열시스템 시뮬레이션 및 최적설계

대학원 기계공학부 Thermal System Simulation/Optimization
열시스템 시뮬레이션 및 최적 설계
Thermal System Simulation and Optimization
2017. 9.
담당교수 : 김 태 국
중앙대학교 기계공학부 대학원
http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

목 차
제1장 서론
제 2 장 Curve Fitting
제 3 장 Piping System Simulation
제 4 장 Energy System Simulation
제 5 장 Energy System Optimization

제1장 개요
❐ 에너지시스템
- 여러 가지의 요소기기들로서 구성
- 요소기기들 사이에는 작동유체의 이동을 위하여 관로 또는 duct등이 설치
❐ 에너지시스템의 설치, 운전 및 보수에 있어서 소요되는 경비

- 시스템의 가격
- 운전비용
- 유지비용
- 보수비용 등으로 구성

- 1 -
❐ 성능이 좋고 내구성이 있는 시스템 : 초기 구입 비용은 상승

➔ 운전, 유지 및 보수 비용을 낯추는 효과가 있음
❐ 성능이 낮은 시스템 : 그 반대의 효과를 예상

❐ 따라서, 에너지 시스템을 구입하는 계획단계에
➔ 시스템의 설치 및 유지비용을 최소화하는 방안을 분석할 필요가 있음.
➔ 비용의 최소화는 시스템의 성능을 최적화하는 것과 밀접한 관계가 있음

- 2 -
❐ 성능 최적화 (Performance optimization)
: 시스템의 구성을 최적상태로 함으로써 최대의 성능을 내는 시스템의 제원을 찾는 문제
: 시스템의 총괄 에너지 효율 또는 최대의 출력 등에 초점을 두고 시스템을 분석.
❐ 비용 최소화 (Cost optimization)

: system의 performance를 최적이 되도록 함과 동시에
: 시스템이 제작 완료되어 일정 기간 동안 운전하는 과정에서 최소의 경비로써
최대의 성능을 내는 시스템의 제원을 찾는 문제이며,
: 총 소요비용에는 시스템을 구성하는 부품의 구입비용, 제작비용, 설치비용, 운전비용 등을
총괄하여 고려함.
✰ 시스템의 최적화를 고려할 경우 비용이 최소화가 되도록 하는 것이 최우선적인 관심사
➙ 여러가지 비용들을 규명하는 데는 어려움이 따르므로
➙ 본 장에서는 수학적 모델링, 성능 분석 및 성능의 최적화 (performance optimization)
등을 주로 다루기로 함.
- 3 -
❐ 시스템의 모델링(modeling) 단계 : 시스템의 거동 특성을 수식화 하는 단계를 나타냄
- 시스템의 특성을 수식으로 표현하기 위하여 열역학, 열전달, 유체역학 등의 지식을 활용
❐ 성능 분석 (performance simulation) 단계
- 설정된 수학적 모델을 컴퓨터를 통하여 실제시스템이 운전되는 조건을 고려하여 시스템의
부하별 성능을 예측하게 됨
❐ 시스템분석 (system simulation)

- 모델링(modeling) 및 성능분석(performance simulation)을 총괄적으로 수행하는 과정을 말함
- 시스템의 최적화를 포함하는 전반적인 분석과정을 나타내기도 함
❐ System simulation의 결과에 대한 validity 검토 :
- simulation 결과가 real system의 data와 일치 하는지?
- simulation 결과가 다른 연구 결과와 일치하는지?
- simulation 결과가 기존 database의 parameter범위 밖의 data를 예측할 수 있는지?
- simulation 결과가 실제 시스템의 운전상태를 잘 반영하고 있는지?
- 4 -
❐ System simulation의 형태 :
- Discrete simulation
: 고려하고 있는 독립변수가 주어진 양 만큼 변하였을 때 system이 겪는 변화를 예측하
는 분석기법으로서 순서의 설정 등에 많이 응용(quening system)되며, 일반적으로 output이
input의 작은 변화에 크게 민감하지 않은 경우에 적용되고 있다.
- Continuous simulation
: 고려하고 있는 독립변수가 연속적으로 변하고 있을 때 system이 겪는 변화를 예측하는 분
석기법으로서 제어 및 동력학적 system에서 많이 채용되며, 일반적으로 output이 input 의 작
은 변화에도 급격히 변하는 경우에 많이 적용되고 있다.

- 5 -
❐ System simulation의 단계
1. INPUT (Simulation을 위한 system의 제원)
2. Simulation
→ system에 대한 수학적 model의 확보.
→ 원하는 simulation에 대한 수학적 model 확보
→ simulation을 위한 computer program 작성
→여러가지 조건을 시험, 증명, 수정 보완 등을 실시
3. OUTPUT (System simulation결과)
❐ System simulation 의 종류
- Steady state simulation : 정상운전 상태에 대한 simulation.
→ Newton-Raphson 법, Hardy-Cross 법
- Unsteady state simulation : system의 기동(start-up) 및 정지(shutdown)에
대한 simulation 으로써 상미방 또는 편미방을
포함하는 수식
- 6 -
❐ Thermal system simulation에서 필요한 지식

→ Energy, mass balance equation.
→ Momentum, energy trnasfer : 경험식 , 실험식 등의 활용
→ 넓은 parameter범위에 대한 system 매체들의 물성값.
→ 기타 제약조건(경험적 제약조건 등)
❐ Sensitivity analysis : input parameter의 변화에 따른 영향을 해석.

ex) y : output parameter
x : input parameter
⇒ x 에 대한 y 의 sensitivity = ∂∂yx

- 7 -
❐ Mathematical Model의 확보
- Component model : 이미 주어진 경우가 대부분.
예를 들면, 성능곡선 등의 형태로.
→ system simulation을 위하여 이러한 component에
대한 model을 curve fitting 등을 통하여 확보하여야 함.
- Component들 사이의 상관 관계.
→ Mass, Energy, Momentum등의 balance로 부터 유도.

