• Korean Chemical Engineering Research
• /
• 제53권6호
• /
• pp.783-791
• /
• 2015

바이오매스 가스화 공정을 위하여 내경이 0.1 m이고 높이가 1.2 m인 유동층 반응기에서 수증기 및 촉매의 첨가가 프로듀서가스(Producer gas)에 미치는 영향을 파악하였다. 가스화 장치는 유동층 반응기, 연료공급 장치, 사이클론, 2개의 냉각기, 수증기 발생장치 및 가스분석기로 구성하였다. 층물질 및 촉매물질로 평균입자크기 $380{\mu}m$의 비구형 silica sand 와 평균입자 $356{\mu}m$ 크기의 소성된 백운석을 사용하였다. 사용된 바이오매스는 국산 우드펠릿(Korea woody pellet) 및 동남아 팜 부산물인 EFB(empty fruit bunch)를 펠릿 형태로 가공하여 사용하였다. 실험 고정 변수로는 연료공급량 50 g/min(EFB), 38 g/min(KWP) 반응 온도 $800^{\circ}C$, ER(equivalence ratio) 0.25로 설정하였다. 조업 변수로 촉매인 소성된 백운석을 층물질 0~100 wt%의 혼합비로 사용하였다. 가스화매체로 공기 또는 Air-Steam을 사용하였다. 이때 수증기 첨가량은 SBR(steam to biomass ratio) 기준 0.3으로 하였다. 생성된 가스의 조성, 타르(Tar) 및 저위발열량을 측정하였다. 실험의 결과로 소성된 백운석은 모든 실험조건에서 프로듀서가스 타르의 함량을 감소시키며 최대 67.3 wt%의 감소율을 보였다. 저위발열량은 공기가스화에서 소성된 백운석 첨가량이 증가할수록 감소하였다. 하지만 Air-steam 가스화에서 저위발열량은 변화가 적거나 오히려 소폭 증가한 경향을 보였다.

• 지능정보연구
• /
• 제25권3호
• /
• pp.43-62
• /
• 2019

한때, 이상 탐지 분야는 특정 데이터로부터 도출한 기초 통계량을 기반으로 이상 유무를 판단하는 방법이 지배적이었다. 이와 같은 방법론이 가능했던 이유는 과거엔 데이터의 차원이 단순하여 고전적 통계 방법이 효과적으로 작용할 수 있었기 때문이다. 하지만 빅데이터 시대에 접어들며 데이터의 속성이 복잡하게 변화함에 따라 더는 기존의 방식으로 산업 전반에 발생하는 데이터를 정확하게 분석, 예측하기 어렵게 되었다. 따라서 기계 학습 방법을 접목한 SVM, Decision Tree와 같은 모형을 활용하게 되었다. 하지만 지도 학습 기반의 모형은 훈련 데이터의 이상과 정상의 클래스 수가 비슷할 때만 테스트 과정에서 정확한 예측을 할 수 있다는 특수성이 있고 산업에서 생성되는 데이터는 대부분 정답 클래스가 불균형하기에 지도 학습 모형을 적용할 경우, 항상 예측되는 결과의 타당성이 부족하다는 문제점이 있다. 이러한 단점을 극복하고자 현재는 클래스 분포에 영향을 받지 않는 비지도 학습 기반의 모델을 바탕으로 이상 탐지 모형을 구성하여 실제 산업에 적용하기 위해 시행착오를 거치고 있다. 본 연구는 이러한 추세에 발맞춰 적대적 생성 신경망을 활용하여 이상 탐지하는 방법을 제안하고자 한다. 시퀀스 데이터를 학습시키기 위해 적대적 생성 신경망의 구조를 LSTM으로 구성하고 생성자의 LSTM은 2개의 층으로 각각 32차원과 64차원의 은닉유닛으로 구성, 판별자의 LSTM은 64차원의 은닉유닛으로 구성된 1개의 층을 사용하였다. 기존 시퀀스 데이터의 이상 탐지 논문에서는 이상 점수를 도출하는 과정에서 판별자가 실제데이터일 확률의 엔트로피 값을 사용하지만 본 논문에서는 자질 매칭 기법을 활용한 함수로 변경하여 이상 점수를 도출하였다. 또한, 잠재 변수를 최적화하는 과정을 LSTM으로 구성하여 모델 성능을 향상시킬 수 있었다. 변형된 형태의 적대적 생성 모델은 오토인코더의 비해 모든 실험의 경우에서 정밀도가 우세하였고 정확도 측면에서는 대략 7% 정도 높음을 확인할 수 있었다.