기계학습 모델 기반의 저밀도 폴리에틸렌 용융지수 예측 연구

Abstract

저밀도 폴리에틸렌 용융지수 조절은 공정 샘플 분석 결과를 기반으로 운전원이 관리 방향을 결정하고 공정 운전 조건에 반영하여 실행된다. 그러나 샘플 분석이 없는 시간대는 운전원이 공정 상황 분석 후 공정 간이 용융지수 측정값을 참조해 용융지수를 예측 조절하며 결과적으로 이에 따라 전체 제품 물성 산포가 결정된다. 본 연구는 운전원 숙련도에 따라 발생하는 제품 품질 편차를 개선하기 위해 숙련도와 무관한 공정 데이터를 활용한 기계학습 모델 기반의 용융지수 예측 연구를 수행했다. 공정에서 수집중인 온도, 압력 데이터를 독립변수로 사용하였고 실험실에서 분석 및 기록되는 용융지수는 예측 및 분류모델에 활용하기 위해 각각 연속형, 이산형 두 가지 형태로 전처리 하였다. 연속형 데이터를 사용한 다중 회귀 분석의 예측 성능은 R2, RMSE, MAE를 평가지표로, 이산형 데이터를 사용한 XGBoost등의 분류 모델은 정확도, 정밀도, 재현율을 평가지표로 하여 현재 사용중인 간이 용융지수 분석기 대비 성능 개선율을 비교하였다. 또한 ARIMA, LSTM의 시계열 분석 도구로 용융지수를 예측하여 딥러닝 기술의 활용 가능성을 검증했다. 본 연구는 대표적 석유화학 공정에서 예측, 분류, 시계열 방법론의 유용성을 검증했으며, 용융지수를 주요 물성으로 간주하는 다양한 석유화학공정에 기계학습 방법론을 제시한 것에 연구 의의가 있다.

Low density polyethylene melt index control is executed by the operator determining the management direction based on the process sample analysis result and reflecting it to the process operating conditions. However, in the time period when there is no sample analysis, the operator predicts and adjusts the melt index by referring to the inter-process melt index measurement value after analyzing the process situation, and as a result, the distribution of physical properties of the entire product is determined accordingly. In this study, a melt index prediction study based on a machine learning model using process data unrelated to proficiency was conducted to improve product quality deviations caused by operator proficiency. The temperature and pressure data collected in the process were used as independent variables, and the melt index analyzed and recorded in the laboratory was preprocessed in two forms, continuous and discrete, respectively, to be used in prediction and classification models. The predictive performance of multiple regression analysis using continuous data is based on R2, RMSE, and MAE as evaluation indicators, and classification models such as XGBoost using discrete data use accuracy, precision, and recall as evaluation indicators. The performance improvement rate compared to the simple melt index analyzer was compared. In addition, the possibility of using deep learning technology was verified by predicting the melt index with time series analysis tools of ARIMA and LSTM. This study has verified the usefulness of prediction, classification, and time-series methodologies in representative petrochemical processes, and is meaningful in presenting machine learning methodologies for various petrochemical processes that consider melt index as a major property.