- 8 -
제 2 장 Curve Fitting
2.1 서론.
최근 들어 에너지 시스템의 열 및 수력학적 분석 및 최적화를 위하여 컴퓨터를 이용한 시뮬
레이션이 많이 고려되고 있다. 시스템의 열 밸런스 및 최적 시스템을 구하기 위한 분석에서 뿐
만 아니라 시스템을 구성하는 요소(열교환기류)들의 설계 및 이들을 연결하는 관로망의 설계등
에서도 컴퓨터 시뮬레이션이 많이 활용되고 있다. 이와같이 컴퓨터를 이용하여 에너지시스템
및 구성요소들을 설계하기 위하여는 기존의 여러 문헌에서 그림이나 표로 주어져 있는 설계 자
료들을 활용할 필요가 있다. 이러한 자료들로는 여러 가지 유체 또는 고체의 물성, 열.유동 특
성 자료, 요소기기의 성능특성 자료, 요소기기의 설계 자료등과 같은 것들이 있으며, 일반적으로
불연속적으로 어떤 임의의 간격으로 값이 주어지는 것이 보통이다. 이러한 불연속적인 자료들
을 컴퓨터 시뮬레이션에 위하여 활용하고자 할 경우에는 Curve fitting 등에 의하여 수식화하거
나 주어진 값들의 사이값을 직접 선형보간등에 의하여 처리할 수도 있다.
본 장에서는 도표 또는 그림으로 주어진 자료를 컴퓨터 시뮬레이션에 이용하고자 할 때 많이
- 9 -
채택되는 Curve fitting에 의한 수식화 기법을 설명하고자 하며, 이를 위하여 작성된 몇가지의
컴퓨터 프로그램을 소개하고자 한다.
2.2 다항식에 의한 Curve fitting.
다항식을 이용한 curve fitting 은 가장 널리 사용되는 유용한 자료처리 방법 중의 하나이다.
이 방법에 의한 curve fitting 은 주어진 자료 값을 정확하게 만족하는 다항식을 구하는 것으로
서 자료의 수에 의하여 다항식의 차수가 결정된다. 본 절에서는 단일 변수를 갖는 자료 및 다
중 변수를 갖는 자료 등에 대한 몇가지 다항식 curve fitting 법을 소개하고자 한다.

- 10 -
2.2.1 단일 독립변수를 갖는 자료 (data set with one independent variable)
1개의 독립변수 x 를 갖는 data set 은 f = f ( x) 인 형태의 다항식으로 표현할 수가 있다.

이러한 data set을 그림으로 나타내면 그림 2.1과 같이 표시될 수 있다.
그림 2.1 Single data set.

- 11 -
주어진 (n+1) 조의 data set ( x , f ), ( x , f ), ( x , f ),
0 0 1 1 2 2 ⋅⋅⋅ , ( x , f ) 에 대하여 다음과
n n
같은 다항식으로 curve fit 할 수가 있다.

f ( x) = a 0+ a 1 x+ a 2 x2 + ㆍㆍㆍㆍㆍ + a n xn (2.1)
여기서, 계수 a , a , a ,ㆍㆍㆍㆍㆍ, a 은 식 (2.1)를 주어진 (n+1) 조의 data set에 적용함으로
0 1 2 n
써 얻어지는 다음과 같은 연립방정식의 근으로서 주어진다.

f 0 = a 0+ a 1 x0 + a 2 x20 + ㆍㆍㆍㆍㆍ + a n xn0
ㆍㆍ (2.2a)
ㆍ
f n = a 0+ a 1 xn + a 2 x2n + ㆍㆍㆍㆍㆍ + a n xnn
http://web.cau.ac.kr/energy - 12 - Energy & Spectral Radiation Research Laboratory

식 (2.2a)를 matrix의 형태로 나타내면 다음과 같다.
1 x0 x20 ⋯ xno   a 0  f 0

 1 x1 x21 ⋯ xn1   a 1 =  f 1 (2.2b)
 ⋮
 ⋮ ⋮ ⋮   ⋮  ⋮
   
1 xn x2n ⋯ xnn  a n  f n
식 (2.2b) 로부터 계수 a 0～ a n 을 구하면 주어진 data point 를 정확하게 지나는 다항식이 구

해진다.
여기서, n = 1 : linear curve fitting.

n = 2 : qudratic curve fitting
n = 3 : cubic curve fitting
식 (2.1) 과 유사한 형태의 다항식을 기타 여러 가지 다른 함수들을 이용하여 나타낼 수도
있으며, 삼각함수 및 지수함수를 예로서 나타내면 각각 다음과 같다.

- 13 -
1) 삼각함수
f ( x) = a 0 + a 1 sin (x) + a 2 sin (2x) + ⋅⋅⋅⋅ + a n sin (nx) (2.3a)
여기서, 계수 a 0 ～a n 은 다음과 같이 결정된다.
 1 sin (x0 ) sin (2x0 ) ⋯ sin (nxo )  a 0  f 0
 1 sin (x1 ) sin (2x1 ) ⋯ sin (nx1 )  a 1  f 1

 ⋮ ⋮ ⋮
   =  
⋮   ⋮  ⋮
(2.3b)
    
 1 sin (xn ) sin (2xn ) ⋯ sin (nxn )  a n  f n
2) 지수함수
f ( x) = a 0 + a 1 e x + a 2 e x/2 + ⋅⋅⋅⋅ + a n e x/n (2.4a)
여기서, 계수 a 0 ～a n 은 다음과 같이 결정된다.
1 e x e x /2 ⋯ e x /n
0 0
 a  f 
o
   0  0
 1

 ⋮
e x e x /2 ⋯ e x /n
1
⋮ ⋮
1 1
  a 1 =  f 1

⋮   ⋮  ⋮
(2.4b)
   
1 e x e x /2
n n
⋯ e xn/n  a n  f n

- 14 -
여러 문헌에 주어진 많은 종류의 자료들은 선형보간으로 표현하는 것으로서 충분한 경우가
있다. 다음의 표 2.1에는 몇 가지의 자주 사용되는 선형보간식을 나타내고 있다.
표 2.1 자주 사용되는 선형보간식
명 칭 수식의 기본 형태 선형 수식의 형태 기울기 절점
선형 방정식 y = a + bx y = a + bx b a
y = a + b x'
Hyperbolic y = a + b/x b a
여기서, x' = 1/x
Exponential y = a e bx ln y = ln a + bx b ln a
Inverse ln y = ln a + bx'
y = a e b/x b ln a
exponential 여기서, x' = 1/x
Power law y = a xb log y = log a + b log x b log a
Saturation y' = 1/a + ( b/a ) x'
y = a x/( b + x) b/a 1/a
growth rate 여기서, x' = 1/x , y' = 1/y

- 15 -
2.2.2 2개의 독립변수를 갖는 data (data set with multiple independent variables).
2개의 독립변수 x 및 y 를 갖는 data set 은 f = f ( x, y) 인 형태의 이중다항식으로 표현할

수가 있다. 이러한 data set을 그림으로 나타내면 그림 2.2과 같이 표시될 수 있다.
그림 2.2 Multiple data set.

