데이터에서 행동으로: AI를 통한 정유 최적화 가속화
요약
정유 최적화는 방대한 데이터를 활용하여 선형 계획법(LP) 소프트웨어로 처리되지만, 결과 해석과 적용에 어려움이 있습니다. 본 글은 LP 솔루션의 한계를 극복하고 의사결정을 지원하기 위해 머신러닝 기반 접근 방식, 특히 이상 탐지(Anomaly Detection) 도구를 제안합니다. 이 방법론은 과거 데이터 분석을 통해 현재 계획과의 차이를 파악함으로써 비즈니스 기회와 데이터 공급 오류를 발견하는 데 활용되었습니다.
핵심 포인트
- 정유 최적화는 대규모 데이터를 다루며 선형 계획법(LP) 소프트웨어를 사용하지만, 결과 해석에 어려움이 있다.
- LP 솔버의 한계를 보완하기 위해 머신러닝 기반 접근 방식과 이상 탐지 도구가 제안되었다.
- 제안된 방법론은 과거 데이터와 현재 계획을 비교 분석하여 비즈니스 기회 및 데이터 공급 오류를 식별한다.
- 고차원 데이터를 처리하기 위한 정보력 높은 쌍 선택 방법이 적용되어 2D 이상의 이상 탐지 알고리즘과 결합되었다.
오늘날 정유 최적화 (Refinery Optimization)는 방대한 양의 데이터를 활용하며, 이는 현대적인 선형 계획법 (Linear Programming, LP) 소프트웨어로 처리할 수 있지만, 결과를 해석하고 적용하는 것은 여전히 어려운 과제로 남아 있습니다. 대형 석유화학 기업들은 수십만 개의 입력 행렬 요소를 가진 거대한 모델을 사용합니다. LP 솔루션은 수학적으로는 정확하지만, 모델 내에서 단순화가 이루어지며 데이터 공급 오류가 발생할 수 있습니다. 따라서 결과를 신뢰하기 위해서는 추가적인 통찰력이 필요합니다. LP 솔버 (Solver)는 메모리가 없으므로, 과거 데이터를 분석하고 이를 현재 계획과 비교함으로써 추가적인 이해를 얻을 수 있습니다. 이에 따라 LP 솔루션을 기반으로 의사결정을 지원하기 위한 머신러닝 (Machine Learning) 접근 방식이 제안되었습니다. 이 중에서는 LP 출력값과 병행하여 사용할 이상 탐지 (Anomaly Detection) 도구가 제안됩니다. 대중적인 ECOD 방법론의 변형된 버전이 적용되었습니다. 고차원 데이터를 처리하기 위한 새로운 방법, 즉 가장 정보력이 높은 쌍을 선택하는 방법이 제안되었습니다. 이후, 이를 두 가지 2D 이상 탐지 (Anomaly Detection) 알고리즘과 함께 사용하여 MOL 정유사의 스케줄링 및 계획 아키텍처에서 여러 비즈니스 기회와 데이터 공급 오류를 밝혀냈습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기