▲ 왼쪽부터 손준혁 석사연구원(1저자), 정효진 석사연구원(2저자), 안유찬 교수(교신저자)  © 계명대

【브레이크뉴스 대구】진예솔 기자=계명대학교 화학공학과 안유찬 교수 연구팀이 폐플라스틱을 활용한 수소 생산 공정의 효율을 크게 높일 수 있는 인공지능 예측 기술을 개발했다. 연구팀은 물리 법칙을 학습 과정에 결합한 '물리 정보 기반 신경망(PINN)' 모델을 선보였다. 이 모델은 데이터가 부족한 환경에서도 높은 예측 정확도를 보인다는 점이 특징이다.

안 교수팀은 폐플라스틱 가스화 공정에서 생산되는 수소량을 예측하는 물리 정보 기반 인공지능 모델을 개발해, 국제 학술지에 관련 연구 결과를 게재했다. 해당 논문은 국제 학술지 ‘Engineering Applications of Artificial Intelligence’ 2026년판에 실렸다. 손준혁 연구원이 제1저자, 정효진 연구원이 제2저자, 안유찬 교수가 교신저자로 참여했다.

폐플라스틱 가스화 공정은 폐기물을 고온에서 분해해 수소 등 에너지 자원으로 전환하는 기술이다. 하지만 공정 조건에 따라 생성물 양이 크게 달라져, 정확한 예측과 효율적인 운전 제어가 중요 과제로 꼽힌다. 기존 AI 기반 예측 모델은 대량의 데이터가 있어야 높은 정확도를 낼 수 있지만, 현실의 산업 공정에서는 충분한 데이터를 확보하기 어렵다는 한계가 있었다.

연구팀은 이를 해결하기 위해 PINN(Physics-Informed Neural Network) 모델을 적용했다. PINN은 기존 인공지능 학습에 반응속도론, 열역학적 평형 등 물리적 지식을 접목하는 방식이다. 연구팀은 이러한 물리 법칙을 손실 함수에 소프트 제약 조건으로 적용해, 속도론 기반 모델·평형 기반 모델·통합 모델 등 세 가지 모델을 설계하고 성능을 비교했다.

연구 결과, PINN 모델은 전체 학습 데이터의 1%만 있어도 기존 인공신경망(ANN)보다 더 뛰어난 예측 성능을 유지했다. 또, 기울기 기반 잔차 분석을 통해 예측 결과가 실제 반응 과정의 열역학적·반응동역학적 경향과도 잘 일치하는 것을 확인했다.

이번 연구는 데이터 확보가 어렵고 변수가 많은 산업 공정에서도 물리 지식을 접목한 AI 모델이 신뢰할 수 있는 예측 도구가 될 수 있음을 보여줬다는 점에서 의미가 있다. 실제로 폐플라스틱 기반 수소 생산 공정의 실시간 최적화·자동 제어와 친환경 에너지 생산 시스템 구축에도 폭넓게 활용될 수 있을 전망이다.

안유찬 교수는 “물리적 지식을 결합한 대리 모델의 활용 가능성을 이번에 확인했다”며 “앞으로 폐플라스틱 기반 수소 생산 공정의 실시간 최적화와 제어 기술로도 발전시켜 나갈 계획”이라고 밝혔다.

한편, 이번 연구는 한국연구재단 기초연구사업과 석사과정생연구장려지원사업의 지원을 받아 이뤄졌다.

<구글 번역으로 번역한 영문 기사의 전문 입니다. 번역에 오류가 있을 수 있음을 밝힙니다.>

A research team led by Professor Yoo-Chan Ahn of the Department of Chemical Engineering at Keimyung University has developed an artificial intelligence (AI) prediction technology capable of significantly improving the efficiency of hydrogen production processes utilizing waste plastics. The team introduced a Physical Information-Based Neural Network (PINN) model that incorporates physical laws into the learning process. A key feature of this model is its ability to demonstrate high prediction accuracy even in environments with limited data.

Professor Ahn's team developed a physical information-based AI model to predict the amount of hydrogen produced in the waste plastic gasification process and published their findings in an international academic journal. The paper was published in the 2026 edition of the international journal *Engineering Applications of Artificial Intelligence*. Researcher Jun-Hyuk Son served as the first author, Researcher Hyo-Jin Jeong as the second author, and Professor Yoo-Chan Ahn as the corresponding author.

The waste plastic gasification process is a technology that converts waste into energy resources, such as hydrogen, by decomposing it at high temperatures. However, as the amount of product varies significantly depending on process conditions, accurate prediction and efficient operational control are considered critical challenges. Existing AI-based prediction models require a massive amount of data to achieve high accuracy, but they faced limitations in real-world industrial processes due to the difficulty of securing sufficient data.

To address this, the research team applied the Physics-Informed Neural Network (PINN) model. PINN is a method that incorporates physical knowledge, such as reaction kinetics and thermodynamic equilibrium, into existing AI learning. By applying these physical laws as soft constraints to the loss function, the team designed three models—a kinetics-based model, an equilibrium-based model, and an integrated model—and compared their performance.

The results showed that the PINN model maintained superior prediction performance compared to conventional Artificial Neural Networks (ANN), even with only 1% of the total training data. Furthermore, gradient-based residual analysis confirmed that the prediction results closely matched the thermodynamic and reaction kinetic trends of actual reaction processes.

This study is significant in that it demonstrates that AI models incorporating physical knowledge can serve as reliable prediction tools, even in industrial processes where data acquisition is difficult and variables are numerous. In fact, it is expected to be widely utilized for the real-time optimization and automatic control of waste plastic-based hydrogen production processes, as well as for the construction of eco-friendly energy production systems.

Professor Ahn Yu-chan stated, "We have confirmed the potential of utilizing a surrogate model combined with physical knowledge," adding, "We plan to further develop this into a technology for real-time optimization and control of waste plastic-based hydrogen production processes."

Meanwhile, this research was conducted with support from the National Research Foundation of Korea's Basic Research Program and the Master's Student Research Encouragement Program.