- 16 -
그림 2.2와 같은 data를 다항식으로 표현하기 위하여 다음과 같이 x 에 대한 n 차 다항식이 고

려될 수 있다.
f = f ( x, y) = a 0 ( y) + a 1 ( y)x+ a 2 ( y)x2 + + a n ( y)xn (2.5)
여기서, 계수 a 0～ a n 은 다음과 같이 변수 y 의 m 차 다항식으로 표현된다.
a 0 ( y) = b 00 + b 01 y+ b 02y 2 + ․․․․․ + b 0my m

a 1 ( y) = b 10+ b 11y+ b 12y 2 + ․․․․․ + b 1my m
⋅ (2.6)
⋅
a n ( y) = b n 0 + b n 1 y+ b n 2y 2 + ․․․․․ + b nmy m
식 (2.6)을 식 (2.5)에 대입하면

- 17 -
     ⋯       ⋯   (2.7)
    ⋯   ⋯    ⋯  
식 (2.7)에 포함된 ( n + 1)× ( m + 1) 개의 계수 b 을 구하기 위하여는 각각 x 방향으로

nm
( n + 1) 개 및 y 방향으로 ( m + 1) 개의 data set 이 필요하다. 따라서, b 을 구하기 위한 연 nm
립방정식은 [ ( n + 1)× ( m + 1)] matrix이다.2
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
<예 2.1> Pump head H 는 유량 Q  및 회전수 N 의 함수로서 다음의 그림 2.3 와 같이 표현
될 수 있다 [Hodge, 1990] ---     
Pump head를 다음과 같이 유량 Q 의 이차함수로서 표현될 수 있다.
H = a 0 ( N )+ a 1( N )Q + a 2( N )Q 2 (2.8)
여기서, 계수 a 0～ a 2 는 회전수 N 의 2차함수로 각각 다음과 같이 표시될 수 있다.
a 0 ( N) = b 00+ b 01 N+ b 02N2
a 1 ( N)= b 10+ b 11 N+ b 12N2 (2.9)
a 2 ( N)= b 20+ b 21 N+ b 22N2

- 18 -
그림 2.3 Pump head.

따라서, Pump 의 head 는 다음과 같이 유량 Q 및 회전수 N 의 이차함수로서 표현될 수 있다.
H = [ b 00 + b 01 N+ b 02 N2 ] + [ b 10 + b 11 N+ b 12N2 ]Q
(2.10)
+ [ b 20 + b 21 N+ b 22N ]Q
2 2
식(2.10)으로 부터 9개의 data point 가 주어지면 미지계수 b , b ,⋯, b 가 구해질수 있는

matrix 가 얻어지는 것을 알 수 있다. <끝>
00 01 22
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
- 19 -
2.3 Least squares curve fitting.
실험의 결과로 얻어진 자료등과 같이 주어진 data point 들이 불규칙적이어서 제 2.2절에서
와 같이 주어진 data 값을 정확하게 만족하도록 하는 다항식을 구할 경우 아래의 그림2.4에서
볼 수 있는 바와 같이 data 값들 사이의 값이 가능한 data 범위를 벗어나거나 또는 실제값이 보
일 수 있는 분포와 다른 모양을 한 다항식이 얻어지는 경우가 많다.
° : data point.
── : data point에 가장 근사한 simple function.
‥‥ : 고차의 다항식으로 data point 를 정확하게 지나도록 구한 방정식.
그림 2.4 실험 data point 의 수가 많은 경우의 curve fitting.
- 20 -
이러한 문제를 해결하고 어떤 자료의 실제 분포도를 나타내는 곡선을 구할 수 있는 방법으로

서 최소자승법(Least squares curve fit) 이 고려될 수 있다. 즉, 총 n + 1 개의 data set에 대
하여 다음과 같은 m 차 방정식으로 나타내도록 한다.
f ( p) ≈a 0 + a 1 p + a 2 p 2 + ⋅⋅⋅ + a m p m
m+1
(2.11)
= ∑ a i - 1 pi - 1
i=0
여기서, 만약 기초함수가 p = x인 경우 다음과 같다.
f ( x) ≈a 0 + a 1 x+ a 2 x2 + ⋅⋅⋅ + a m xm
m+1
(2.12)
= ∑ a i - 1 xi - 1
i=0

- 21 -
임의의 m 차 최소자승법( m order least squares curve fitting) 은 실제의 주어진 data
th
point 값과 m order polynomial 함수의 값 사이의 차이가 모든 data point 들에서 최소가
th
되도록 polynomial 의 계수 a , a ,⋯, a 을 구한다. 이렇게 구한 polynomial 은 주어진 data

0 1 m
point 들을 정확하게 지나지 않는 경우가 대부분이며, 여기서 필요한 data point 의 수 n 은

n > m + 1 을 만족하여야 한다. i 번째 data point에 대하여 실제 값과 curve 사이의 차이의 제
곱은 다음과 같다.
S r i = ( f i- a 0- a 1 xi - a 2 x2i - ⋯ - a mxmi ) 2 (2.13)

여기서,  는 i data point에 대한 residual을 나타낸다. 식 (2.13)과 같은 residual을 모든

th
data point에 대하여 총합을 나타내면 다음과 같다.

