Decoupling ion concentrations from effluent conductivity profiles in capacitive and battery electrode deionizations using an artificial intelligence model
한국과학기술연구원(KIST) 연구팀이 인공지능 기술을 활용해 담수화 공정의 이온 농도를 실시간으로 예측하는 기술을 개발했다. 이 기술은 기존 담수화 공정의 한계를 극복하고 효율성을 크게 높일 수 있을 것으로 기대된다.
담수화 기술의 효율 향상을 위한 새로운 접근
담수화 기술 중 하나인 축전식 탈염(Capacitive Deionization, CDI) 공정은 전극에 전기를 가해 이온을 흡착하는 방식으로 염분을 제거한다. 그러나 기존의 CDI 공정은 용액의 전도도만을 측정해 이온 농도를 간접적으로 추정하는 한계가 있었다. 이로 인해 복잡한 이온 조성을 가진 실제 해수나 오염수 처리에 어려움이 있었다.
KIST 물자원순환연구센터 손문 박사팀은 이러한 문제를 해결하기 위해 인공지능 기술을 도입했다. 연구팀은 랜덤 포레스트(Random Forest) 알고리즘을 기반으로 한 인공지능 모델을 개발해 전도도 데이터만으로도 각 이온의 농도를 높은 정확도로 예측할 수 있게 했다.
인공지능 모델의 높은 예측 정확도 확인
연구팀이 개발한 인공지능 모델은 CDI 공정뿐만 아니라 배터리 전극 탈염(Battery Electrode Deionization, BDI) 공정에도 적용 가능한 것으로 나타났다. 모델은 CDI 공정의 유출수 전도도를 0.86의 결정계수(R^2)로, BDI 공정의 유출수 전도도를 0.95의 결정계수로 각각 예측했다.
더 주목할 만한 점은 이 모델이 개별 이온의 농도도 높은 정확도로 예측할 수 있다는 것이다. 나트륨(Na+), 칼륨(K+), 칼슘(Ca2+), 염소(Cl-) 이온의 농도를 각각 0.99의 결정계수로 예측하는 데 성공했다. 이는 전도도 예측보다도 더 높은 정확도를 보여주는 결과다.
손문 박사는 “이번 연구 결과는 복잡한 이온 조성을 가진 실제 해수나 오염수 처리에 큰 도움이 될 것”이라며 “앞으로 다양한 환경에서 수집한 데이터로 모델을 개선해 범용성을 높일 계획”이라고 밝혔다.
실시간 모니터링을 위한 최적 샘플링 간격 제시
연구팀은 또한 실제 공정 적용을 위한 최적의 데이터 샘플링 간격도 제시했다. 분석 결과, 전도도의 경우 80초 이하, 이온 농도의 경우 20초 이하의 샘플링 간격에서 모델의 예측 오차가 크게 증가하지 않는 것으로 나타났다. 이는 실제 공정에서 실시간 모니터링 시스템을 구축할 때 중요한 지표가 될 것으로 보인다.
CDI와 BDI 공정의 성능 비교
연구팀은 CDI와 BDI 공정의 성능도 비교 분석했다. BDI 공정이 염분 흡착 용량(SAC), 전하 효율(Λ), 열역학적 에너지 효율(TEE) 등의 지표에서 CDI 공정보다 우수한 성능을 보였다. 예를 들어, 20mM NaCl 용액을 처리할 때 BDI 공정은 31 mg-NaCl/g-electrode의 SAC와 8.00%의 TEE를 기록했지만, CDI 공정은 18 mg-NaCl/g-electrode의 SAC와 2.79%의 TEE를 보였다.
이온 선택성 차이도 확인됐다. BDI 공정에서는 구리 헥사시아노철(CuHCF) 전극의 특성으로 인해 주로 나트륨 이온이 선택적으로 제거되었다. 반면 CDI 공정에서는 모든 이온의 농도가 비슷한 수준으로 감소했다. 이는 두 공정의 이온 제거 메커니즘 차이에서 비롯된 것으로 분석된다.
인공지능 모델의 작동 원리
개발된 인공지능 모델은 ‘룩백(lookback)’ 이라는 하이퍼파라미터를 통해 과거 데이터를 참조하여 예측의 정확도를 높인다. 룩백 값이 클수록 더 많은 과거 데이터를 참조하게 되어 일반적으로 예측 정확도가 향상된다. CDI 데이터의 경우 룩백 값이 42일 때, BDI 데이터의 경우 50일 때 가장 높은 예측 정확도를 보였다.
특히 주목할 만한 점은 이 모델이 전류와 전압 정보만으로도 각 이온의 농도를 직접 예측할 수 있다는 것이다. 이는 전도도 정보를 중간 단계로 사용하지 않고도 높은 정확도의 예측이 가능함을 의미한다. 다만 이 경우 룩백 값이 50 미만일 때는 예측 정확도가 다소 떨어지는 경향을 보였다.
연구의 의의와 향후 과제
이번 연구는 인공지능 기술을 활용해 담수화 공정의 효율성과 정확성을 크게 향상시킬 수 있는 가능성을 보여줬다는 점에서 큰 의의가 있다. 특히 복잡한 이온 조성을 가진 실제 해수나 오염수 처리에 적용할 수 있는 기반을 마련했다는 평가를 받고 있다.
그러나 이 기술이 실제 현장에 적용되기 위해서는 몇 가지 과제가 남아있다. 우선 실제 담수화 공정에서 발생하는 다양한 변수들을 고려한 데이터 수집과 모델 검증이 필요하다. 또한 모델의 예측 결과에 대한 설명 가능성을 높이는 것도 중요한 과제다.
손문 박사는 “향후 연구에서는 실제 담수화 공정에서 발생하는 해수를 대상으로 모델의 성능을 검증할 계획”이라며 “또한 SHAP(SHapley Additive exPlanations)나 LIME(Local Interpretable Model-agnostic Explanations) 같은 설명 가능한 AI 기술을 활용해 모델의 예측 과정을 더 잘 이해하고 개선할 수 있을 것”이라고 밝혔다.
결론적으로 이번 연구는 인공지능 기술을 활용해 담수화 공정의 효율성을 크게 높일 수 있는 가능성을 보여줬다. 향후 이 기술이 실제 담수화 플랜트에 적용된다면, 더욱 정밀하고 효율적인 수처리 공정이 가능해질 전망이다. 이는 전 세계적으로 심각해지고 있는 물 부족 문제 해결에 기여할 수 있는 중요한 기술적 진보로 평가받고 있다.
KIST의 논문은 링크에서 확인할 수 있다.
본 기사는 클로드 3.5 Sonnet과 챗GPT-4o를 활용해 작성되었습니다.
관련 콘텐츠 더보기
