머신 러닝 알고리즘을 활용한 SCR System 의 성능 예측에 관한 연구

Abstract

유럽, 미국, 일본 등 주요 자동차 선진국들은 내연기관 자동차에 대해 엄격한 환경 규제 제도를 시행 중이며, 특히, 질소산화물(Nitrogen oxide, 이후 NOx)에 대한 규제가 더욱 강화될 것으로 전망된다. 본 연구에서는 디젤 차량의 NOx 를 저감하기 위한 장치인 선택적 촉매환원장치(Selective catalytic reduction, 이후 SCR) 시스템내의 유동균일도(Uniformity Index, 이후 UI)에 영향을 미치는 주요 설계 인자에 대해 머신러닝 기법을 활용하여 최적설계방안을 연구하였다. SCR 시스템의 최적 설계를 위한 주요 부품 별 영향인자를 파악하고 그 인자 간의 상호관계를 확인하기 위하여 통계학 기법을 도입한 연구를 진행하였다. 이 연구 결과를 근거로, 머신러닝 기법을 이용하여 SCR 시스템의 UI 를 최적화하기 위한 연구를 수행하였다. SCR 시스템 성능에 미치는 주요 설계 인자는 우레아 인젝터-믹서간 거리, 배기가스 유입각도, 우레아 인젝터-믹서간 각도, 파이프 내측 믹서 회전방향 장착 각도, 믹서 블레이드 수, 믹서 블레이드 굽힘 각도, 믹서-SCR 시스템 촉매간 거리, SCR 시스템 콘 길이 등의 주효과를 파악하며, 통계기법을 통한 상호 인자 간의 관계성에 대해서 확인하였다. 그 결과, 통계학적 분석을 통한 UI 에 영향을 미치는 인자별 신호 대 잡음비 및 평균에 대한 효과는 믹서 블레이드 수에 대한 효과가 가장 크며, SCR 시스템의 콘 길이가 그 다음 순임을 확인할 수 있었다. 머신러닝 기법들을 활용하여 메타모델을 생성하기 위한 최적 알고리즘 기법으로 앙상블 결정트리(Ensemble Decision Tree, EDT)와 크리깅(Kriging), 방사형 기본함수(Radial Basis Function, RBF)를 도입하였고, 정규화된 평균제곱근오차(Normalized Root Mean Square Error, Norm.RMSE), 평균제곱근오차(Root Mean Square Error, RMSE), 최대절대오차(Maximum Absolute Error, Max.Abs.Error)등 세가지 지표를 기반으로 검증하였다. 이 결과, 머신러닝 알고리즘 중 정확도가 가장 높은 크리깅(Kriging) 모델기반으로 메타모델이 생성되었고, 성능 최적화를 수행하여 예측된 결과는 CAE 수치해석 결과와 비교하여 99.83% 일치하는 것으로 확인되었다. 또한, 머신러닝 알고리즘을 활용함으로, 기본 모델에 비해 SCR 시스템의 UI 성능이 1.44% 향상되었고 NOx 의 정화 효율이 30.95% 향상되었다. 이는 구조적 최적화를 통한 균일지수 성능 최적화의 중요성을 보여준다. 따라서 메타 모델을 사용하는 것이 기존 DOE 방법만큼 정확하고 설계 변수 기여도 분석을 가능하게 하여 효율적인 결과 분석을 용이하다고 할 수 있다. 본 연구 결과를 통해서 앞으로 개발되는 SCR 시스템의 성능예측에 사용될 수 있으며, 메타모델을 이용한 예측으로 해석 시간을 획기적으로 단축시킬 수 있을 것으로 예상된다.