∞
S r = ∑ ( f i - a 0- a 1 xi - a 2 x2i - ⋯ ⋯ - a mxmi ) 2
i=1
(2.14)

- 22 -
여기서, 미지계수 ( a ,a ,a , ⋯ a ) 들은  값이 최소가 되도록 결정되어야 한다. 이러한 최소
0 1 2 m 
residual 은 다음과 같이  의 각각의 계수 ( a , a , a , ⋯ a )들에 대한 미분이 영(zero) 이 되

 0 1 2 m
도록 함으로써 가능하게 된다.
 ∂S r n
 = 0 = - 2 ∑ ( f i - a 0- a 1 xi - a 2 x2i - ⋯ - a m xmi )
 ∂a 0 i=1
 ∂S r n
= 0 = - 2 ∑ ( f i - a 0- a 1 xi - a 2 x2i - ⋯ - a m xmi )xi


∂a 1 i=1 (2.15)

 ⋮
∂S r n
 = 0 =- 2 ∑ ( f i - a 0- a 1 xi - a 2 x2i - ⋯ - a m xmi )xmi
∂a m i=1
여기서, ∑ a = n a 이므로 식(2.15) 는 다음과 같이 미지계수 ( a

n
i=1
i i 0, a 1 ,a 2 , ⋯ a m) 에 대한 다항
식으로 표시될 수가 있다.

- 23 -

           ⋯     



 



            ⋯   










 

 

(2.16)


⋮

      
    
   

  ⋯   


식(2.16)를 matrix 의 형태로 나타내면 다음과 같다.

  
  
 n ∑xi ∑x2i ⋯ ∑ xmi     
    
 ∑ xi

 ⋮
∑x2i
⋮
∑x3i
⋮
⋯ ∑xmi + 1  
⋮  ⋮
= ⋮
 
(2.17)
⋮ ⋮
 ∑ xi ∑xmi + 1 ∑xmi + 2 ⋯ ∑ x2i m  
m
  
 
 
여기서, ∑≡ ∑ , n＞m+1
n
n : 주어진 data point 의 수

i=1
m : polynomial의 차수

식(2.11)에 나타낸 다항식의 기초함수 p 가 임의의 함수 형태를 갖는 경우식 (2.17)은 다음과
같은 일반형으로 나타낼 수가 있다.
 n ∑p i ∑p2i ⋯ ∑ pmi   a 0  ∑f i 
   a 1  ∑p i f i 
 ∑ p i
 ⋮

∑p2i
⋮
∑p3i
⋮
⋯ ∑pmi + 1 
⋮ 
 
 ⋮
 
= 
 ⋮ 



(2.18)
 ⋮  ⋮ 
 ∑p i ∑pmi + 1 ∑pmi + 2 ⋯ ∑ p2i m 
m
 ∑ p i f i
m
 a m
여기서, 기초함수 p 는 다음과 같은 것들이 될 수가 있다.
p = sin x (2.19a)
p = ex (2.19b)
⋅

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
<연습 문제>
2.1 f = f ( x) 인 형태의 data set 을 삼각함수를 이용한 polynomial curve fit 하기 위한
general computer program 을 작성하시오.
2.2 f = f ( x, y) 인 형태의 data set 을 polynomial curve fit 하기 위한 general computer
program 을 작성하시오.
2.3 n = 5 조의 data set을 m = 2 차 다항식을 이용하여 least squares curve fit 하기 위하여
필요한 관련 수식을 유도하는 과정을 보이시오.
2.4 f = f ( x) 인 형태의 n 조의 data set을 임의의 m 차 다항식을 이용하여 least squares
curve fit 하기 위한 general computer
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ program 을 작성하시오.

- 26 -
<참고 문헌>
1. Chapra, S.C. and Canale, R.P., “Numerical Method for Engineers”, 2nd Ed.
1988.
2. Stoecker, W.F., “Design of Thermal Systems”, 3rd Ed, 1989.
3. Hodge, B.K., "Analysis and Design of Energy Systems," 2nd ed.,
Prentice-Hall, Inc., 1990.

- 27 -
제 3 장 Piping System Simulation
3.1 서 론
에너지시스템은 작동유체에 의하여 소기의 역할을 할 수 있도록 구성되어 있으며, 이러한 작
동유체는 적절한 유로를 형성하면서 시스템을 통과 또는 순환하게 된다. 작동유체가 통과하는
유로는 원형관, 또는 임의 단면 형상을 한 통로로 설계될 수가 있으며, 이러한 유로를 통과하는
동안 작동유체는 통로벽면과의 마찰에 의한 손실, 축소, 확대, 오리피스 및 벤드 등에 의한 손실
등으로 압력강하를 경험하게 된다. 이러한 유로는 보일러 등과 같은 복잡한 에너지시스템 또는
보다 종합적인 플랜트 등의 경우 관로의 연결망이 매우 복잡하여 압력강하 및 유량배분에 대한
예측은 매우 중요한 설계 자료를 제시하게 되며, 이러한 예측 결과에 따라 유로의 단면적을 설
계하여야 원하는 성능을 발휘하는 시스템이 될 수가 있다. 특히, 보일러 및 냉동기 등을 구성하
고 있는 유로중에는 작동유체가 기체 및 액체 혼합물인 상태로 흐르고 있는 영역이 있을 수도
있다.
본 장에서는 관로 내부를 흐르는 단상 유체 및 2상 유체의 압력강하를 예측하기 위한 다양한
- 28 -
경험식들을 소개하고 있으며, 또한 복잡하게 연결되어 있는 관로망의 해석을 위하여 사용되는
Hardy-Cross 법에 대하여도 그 응용 방법을 소개하고 있다.
3.2 관로 내부에서의 단상류 압력 손실.
관로에서의 손실은 직관부의 관 표면과 유체 사이의 마찰에 의한 손실 (major loss) 및 밸
브, 곡관, 열교환기등의 설치로 인한 관로 단면적의 축소-확대에 의한 부차적인 손실 (minor
loss) 등으로 크게 대별될 수 있다.
1) 원관 내부에서의 단상류 마찰 손실.

