전기식 RTO 에너지 소모 최소화를 위한 PFD 시뮬레이터 기반 심층 강화학습 = PFD Simulator based Deep Reinforcement Learning for Energy Consumption Minimization of Electric RTO

국문 초록 (Abstract)

본 논문에서 제안한 방법은 데이터를 수집하기 어려운 환경에서 시뮬레이터를 활용하여 데이터를 생성하고, 생성한 데이터를 바탕으로 심층 강화학습 에이전트를 훈련시켜, 전기식 축열식 소각설비(Regenerative Thermal Oxidizer, RTO)를 안정적으로 유지하고 에너지 소모를 최소화하는 학습을 하는 것을 목표로 한다. 이를 위해 실제 장비의 공정흐롬도(Process Flow Diagram, PFD) 및 현장의 운용 방법을 바탕으로 만들어진 시뮬레이터 기반으로 데이터를 생성하여, 상태, 행동, 보상이 적용된 환경을 구축하여 심층 강화학습 에이전트를 훈련한다. 성능 평가 결과는 이 방식으로 학습된 심층 강화학습 에이전트를 통한 제어가, 기존의 운영 방식을 적용했을 때보다 전기식 RTO를 안정적으로 운용하면서 동시에 전력 소모를 최대 약 9% 절감할 수 있음을 보인다.

다국어 초록 (Multilingual Abstract)

This study proposes a method that could generate data through a simulator in situations where data collection is difficult. A deep reinforcement learning agent is then trained based on generated data to maintain stable electric regenerative thermal oxidizer (RTO) operation and minimize energy consumption. First, data were generated from a simulator created using actual equipment Process Flow Diagrams (PFDs) and field operation methods. An environment that incorporated states, actions, and rewards was established for agent training. Performance evaluation results demonstrated that the control using the deep reinforcement learning agent trained with this method enabled more stable operation of the electric RTO system, while simultaneously reducing power consumption by up to approximately 9% compared to the conventional operation strategy.