대한설비공학회 ‘2022 하계학술발표대회(조직위원장 정재동, 세종대 교수)’에서 한국생산기술연구원 오승진 연구팀, 인하대 김의종 교수팀, 전북대 박찬우 교수팀이 우수논문 국토교통부 장관상을 수상했다.

대한설비공학회 ‘2022 하계학술발표대회는 6월 22일(수)부터 24일(금)까지 3일간 강원도 소재 휘닉스평창에서 ‘탄소중립 실현을 위한 스마트 설비기술’이란 주제로 개최돼 총 371편의 학술논문이 발표됐다.

한국생산기술연구원 오승진 연구팀은 ‘해수온도차발전 적용을 위한 자기열량효과 발전시스템 성능연구’를 주제로 한 논문에서 가돌리늄의 자기열량효과와 영구 자석 사이에 발생하는 자기력에 의해 구동되는 TM변환발전시스템을 설계 및 제작해 해수온도차발전 적용 가능성에 대한 실험을 진행했다.

실험결과 온도차 6.5℃, 회전속도 130RPM에서 압전발전기와 전자발전기는 개방 회로 전압 8V 및 2V, 단락전류 8.2㎂및 6㎃의 출력을 발생시켰다.

오승진 연구원은 “이번 연구에서 TM변환발전시스템은 해수온도차발전에 이용되는 온도로 구동 및 발전 가능성을 확인할 수 있었다”라며 “하지만 실제 해수온도차발전에 적용시키기 위해서는 보다 높은 출력을 얻기 위한 스케일 업과 발전시스템의 최적화에 대한 연구가 필요하다”고 말했다.

인하대 김의종 교수팀은 '학습기반 일사량 예측모델 개발 및 비교'를 주제한 논문에서 학습모델을 이용한 일사량 예측 모델을 개발하고 학습 방법에 따른 모델의 특성을 분석했다.

연구결과, 과거의 일사와 기상의 발생패턴을 학습해 일반적인 규칙을 구축하는 ANN 모델과 LSTM 모델은 예측 기간이 학습기간과 비교적 가까운 1월에 각각 RMSE 44, 47W/m² 수준의 오차로 실제와 유사한 일사 발생 패턴을 묘사했다. 다만 학습기간과 멀어지고 학습에 사용되지 않은 기상 조건이 발생할수록 모델의 오차는 커지는 것으로 확인됐다.

반면 강화학습 기반 예측 모델은 학습 기간이 포함된 월에는 RMSE 오차 47W/m² 으로 비교 학습모델과 유사한 수준의 오차를 보였다. 강화학습은 학습 상태와 다른 기상 조건인 여름철에도 평균적으로 93W/m2의 오차만을 보였으며 같은 기간 ANN 모델 대비 약 30% 수준에 개선된 오차이다.

김의종 교수는 “단순히 과거 데이터만 기반해 모델을 구축하는 기존의 지도학습 모델과 달리 강화학습은 주어진 환경에서 보상을 최대한 획득하도록 행동하는 방법을 학습하기 때문에 장기 예측 성능에서도 비교적 안정적인 예측 정확도를 보였다”고 말했다.

전북대 박찬우 교수팀은 ‘배가스 열회수용 멤브레인 열교환기 수치해석 특성연구’를 주제로 한 논문에서 “석탄화력발전소는 많은 양의 물을 소비하고 배기가스로 소멸되므로 연도가스에서 에너지와 물을 회수하면 에너지 문제를 해결하고 효율성을 향상시킬 수 있다”라며 “이 연구에서 수증기 및 열회수 성능을 조사하기 위해 인공 연도가스를 이용한 멤브레인형 열교환기와 멤브레인 콘덴서의 전산 유체 역학(CFD) 모델을 개발했다”고 말했다.

이어 “시뮬레이션을 통해 수증기의 응축 ​​및 질량 전달에 대한 통찰력을 갖기 위해 온도 등고선과 증기 질량 분율 및 증기 응축 속도를 조사한 결과 수치적 결과와 실험적 결과와 크게 일치하는 것으로 나타났다”고 언급했다.