기술 요약: 수처리 공정의 실시간 응집제 투입 최적화를 위한 시각 가이드 물리 정보 신경망 프레임워크

1. 문제 정의

응집은 탁도와 색도를 줄이기 위한 수처리 공정의 핵심 단위 공정이지만, 복잡하고 비선형적인 물리화학적 상호작용으로 인해 응집제 투입량을 최적화하는 데 어려움이 따릅니다. 기존의 제어 전략은 실시간 탁도 측정값이나 플록 형성 정도(DF)를 공정 지표로 활용합니다. 그러나 저자들은 이러한 지표들이 입자 응집 및 침전의 거시적 결과물로서 본질적인 물리적 지연을 나타낸다는 근본적인 한계를 지적합니다. 두꺼운 침전조 하부에서 시작된 변화가 상층부로 전달되는 데는 시간이 소ຫຼາຍ기 때문에, 탁도 및 DF 측정값은 실시간 통찰력을 제공하기보다는 반응적이고 지연된 피드백을 제공하게 됩니다. 이러한 시간적 불일치는 전통적인 제어 전략을 제한하여 화학 물질 사용의 비효율성을 초래하고 운영 효율성을 저하시킵니다. 또한, 순수 데이터 기반의 머신러닝 모델은 물리적 해석력이 부족하고, 희소하거나 노이즈가 많거나 분포 외(out-of-distribution) 데이터에 직면했을 때 일반화 성능이 떨어진다는 단점이 있습니다.

2. 방법론

본 연구는 실시간 센싱 및 시각 정보 가이드 물리 정보 신경망(RTS-VG PINNs) 프레임워크를 제안합니다. 이 하이브리드 아키텍처는 실시간 센서 데이터, 딥러닝 시각 인지, 그리고 지배적인 물리 법칙을 하나의 통합된 학습 시스템으로 결합합니다. 방법론은 세 단계로 진행됩니다.

A. 실험 데이터 획득

다양한 초기 조건(pH, 온도, 전도도, 제타 전위)을 가진 천연수(PDAM) 및 인공수(카올린 기반) 샘 truly 샘플을 사용하여 실험을 수행했습니다. 응집제 투입량(폴리알루미늄 클로라이드 - PAC)은 12에서 120 mg/L까지 체계적으로 변화시켰습니다.

• 센서: 실시간 탁도, pH 및 전기 전도도를 모니터링했습니다.
• 시각 시스템: 고해상도 카메라(Canon 250D, 60 fps)를 사용하여 급속 혼합, 완속 혼화 및 침전 단계 동안의 플록 구조의 시간적 진화를 포착했습니다.
• 데이터셋: 이미지 시퀀스를 네 가지 플록 진화 단계(분산, 초기 응집, 성장/치밀화, 침전)로 분류하여 딥러닝 모델을 학습시켰습니다.

B. 시각적 특징 추출 ("시각 가이드")

이미지 시퀀스에서 특징을 추출하기 위해 두 가지 상호 보완적인 합성곱 신경망(CNN) 아키텍처가 사용되었습니다:

1. ResNet-50: 플록의 형태와 밀도의 미세한 변화를 포착하기 위한 고감도 특징 추출용 2단계 검출기입니다.
2. YOLOv8: 플록 진화의 실시간 탐지 및 추적을 위해 활용된 1단계 검출기입니다.
   이 모델들은 플록 밀도를 분류하고 시각적 특징을 시간 가변적 유효 침전 속도 $v_0(t)$로 매핑합니다. 이 속도는 원시 시각 관측값과 물리 모델 사이를 연결하는 동적 파라미터 역할을 합니다.

C. 물리 정보 신경망(PINN) 아키텍처

프레임워크의 핵심은 두 개의 결합된 문제로 구성됩니다:

1. 직접 문제 (순방향 모델링):

   • 모델은 **Kynch 침전 편미분 방정식(PDE)**을 풀어 시공간적 플록 밀도 분포 $\phi(t, z)$를 재구성합니다.
   • CNN 시각 특징으로부터 추론된 시간 가변 속도 $v_0(t)$가 PDE를 조절합니다.
   • 손실 함수($\mathcal{L}_{Total}$)는 데이터 충실도(실험 관측값과의 일치 여부), 물리적 제약 조건(PDE 잔차 최소화), 초기 조건 및 경계 조건(표면에서의 무유속 조건)을 결합합니다.

2. 역문제 (투입량 최적화):

   • 모델은 운전 변수(pH, 온도, 초기 탁도 등)와 공정 결과 사이의 역관계를 학습하여 최적의 응집제 투입량($D$)을 추정합니다.
   • 물리적 제약 조건은 Langmuir 흡착 역학(제타 전위 진화 모델링) 및 Smoluchowski 응집 역학(응집 및 파쇄율을 통한 탁도 진화 모델링)을 통해 임베딩됩니다.
   • 프레임워크는 응집과 파쇄 메커니즘 사이의 균형을 맞추는 투입량을 산출합니다.

