이 에너지 낭비를 필연적인 요소에서 신뢰할 수 있고 수익성 있는 전력원으로 바꿀 수 있는 동시에, 사람들에게 필요한 물을 원활하게 계속 공급할 수 있다는 결론을 내립니다.