2.1. 전체 시스템 구조

전체 시스템의 주요 모듈로 해수 취수 및 정화 시스템, 증발 및 농축 시스템, 결정 및 채염 시스템, 건조 및 포장 시스템, AI 기반 통합 제어 시스템 등 5개의 모듈로 구성되며, Fig. 1은 전체 공정이 에어돔 내부에서 수행되어 외부 환경과의 물리적 차단이 이루어지며, 이는 기존 노지 염전의 가장 큰 한계인 기후 의존성과 오염 노출 문제를 근본적으로 해결한다.

Fig. 1. Overall system structure diagram

2.2. 에어돔 기반 실내 염전 구조

에어돔은 반투명 또는 투명 재질로 구성된 대공간 구조로서, 내부에 기둥이 없는 무지 주 구조를 통해 공간 활용도를 극대화한다. 에어돔은 태양광 투과가 가능하면서도 외부 오염원을 차단할 수 있는 구조로 설계되며, 태풍 및 돌풍에도 견딜 수 있는 내재해성을 가진다.

Fig. 2에서 에어돔 내부에는 다음과 같이 염수 저장조, 증발지(Evaporation Pond), 결정지(Crystallization Pond), 자동 채염 장치, 컨베이어 이송 시스템 등의 구성은 공정 흐름에 따라 일렬 또는 병렬로 배치되며, 생산 효율을 고려한 최적 동선으로 설계하였다.

Fig. 2. Air dome interior layout

2.3. 해수 취수 및 정화 시스템

해수는 외부 해양으로부터 펌프를 통해 취수되며, 염수 저장조로 이송되기 전 정화 과정을 거치며, 해수 정화는 다음과 같은 다단계 공정으로 구성한다.

Fig. 3. Seawater intake and purification system flowchart

Fig. 3은 1차 정화: 코아라이트(Coalite)를 이용한 중금속 및 이물질 제거, 2차 정화: 자화 나노 정수 시스템을 통한 미세 입자 제거, 3차 정화: 필터링 및 살균 처리로 이 과정은 해수 내 미세플라스틱, 중금속, 세균 등을 제거하여 고순도 원수를 확보하는 데 목적이 있다.

이를 통해 기존 천일염에서 발생하는 쓴맛 및 불순물 문제를 개선하고, 고품질 식용 염 생산을 하였다.

2.4. 증발 및 농축 시스템

Fig. 4는 증발지에서는 해수의 수분을 제거하여 염도를 증가시키는 공정이 수행되고 증발지는 지열을 이용한 가열 시스템과 공조 장치를 통해 운전 조건은 Kinsman(2018)의 태양염 증발 연구와 Ahmed 등(2019)의 염수 증발특성 연구^[10], 현장 환경을 참고하여 설정하였으며, 예비실험 결과 온도 25~35℃, 습도 40~60%, 풍속 2~5m/s 범위에서 증발효과가 높은 조건으로 제어하고, 이러한 조건은 해수의 증발 속도를 최적화하고 균일한 농축을 유도하는 데 중요한 역할을 하고 증발지 바닥에는 지열 파이프가 매립되어 히트펌프를 통해 가열된 유체가 순환하면서 열을 공급한다. 이는 태양광 의존성을 줄이고, 연중 일정한 증발 조건을 유지할 수 있게 한다.

Fig. 4. Evaporation and concentration system

2.5. 결정 및 채염 시스템

증발지에서 농축된 염수는 결정지로 이송되며, 이곳에서 소금 결정이 형성된다. 결정지 역시 지열 기반 가열 시스템이 적용되어 일정한 온도 조건을 유지하며 결정지의 주요 특징은 자동 채염 장치 적용, 결정 성장 균일화, 생산 공정 자동화로 결정지 상부에 자동 채염 장치를 설치하여 인력 의존도를 줄이고 생산 효율을 향상하는 구조를 가지며, 컨베이어 시스템을 통해 채염 된 소금이 자동으로 건조 공정으로 이송되게 하였다.

2.6. 건조 및 포장 시스템

채염 된 소금은 실내 건조실로 이동하여 수분 제거 공정을 거치며, 건조 시스템은 실내 위생 환경 유지, 균일한 수분 제거, 품질 표준화

건조 후 소금은 포장 공정으로 이송되며, 이 과정에서 품질 검사 및 추적 관리가 동시에 수행되기에 기존 노지 건조 방식 대비 위생성과 품질 안정성을 크게 향상하는 요소이다.