지름이 D, 길이가 L 인 원관 내부를 평균속도 V 로 흐르는 단상류의 마찰 손실은 다음과 같
은 Darcy 식으로 부터 계산될 수 있다.
L G
(3.1)
2
Δp fr iction = f
D 2 gρ

- 29 -
여기서, 만약 관로의 단면이 원형이 아닌 경우에는 수력지름 (hydraulic diameter) Dh 를대
신 사용하여 압력손실을 계산할 수 있다.
Dh = 4A
P (3.2)
여기서, A 는 관로의 단면적, P 는 접수길이를 각각 나타낸다.
관내 흐름에 대한 마찰계수 f 는 Reynolds 수 ( Re ) 와 상대조도 ( ε/D ) 의 함수이며, 이
D
것은 Moody 선도 [Chisholm, 1983] 로 부터 구할 수 있지만 컴퓨터 시뮬레이션을 위하여는 다

음과 같이 수식화 (curve fit) 된 관계식을 사용하는 것이 일반적이다.
i) Blasius 식 (매끈한 관내부의 난류흐름) [Chisholm, 1983]
f = a
Re D n
(3.3)

- 30 -
여기서, : a = 0.314
2,000 <Re D <100,000 n = 0.25
5,000 <Re <200,000 : a = 0.186
D n = 0.20
난류유동 범위 : a = 64 n = 1.0
ii) Churchill 식 [Churchill, 1977]

관내 단상류에 의한 압력강하 마찰계수는 다음과 같은 Churchill 식을 이용하여 모든
Reynolds 수 범위에 대하여 상당히 정확하게 계산할 수 있다.
[( Re ) ] (3.4)
12 1/12
f = 8 8 + 1
D ( A + B ) 3/2
A = [ 2.457 ln {
( 7/ Re ) + 0.27 /D }]
여기서,
16
1
0.9
D ε
[ ]
16
B = 37,530
Re D
http://web.cau.ac.kr/energy - 31 -Energy & Spectral Radiation Research Laboratory

iii) Haaland 식 (Haaland, 1983)
f = 0.3086 for ε/D > 10 - 4 (3.5)

{ [ Re ( 3.7 D ) ]}
1.11 2
log 6.9 + ε
D
f = 0.3086 n 2 for ε/D ≤10 - 4 (3.6)

{ log [( Re ) + ( 3.7 D ) ]}
n 1.11 n 2
7.7 ε
D
여기서, n ≈ 3 인 값을 갖는다.
이러한 세가지의 수식들 중에서 Churchill 이 제안한 수식이 정확도 면에서 가장 우수한 것
으로 발표되고 있다 [Chisholm, 1983; Hodge, 1990].
2) 단상류에 대한 부차적인 손실 (minor losses).

Bend, 축소, 확대, orifice, 밸브류 등을 통하여 단상류 유체가 흐르고 있을 때 발생하는 압력
- 32 -
손실은 다음과 같은 형태의 수식으로 표시할 수 있다 (그림 3.1 참조).
Δp M = ∑ξ M G2
2 gρ (3.7)
여기서 손실계수 ξM 은 Chilton handbook [1963] 또는 Hodge [1990] 등에 정리되어 있다.
i) 급격한 확대에 따른 압력손실 승수 (그림 3.1a).

( A1
)
2
ξM = 1 -
A2 (3.8)

- 33 -
그림 3.1 축소, 확대, orifice, bend 등과 같은 관로 부품.

- 34 -
ii) 급격한 축소에 따른 압력손실 승수 (그림 3.1b).
A 2/A 1 0.0 0.2 0.4 0.6 0.8 1.0
ξM 0.5 0.45 0.36 0.21 0.07 0.0
iii) Orifice 에 의한 압력손실 승수 [Whalley, 1987] (그림 3.1c 및 d).

   



(3.9)

       

여기서, a = 6.38 + 2.33 b 2

b = D o /D 1
D1 : 상류측 관의 안지름
Do : orifice 의 안지름.

- 35 -
iv) bend 에서의 손실 (그림 3.1e).
Bend 에서의 손실계수는 그림 3.2 으로 부터 구할 수 있다 ( ξ = K ). 그림 3.2에서 R 은 M
관의 중심선에서의 굽힘 반지름[ m ]을 그리고 d 는 관의 안지름[ m ]을 각각 나타낸다.
i
그림 3.2 Bend 에 대한 K 값.
3.3 이상유동에 의한 압력강하.
3.3.1 물성 및 기본 물리량의 정의.
이상유동의 수력학적 해석을 위하여 고려되는 물성값으로는 다음과 같은 것들이 있으며, SI

단위계로 다음과 같은 단위를 갖는다.
ρ : 밀도 [ kg/m ] 3
μ : 점성계수 [ N⋅s/m ] 2
k : 열전도율 [ W/m⋅K ]
C : 비열 [ J/kg⋅K ]
p
여기서, 첨자 L 은 액체상태를, 첨자 G 는 기체상태를 각각 나타내며, 또한 첨자 LO 은 액체상

태만의 유동을, 첨자 GO 는 기체상태만의 유동을 각각 나타낸다.
이상유동에서의 사용하게 되는 유량들로는 다음과 같은 것들이 있다.

- 37 -
G : 총 질량유속 [ kg/m ⋅s] - 액체 및 기체 전체의 총 질량유량(   
2
  )
을 유로의 총 단면적으로 나눈 값.

GL : 액체의 질량유속 [ kg/m ⋅s]- 액체의 질량유량을 유로의 총

2
단면적으로 나눈 값.
GG : 기체의 질량유속 [ kg/m ⋅s]- 기체의 질량유량을 유로의 총
2
단면적으로 나눈 값.
증기의 건도 x 는 유체의 총 질량에 대한 기체의 질량비를 나타내며 다음과 같이 표시된다.
G
x = GG (3.10)
여기서, 증기의 건도 x 는 관의 단위 열전달 면적당 열전달량을 q̇ , 입구 건도를 x , 출구 1
건도를 x 라 할 때 다음과 같이 계산될 수 있다.

