이번 연구는 폐플라스틱 가스화 공정을 통한 수소 생산량을예측하기 위해 물리적 지식을 학습 과정에 통합한 물리 기반 신경망(PINN, Physics-Informed Neural Network) 프레임워크를 제시했다. 연구팀은 기존 인공신경망(ANN)의 한계를 보완하기 위해 반응 속도론(Kinetic)과 열역학적 평형(Equilibrium) 조건을 소프트 제약(Soft constraints) 형태로 손실 함수에 반영한 세 가지 PINN 모델(속도론·평형·통합 모델)을 개발해 성능을 비교 분석했다.
 

  연구 결과, 기존 ANN 모델은 데이터가 제한된 환경에서 예측 성능이 크게 저하된 반면, PINN 모델은 전체 학습 데이터의 1%만 활용한 데이터 부족 환경에서도 높은 예측 정확도를 유지했다. 또한 기울기 기반 잔차 분석(Gradient-based residual analysis)을 통해 모델 예측이 열역학 및 반응 동역학적 경향과 일치하는 것으로 확인됐다.
 

  안유찬 교수는 “이번 연구는 단순화된 공정 데이터를 기반으로 한 개념 증명(Proof-of-concept) 연구지만, 물리적 지식이 결합된 대리 모델(Surrogate modeling)의 활용 가능성을 확인했다”며 “향후 폐플라스틱 기반 수소 생산 공정의 실시간 최적화와 제어 기술로 확장될 수 있을 것”이라고 밝혔다.
 

  이번 연구에는 계명대 화학공학과 손준혁 연구원이 제1저자, 정효진 연구원이 제2저자로 참여했으며, 안유찬 교수가 교신저자로 연구를 이끌었다. 연구는 한국연구재단 기초연구사업과 석사과정생연구장려지원사업 지원을 받아 수행됐다.