2.7. 지열 기반 열원 및 공조 시스템

시스템의 핵심 구성 요소 중 하나는 지열을 활용한 열원 시스템으로 지열 유체는 히트펌프를 통해 가열되어 증발지 및 결정지 하부의 파이프를 통해 순환되며, 열교환 방식으로 바닥을 가열하고 장점으로는 기후 영향 최소화, 에너지 효율 향상, 탄소 배출 저감, 공조 시스템(HVAC)의 실내 온도, 습도, 풍속을 정밀하게 제어하여 최적 생산 조건을 유지한다.

2.8. AI 기반 통합 제어 시스템

Fig. 5는 스마트염전에서 공정 변수 최적화를 위해 지도학습 기반 다중 회귀(Multiple Regression) 모델을 적용하였으며, 지도학습 기반 다중회귀 모델은 산업공정 최적화에 널리 활용된다^{[11- 13]}. 입력 변수는 온도(Temperature), 상대습도(Relative Humidity), 풍속(Wind Speed), 염도(Salinity)로 구성되며, 출력 변수는 증발량(Evaporation Rate) 및 제어 신호로 설정하였다. 학습 데이터는 3년간 실증운전에서 수집된 약 5,200건의 센서 데이터를 활용하였으며, 데이터의 70%는 학습용, 15%는 검증용, 15%는 테스트용으로 사용하였다. 수집된 센서 데이터는 클라우드 기반 데이터셋으로 구축되며, 학습된 모델은 실시간으로 증발 효율을 예측하고 최적 운전 조건을 도출한다. 또한 예측 결과는 피드백 제어에 반영되어 히트펌프 출력, 송풍 속도 및 습도 제어를 자동 조정한다. 이를 통해 기존 규칙 기반 제어 대비 공정 안정성과 에너지 효율을 동시에 향상하는 지능형 제어가 가능하며, 기존 염전 대비 생산 효율이 크게 향상된다.

Fig. 5. AI-based integrated control system

2.9. 시스템 통합 및 운영 전략

시스템은 각 공정이 독립적으로 운영되는 것이 아니라, AI 제어 시스템을 중심으로 통합적으로 운영되고 운영은 다음과 같이 실시간 데이터 기반 공정 제어, 생산 조건 자동 조정, 품질 데이터 기반 피드백 제어, 원격 모니터링 및 운영 등 통합 구조로 스마트팜과 유사한 형태의 스마트염전 플랫폼을 구현하였다.

향후 대규모 산업화 및 수출형 모델로 확장할 수 있으며, AI 제어 플랫폼은 원수 데이터, 실내·외 센서 데이터, 영상 데이터, 장비 상태를 통합하여 히트펌프 부하, 팬 속도, 습도 제어 강도, 염수 이송 시점, 채염 시점, 건조 계획을 최적화하였다.

3.1. 증발량 모델

증발지에서의 증발량은 열전달 및 질량전달 현상에 의해 결정되며, 온도 차이, 상대습도 및 공기 유속의 영향을 받는다. 이를 반영하여 본 연구에서는 다음과 같은 증발량 모델을 적용하였다.

여기서,

• $E_{t}$: 시간 $t$에서의 증발량 (kg/h)

• $k_{e}$: 증발 계수

• $A$: 증발 면적 (m²)

• $T_{i}$: 수면 온도 (℃)

• $T_{air}$: 공기 온도 (℃)

• $RH_{t}$: 상대습도 (%)

• $v_{t}$: 풍속 (m/s)

• $\alpha, \beta, \gamma$: 경험 계수

본 모델은 증발 속도가 온도 차이에 비례하고, 상대습도가 낮을수록 증가하며, 풍속 증가에 따라 증발 촉진 효과가 발생하는 물리적 특성을 반영한다.

3.2. 염도 변화 모델

증발 과정에서 수분이 제거됨에 따라 염수 내 염분 농도는 증가하게 되며, 이는 질량보존 법칙에 기반하여 다음과 같이 표현된다.