2

- 38 -
x2 = x1 + GqA
̇ P Δz
h LG (3.11)
여기서, x1 : 관 입구에서의 건도
x : 관 출구에서의 건도
2
h : 물의 증발 잠열 [ J/kg ]
LG
P : 유로의 perimeter [ m ]
A : 유로의 단면적 [ m ] 2
Δz : 유로의 길이 [ m ].
식 (3.11) 로 부터 Δz 가 0 에 근접할 경우 건도의 변화율은 다음과 같이 표현될 수 있다.
dx = q̇ P
dz G A h LG
(3.12)
= Ci

- 39 -
기체 및 액체의 겉보기 속도 (superficial velocity, [ m/s]) 는 고려하고 있는 유로에 기체
또는 액체만 흐르는 것으로 가정하였을 경우의 속도를 나타내며 각각 다음과 같이 정의된다.
GG
VG =
ρG
(3.13a)
GL
VL =
ρL
(3.13b)
기공율 α 는 유로의 총 단면적 (또는 체적) 중에서 기체가 차지하는 면적(또는 체적)의 비를
나타내며, 다음과 같이 기체 또는 액체의 실제 속도( u 또는 u )를 이용하여 표시할 수 있다.
G L
VG
α=
uG (3.14a)
또는,
VL
α = 1-
uL (3.14b)

- 40 -
또한, 균일하게 혼합된 유체의 평균 밀도 ρh 및 평균 점성계수 μh 는 각각 다음과 같이 표

현될 수 있다 [Whalley, 1987].
ρh =
1
x + ( 1 - x) (3.15)
ρG ρL
μh =
1
x + ( 1 - x) (3.16)
μG μL

- 41 -
3.3.2 이상유동 압력손실 성분.
보일러의 상승관 및 하강관을 순환하는 물 및 증기가 적정량의 유량을 갖으면서 관로계통
을 순환하도록 하기 위하여는 비중차이에 의한 순환력과 순환펌프의 양정을 합한 총 순환력이
관로에서의 총 압력강하와 예상된 유량하에서 평형을 이루어야 한다. 이러한 평형을 유지하도
록 관의 수 및 크기를 설계하기 위하여 순환계통의 압력강하 예측이 반드시 필요하다. 여기서,
압력강하는 마찰에 의한 손실, - ( dp/dz) , 기체-액체 혼합물의 유동에 따른 가속손실,
F
-( dp/dz ) , 수두차이에 따른 손실, - ( dp/dz ) , 및 관로의 부차적손실 (축소, 확대, bend 등에

A Z
서의 손실), - ( dp/dz) , 등으로 구분되며 이들 각각의 항목에 대하여 자세히 논의하고자 한다.
M
따라서, 그림 3.3 와 같은 관로에서의 총 압력강하 - ( dp/dz) 는 이러한 각각의 손실을 합 TP
하여
- ( dp ) = - ( dp ) - ( dp ) - ( dp ) - ( dp ) (3.17)
dz TP dz dz
F Adz Z dz M
와 같이 산출될 수 있다.

그림 3.3 이상유동 압력강하.

- 43 -
1) 이상유동 마찰 압력손실 (two-phase flow frictional loss).

액체와 가스가 혼합된 유체의 흐름에 따른 마찰손실은 다음과 같이 단상유동에 대한 압력강
하 계산식에 승수 (multiplier) 를 곱하여 산출하고 있다.
- ( dpdz ) F
= - ( dpdz ) F, LO
φ 2LO (3.18)
여기서, φ 는 이상유동에 대한 압력강하 승수 (Two-phase frictional multiplier) 이며 일
2
LO
반적으로 가장 정확도가 높은 것으로 알려져 있는 Friedel [1979] 의 관계식은 다음과 같다.
φ 2LO = E +
3.24F H
Fr 0.045 We 0.035
(3.19)
ρ L f GO
여기서, E = ( 1 - x) 2 + x2
ρ G f LO
F = x0.78 ( 1 - x) 0.224

- 44 -
( ) ( ) ( )
0.91 0.19 0.7
ρL μG μ
H= 1- G
ρG μL μL
Fr = G2
g d ρ 2h
: Froude number
G d
: Weber number
2
We =
σ ρ h
= ( x + 1-x) : Homogeneous mixture density

-1
ρh
ρG ρ L
여기서, f 및 f 등은 총 유량 (물+증기, G ) 에 해당하는 액체 또는 기체가 단상으로 흐른

LO GO
다고 가정할 경우의 마찰계수들을 각각 나타낸다. 또한 σ 는 표면장력 [ N/m ] 을 나타내며 g

는 중력가속도로서 g = 9.81 [ m/s ] 인 값을 갖는다. 표 3.1 에는 φ 에 대한 여러가지 다른
2 2
LO
표현들이 소개되고 있다.

식 (3.18) 에 나타나는 ( dp/dz ) 는 총 유량 (물+증기, G ) 에 해당하는 물이 단상으로
F, LO
흐르는 경우의 압력강하를 나타내며 다음과 같이 계산될 수 있다.

- 45 -
( )
dp
dz F, LO
= f LO 1 G2
d 2 gρ L (3.20)
여기서, f 는 액체만의 유동에 대한 마찰계수를 나타내며, 식 (3.4) 과 같이 계산될 수 있다.
LO
식 (3.18) 로 부터 위치 1 과 위치 2 사이의 이상유동 마찰에 의한 압력차는 다음과 같이 사

각형 법칙 (trapezoidal rule) 을 적용하여 계산할 수 있다.
Δp fr iction ( )
= dp ⌠⌡ φ
2
LO dz
2
dz F, LO 1
(3.21)
≈ ( dp )
x2 - x1
2 C i { φ LO 2
2
( x ) + φ 2LO ( x1 ) }
dz F, LO