3. 주요 기여

• 시각적 인지와 물리의 통합: 본 논문은 딥러닝으로 추출된 시각적 특징(플록 밀도/구조)이 물리적 침전 모델($v_0(t)$)의 파라미터를 동적으로 정보화하는 새로운 메커니즘을 도입하여, 시각 정보를 센서 지연을 극복하기 위한 선행 지표로 활용함으로써 센서 지연 문제를 해결했습니다.
• 하이브리드 학습 아키텍처: RTS-VG PINNs 프레임워크는 고차원 시각 데이터와 제1원리 물리 법칙(Kynch 침전, Langmuir-Smoluchowski 역학)을 성공적으로 통합하여 물리적으로 일관된 학습 아키텍처를 구축했습니다.
• 불확실성 하의 역예측: 본 연구는 Monte Carlo dropout을 사용하여 결정론적 방식뿐만 아니라 불확실성 정량화를 통해 최적 응집제 투입량을 추정할 수 있음을 보여주었으며, 이는 노이즈가 많은 산업 데이터에 대한 강건성을 높여줍니다.
• 잠재 상태의 재구성: 프레임워크는 직접 측정이 불가능한 내부 시스템 상태(플록 밀도 분포 $\phi(t, z)$)를 재구성할 수 있게 하여 공정 역학에 대한 심층적인 이해를 제공합니다.

4. 실험 결과

• 시각적 분류: ResNet-50과 YOLOv8 모두 플록 진화 단계를 분류하는 데 높은 정확도를 보였습니다. 시각 모델은 탁도 센서가 명료화(clarification)를 감지하기 전보다 더 빠르게 계면 도착 시간($t_s$)과 플록 밀도 전이를 식별했습니다.
• 직접 솔루션 성능: PINN은 낮은 PDE 잔차(약 $10^{-3}$ 수준)로 시공간적 플록 밀도장을 성공적으로 재구성하였으며, 이는 모델이 질량 보존 및 침전 역학을 준수함을 확인시켜 줍니다. 예측된 내부 농도장은 물리적으로 일관된 층상 패턴을 보여주었습니다.
• 역솔루션 성능: 최적 응집제 투입량을 추정함에 있어, RTS-VG PINNs 프레임워크는 기존 머신러닝 모델(Random Forest, Gradient Boosting, SVM, MLP)보다 우수한 성능을 보였습니다.
  • PINN은 결정 계수($R^2$) 0.498을 달 기록하며, Random Forest(0.484), Gradient Boosting(0.434), SVM(0.285), MLP(0.063)를 능가했습니다.
  • 모델은 과잉 투입(전하 역전)으로 인해 초기에는 탁도가 감소하다가 다시 증가하는 비선형적 경향을 효과적으로 포착했으며, 이는 데이터 기반 모델들이 정확하게 표현하지 못한 부분입니다.
• 강건성: Monte Carlo dropout의 포함을 통해 모델은 불확실성을 고려한 예측을 제공할 수 있었으며, 제한적이거나 노이즈가 많은 데이터에서도 물리적 일관성을 유지했습니다.

5. 의의 및 주장

저자들은 RTS-VG PINNs 프레임워크가 측정 지연 문제를 해결함으로써 지능형 수처리 제어 분야의 중요한 진전을 이루었다고 주장합니다. 시각적 정보를 초기 단계의 플록 역학에 대한 대리 지표(proxy)로 활용함으로써, 본 프레임워크는 반응적 제어가 아닌 선제적 제어를 가능하게 합니다.

본 연구는 학습 과정에 물리 법칙(지배 방정식)을 임베딩하는 것이 특히 데이터가 희소하거나 노이즈가 많은 시나리오에서 모델의 해석력과 일반화 성능을 크게 향상시킨다는 점을 강조합니다. 이 프레임워크는 순수 데이터 기반 접근 방식이 달성할 수 없는 물리적으로 의미 있는 예측을 제공하고 내부 공정 상태를 추론할 수 있는 견고한 도구로 제시됩니다.

저자들은 현재 연구가 실험실 규모의 조건과 단순화된 1차원 Kynch PDE에 국한되어 있다는 점을 인정하며 신중한 입장을 유지합니다. 또한, 다차원 유체 역학을 포착하기 위해 프레임워크를 파일럿 규모의 산업용 침전조로 확장하고 더 복적인 물리 모델(예: CFD)을 통합하기 위한 향후 연구가 필요함을 언급했습니다.