여기서,

• $S_{t}$: 시간 $t$에서의 염도 (%)

• $V_{t}$: 염수 체적 (m³)

• $E_{t}$: 증발량

• $\Delta t$: 시간 간격

본 식은 증발로 인한 체적 감소가 염 농도 증가로 이어지는 농축 과정을 정량적으로 나타낸다.

3.3. 건조 수분 감소 모델

건조 공정에서는 수분이 시간에 따라 감소하며, 이는 일반적으로 지수 감쇠 형태를 따른다. 본 연구에서는 다음과 같은 모델을 적용하였다.

여기서,

• $M_{t}$: 시간 $t$에서의 수분 함량 (%)

• $M_{0}$: 초기 수분 함량 (%)

• $M_{e}$: 평형 수분 함량 (%)

• $k_{d}$: 건조 속도 계수 (h^-1)

해당 모델은 건조 초기 단계에서는 빠른 수분 감소가 발생하고, 이후 평형 상태에 접근하면서 감소 속도가 둔화하는 특성을 반영한다.

3.4. 에너지 소비 모델

시스템의 에너지 효율성을 평가하기 위해 특정 에너지 소비량(Specific Energy Consumption, SEC)을 다음과 같이 정의하였다.

여기서,

• $\text{SEC}$: 단위 생산량당 에너지 소비량 (kWh/kg)

• $P_{i}$: 각 장치의 소비 전력 (kW)

• $\Delta t$: 운전 시간 (h)

• $m_{salt}$: 생산된 소금량 (kg)

본 지표는 히트펌프, 송풍기, 제어 시스템 등 전체 공정 장비의 에너지 사용량을 통합적으로 평가하는 데 활용된다.

3.5. 모델의 적용 및 한계

연구에 사용된 수학적 모델은 스마트염전 시스템의 공정 거동을 이해하고 성능을 예측하기 위한 목적으로 설계된 단순화 모델로 실제 공정에서는 다음과 같은 요인으로 염수 조성 및 미네랄 농도 변화, 외부 환경 조건의 변동성, 장비 효율 및 열 손실, 공정 제어 지연 및 센서 오차 등에 의해 오차가 발생한다. 그런데도, 본 모델을 주요 공정 변수 간의 상관관계를 효과적으로 반영하여 AI 기반 제어 시스템과 결합하고 공정 최적화 및 운영 전략 수립으로 유용하게 활용하였다.

4.1. 증발량 변화 및 물리적 해석

증발량은 운전 초기(1~8일) 동안 점진적으로 증가하다가 이후 감소하는 경향을 나타내었고, 초기 구간에서 증발량 증가는 온도 상승과 풍속 증가에 따른 열 및 질량전달 촉진 효과에 기인하는 것을 확인하였다.

Fig. 6. Evaporation rate over time

Fig. 6은 특히 풍속 증가에 따른 경계층 감소는 수증기 확산을 촉진하여 증발 속도를 증가시키는 주요 요인으로 작용하였으며, 중·후반 구간에서 증발량 감소는 염수의 농도가 증가함에 따라 수증기 부분압력 차이가 감소하고, 용액의 증기압 저하에 의해 증발 구동력이 약화되기 때문으로 풍속과 증발량 간의 회귀분석 결과, 두 변수 간에는 뚜렷한 양의 선형 관계가 확인되었으며, 높은 결정계수(R2) 값은 본 연구의 증발 모델이 공정 특성을 효과적으로 반영하고 있음을 나타낸다.

4.2. 염도 증가 특성 및 농축 메커니즘

염도는 운전 기간 증가에 따라 지속해서 증가하는 경향을 나타내었으며, 초기에는 증가했으나, 증발량이 증가하는 구간에서 염도 상승률이 매우 증가하였다. 이는 수분 제거에 따른 농축 효과가 가속화되기 때문이며, 질량보존 기반 염도 모델과 일치한다.

Fig. 7. Increase in salinity due to driving

Fig. 7은 후반부에서는 염도 증가 속도가 점차 감소는 경향을 보였는데, 이는 고농도 상태에서의 증발 속도 저하와 더불어 결정화 시작 단계에서 일부 염이 고체상으로 전환되기 때문이며, 염도 변화에 대한 회귀분석 결과, 비선형 증가 경향이 잘 반영되어 높은 R2 값은 제안된 농축 모델의 설명력을 뒷받침한다.