- 46 -
표 3.1 물-증기 혼합유체에 대한 이상유동 압력강하 관계식.
관계식
[ ( )] [ 1 + x ( )]
- 1/4
Homogeneous 2 ρL -ρ G μ L-μ G
φ LO = 1 + x
: Collier ρG μG
φ 2LO = Ω φ 2LO ( G = 1356 kg/m 2s)
Baroczy where φ 2LO ( G = 1356 ) = f ( [ ( μ L / μ G ) 0.2 ( ρ G / ρ L )] , x )
Ω = f ( [ ( μ L / μ G ) 0.2 ( ρ G / ρ L )] , x )
φ 2LO = 1 + ( Γ 2 - 1) [ B x ( 2 - n )/2 ( 1 - x) ( 2 - n )/2 + x2 - n ]
[
( dp/dz ) GO
]
1/2
Chishoim where Γ =
( dp/dz ) LO
B = f ( G , Γ)
CISE ( )
dp
dz TP =
KG
[
n
D
v 0.86 0.4
1.2
σ
]
: Lombardi where v = [ x/ρ G + ( 1 - x)/ρ L ]
K = f ( geometr y) , n = f ( geometr y)
Martinelli
φ 2LO = f n ( p , x)
-Nelson
[{ ( ( )) } ]
1/2 2
ρ
Smith- 2
φ LO = e ( 1 - x) + L x ( e ( 1 - x) + x) +(1- e )(1- x)
ρG
Macbeth
where e = 0.4

2) 가속 압력손실 (acceleration loss).
혼합유체내의 액체속도와 가스속도가 각각 다른 경우 가스는 압축될 수 있으며, 이로 인한
손실을 가속손실이라 하며 다음과 같이 산출될 수 있다.
( )
- dp
dz A
= G d
2
g dz ( x2 vG
α
+
( 1 - x) 2 vL
(1- α ) ) (3.22)
여기서, G : 총 질량유량 (total mass velocity)
x : 증기의 건도 (steam quality)
α : 기공율 (void fraction) (표 3.2 참조)
v , v : 증기 및 물의 비체적
G L
기공율 α 에 대한 관계식들도 많은 연구자들에 의하여 제안되고 있다. 이러한 기공율은 다

음과 같이 정의되는 기체와 액체의 속도비 즉 미끄럼 비 (slip ratio) 에 대하여 나타낼 수 있다.
u
S = uG
L
(3.23)
= ( 1 - x ) ( ) ( 1 -α α )
x ρL
ρG

윗 식으로 부터 기공율 α 는 다음과 같이 표현된다.
α =
1
(3.24)
(
1+ S 1-x G
ρ
x ρL )
식 (3.24) 의 미끄럼 비 S 에 대한 관계식으로는 다음과 같은 CISE 관계식 [Premoli et al.,
1970] 이 정확도 면에서 우수한 것으로 소개되고 있다 [Whalley, 1987].
( y
) (3.25)
0.5
S = 1 + E1 1 + yE 2
- yE 2
ρL x
여기서, β
y = 1-
β
, β =
ρ L x + ρ G ( 1 - x)
( ) ( )
0.22 - 0.08
E 1 = 1.578 Re - 0.19 ρL
ρG
, E 2 = 0.0237 We Re - 0.51 ρL
ρG
Re = G d , G d
2
We =
μL σ ρL

- 49 -
기공율 α 또는 미끄럼 비 S 에 대한 여러가지 다른 관계식들은 참고로 표 3.2 에 주어져 있다.
표 3.2 물-증기 혼합유체에 대한 기공율 관계식

관계식
Lockhart &
[( ) ( ) ]
dp dp 1/2
α = f ( X ) where X =
Martinelli dz L / dz G
Hughmark α = K where K = f [ Re , Fr , ( 1 - β )]　
ρ L/ρ G + e ( 1/x-1)
Smith S = e + ( 1 - e) where e = 0.4
1 +e ( 1/x-1)
CISE Premoli S = f ( G, D, ρ L, ρ G, μ L, σ, β ) + 1
[ ( ) + ( 1 - x) ]
1/2
ρ
Chisholm S= x L
ρG
S= f( ) ρL
Thom
ρG
Bankoff-Jones S= [ A - α +(1 -1α- A) α ]

B where A , B = f ( p)
S= [
A - α +( 1 - A ) α ]
1-α
where
A = f ( p , G, X , ρ G, ρ L )
Bryce B
B = f ( p, ρ G , ρ L )

- 50 -
따라서, 균일 단면을 갖는 관의 위치 1 과 위치 2 에서 혼합유체의 건도가 x 에서 x 로 1 2
변하고 이와함께 기공율이 α 에서 α 로 변하는 경우의 가속에 의한 압력 차이는 식 (3.22)

1 2
을 이들 두 위치사이에서 적분함으로써 다음과 같은 수식으로 표현된다.
Δp acceler ation =
⌠⌡ ( dp )
2
dz
1dz A
(3.26)
≈G
g
2
{ x 2
2
α 2 ρ G2
+
( 1 - x2 )2
(1- α 2 ) ρ L2
-
x 2
1
α 1 ρ G1
-
( 1 - x1 ) 2
(1- α 1 ) ρ L1 }

- 51 -
3) 높이차이에 의한 수두손실 (hydrostatic head loss).
액체와 가스가 혼합된 유체의 수두차이에 의한 손실은 관로가 수평으로부터 θ 인 각도로 기
울어져 있는 것을 고려하여 다음과 같이 계산할 수 있다.
  

 
   sin (3.27)

    
    sin
  
여기서, θ 는 수평면으로 부터 측정된 관로의 기울기 각도를 나타낸다.
따라서 위치 1 과 위치 2 사이에서 유체의 수두차이에 의한 압력차는 다음과 같이 사다리꼴
법칙 (trapezoidal rule) 을 이용하여 계산될 수 있다.
Δp elevation = sin θ⌠⌡ ρ ( z) dz
2
h
1
= sin θ ⌠ (3.28)
2
⌡ { α ρ + ( 1 - α) ρ
1
G L } dz
( x2 - x1 )
{( x1 ( 1 - x1 )
) +( x2 ( 1 - x2 )
) }
-1 -1
≈ sin θ + +
2Ci ρG ρL ρG ρL