4.3. 건조 공정에서의 수분 감소 거동

건조 공정에서 수분 함량은 시간에 따라 지수적으로 감소하는 특성을 나타내었다.

Fig. 8은 초기 건조 단계에서는 표면 수분의 증발이 지배적이며, 외부 조건(온도, 풍속)에 의해 빠른 수분 제거가 이루어진다. 이후 건조가 진행됨에 따라 내부 확산이 주요 지배 메커니즘으로 전환되면서 수분 감소 속도가 점차 둔화한다. 즉, 이러한 결과는 전형적인 건조 곡선(drying curve)의 특성과 일치하며, 제안된 지수 감쇠 모델이 건조 공정을 적절히 자동 제어를 수행하며, 온도가 높을수록 습도는 낮아지고, 이후 다시 균형 상태로 회복되는 제어 특성이 하였다.

Fig. 8. Control of inverse correlation between temperature and humidity

4.4. 에너지 소비 특성 및 시스템 효율성

에너지 소비 분석 결과, AI 기반 통합 제어 시스템을 적용하면 기존 노지 염전에 비해 에너지 소비량(SEC)이 30% 이상 감소하는 것을 확인하였다. 에너지 소비 비교는 동일 생산량(1 ton/day) 기준으로 수행하였으며, 기존 노지 염전의 경우 보조 건조설비를 포함한 전체 에너지 사용량을 기준으로 하였고, 스마트염전은 히트펌프, HVAC 및 자동화 설비의 소비전력을 포함하여 산정하였다.

Fig. 9. Comparison of energy indicators

Fig. 9의 에너지 지표 비교는 공정 변수의 실시간 최적화 제어로 히트펌프 기반 지열 열원의 효율적 활용과 불필요한 장비 운전 최소화를 하였다. 특히, AI 제어 시스템은 센서 데이터를 기반으로 공정 조건을 자동 조정함으로써 에너지 손실을 줄이고, 시스템 전체의 운전 효율을 향상했다.

4.5. 회귀분석 기반 모델 검증

증발량, 염도 및 풍속 간의 관계에 대해 회귀분석을 수행한 결과, 모든 변수에서 높은 결정계수(R2) 값을 나타내어 제안된 수학적 모델의 타당성이 검증하였으며, 증발량에서 2차 회귀 모델 → 비선형 증발 특성 반영 및 염도 변화에서 농축 과정의 비선형 증가 경향으로 풍속이 증발 효율을 높이는 중요한 변수임을 확인하였다. 이러한 확인 결과로 제안된 모델이 실제 공정 조건을 효과적으로 반영하고 있으며, AI 기반 제어 알고리즘의 입력 변수로 활용할 수 있음을 확인하였다.

Fig. 10. Wind speed–evaporation relationship

Fig. 10은 이러한 확인 결과에서 제안된 모델이 실제 공정 조건을 효과적으로 반영하고 있으며, AI 기반 제어 알고리즘의 입력 변수로 활용할 수 있음을 확인하였다.

4.6. 종합 해석 및 시스템 성능 평가

본 연구의 실증결과를 종합하면, 제안된 AI 기반 에어돔 스마트염전 시스템은 기존 노지 염전에 비해 증발 및 농축 공정의 안정성 향상, 염도 증가 속도 및 품질 균일성 개선, 건조 공정 효율 증대, 에너지 소비 절감 등의 개선 효과가 있었다.

Table 2는 기존 노지 염전 대비 AI 스마트염전 시스템이 생산 안정성, 품질 균일성 및 에너지 효율성 측면에서 우수한 성능을 나타내었다.

특히, 에어돔 구조를 통한 외부 환경 차단, 지열 기반 열원 시스템, 그리고 AI 기반 공정 제어 기술의 통합 적용은 생산 공정의 자동화 및 최적화를 동시에 달성할 수 있는 핵심 요소로 작용하며, 본 연구에서 제안한 시스템은 기후 의존성을 최소화하면서 고품질 소금 생산이 가능한 차세대 스마트염전 모델로서 높은 적용 가능성을 가진다. 이는 다음 장에서 제시되는 결론 및 향후 연구 방향과도 직접적으로 연결된다.