4) 이상유동에 의한 관로의 부차적 손실 (bend, 축소, 확대, orifice 등에서의 손실).
이상유동에 의한 관로의 부차적 손실로는 bend, 축소, 확대, orifice 등에서의 손실이 있다
(그림 3.1 참조). 이러한 부차적인 손실은 다음과 같은 형태의 수식으로 표현될 수 있다 [Kitto
and Albrecht, 1988].
p
Δ M = Φ K G2
2 gρ L (3.29)
i) 급격한 확대에 따른 압력손실 승수 (그림 3.1a).
연결된 관으로 부터 헤더, 드럼 등과 같은 부품으로 물-증기 혼합유체가 유입될 경우의 압력
손실 승수는 다음과 같은 수식에 의하여 결정될 수 있다.
Φ = 1+( C + 1
X X2 ) (3.30a)
K = 2 S A ( 1 - S A ) ( 1 - x) 2 (3.30b)
여기서, SA = (작은 단면적/큰 단면적)
{ ( ) } {( ) ( ) }
vG - vL 0.5 vG v
0.5 0.5
C = 1 - 0.5 + L
vG vL vG
( ) ( ) ( )
0.9 v 0.5 0.1
X = 1 - x L μL
x vG μG

ii) 급격한 축소에 따른 압력손실 승수 (그림 3.1b).
헤더, 드럼 등과 같은 부품으로부터 연결된 관으로 물-증기 혼합유체가 유입될 경우의 압력
손실 승수는 다음과 같은 수식에 의하여 결정될 수 있다.
Φ = 1+(vG - vL
vL x ) (3.31a)
A2 2
K = 1- A
1
( )+ ( 단상류에 대한 손실계수 ) (3.31b)
여기서, A1 은 상류측 관의 단면적을 A2 는 하류측 관의 단면적을 나타낸다.
iii) Orifice 에 의한 압력손실 승수 [Whalley, 1987] (그림 3.1c 및 d).

x ρ L x2
(3.32a)
2
( 1 - )
Φ= +
1- α ρG α
K = ( 단상류에 대한손실계수 ) (3.32b)

- 54 -
iv) bend 에서의 손실 (그림 3.1e).
Bend 에서의 손실은 다음과 같은 관계식으로 부터 계산될 수 있다 (90°bend 에 대하여 만들
어진 수식).
Φ = 1+ ( ρL
ρG
-1 ) { B x( 1 - x) + x }
2
(3.33a)
K : 그림 3.2 참조. (3.33b)
여기서, B = 1+ 2.2
(
K 2+ R di )
R : 관의 중심선에서의 굽힘 반지름 [ m ]
di : 관의 안지름 [ m ]

- 55 -
3.4 관로망의 해석
에너지 시스템의 설계에 있어서 원하는 성능을 발휘하면서 최소의 자재가 요구되도록 하기
위하여는 복잡한 관로망을 설치하게 되는 수가 많다. 이러한 관로망을 분석하는 목적으로는
1) 관로를 구성하는 파이프의 지름 결정,
2) 적절한 유량분배가 되도록 하여 시스템을 고성능화
하는 것 등이 있다.
관로망의 설계에 있어서는 관로의 연결점에서의 질량밸런스 및 압력의 일치 등을 고려하여

야 한다. Hardy-Cross 법은 이러한 조건들을 고려하여 관로망을 해석하는 체계적인 방법으로
써 이 중 “마찰계수의 속도(유량)에 대한 함수 관계를 무시하는 방법(friction factor based
Hardy-Cross method)”에 대하여 본 절에서 간략하게 설명하고자 한다.

- 56 -
연속방정식에 의하면 단면적이 A 인 관로 내부를 평균속도 V 로 흐르는 유체의 유량 는 다
음과 같이 나타낼 수 있다.
Q=V A (3.34)
여기서, Q [ m /s] , V [ m/s] , A [ m ] .
3 2
관로를 통한 마찰 압력강하는 다음과 같은 Darcy 방정식으로 나타낼 수 있다.

L
hf =f D Q 2
2A 2 (3.35)
=f L V 2
D 2
또한, 밸브, orifice, 축소, 확대, 곡관 등에 의한 부차적인 손실은 다음과 같이 표현된다.
hM =ζM Q 2
2
2A (3.36)
= V 2
ζM
2

- 57 -
압력손실을 나타내는 식 (3.35) 및 (3.36)은 다음과 같은 일반적인 형태로 표현할 수가 있다.
h = K ⋅Q 2 (3.37)
여기서, K= f L 1
D 2A 2 : 마찰 손실
K= ζ M 1 2
2A
: 부차적인 손실
식 (3.37)을 유량 Q 에 대하여 Taylor 전개하면 유량 Q의 미소변화량 ΔQ 에 대하여 다음과 같

이 표현된다.
dh d h Q2+…
(3.38)
2
1
h ( Q + ΔQ ) =h ( Q ) + dQ ΔQ + 2! Δ
dQ 2

- 58 -
각각의 관로에 대한 유량 Q들이 수렴할 경우 ΔQ는 매우 작은 값이 되므로 식 (3.38)에서 고차
의 항들을 무시하여 다음과 같이 근사적으로 나타낼 수가 있다.
dh Q
h ( Q + ΔQ )≓h ( Q ) + dQ Δ (3.39)
여기서, dh/dQ 는 식(3.37)로부터 다음과 같이 유도된다.
dh = 2KQ
dQ (3.40)
식 (3.37) 및 (3.40)을 (3.39)에 대입하면
h ( Q + ΔQ ) ≓ K Q 2 + 2 K Q ΔQ (3.41)
식 (3.41)은 임의 관로망에서의 유량 Q에 대한 분배량을 구하는데 사용할 수 있으며, 이를 위하
여 각 관로를 통한 유량값에 대한 n번째 가정값 Q 을 이용하여 관로별 수정유량 ΔQ를 구함 (n)
으로써 가능하다. 수정유량 ΔQ를 구하기 위해서는 관로의 연결점에서의 압력이 유일한 값이여
야 한다는 조건을 적용하여야 한다. 식 (3.41)을 다음의 그림 3.4과 같은 임의의 i 번째 관로
(loop)에 적용하면 연결점에서 압력이 유일한 값으로 되기 위하여는 다음 식을 만족하여야 한다.

 



 

            ⋅⋅⋅      
 (3.42) 


 


 
 ⋅⋅⋅         

그림 3.4 일반적인 관로망의 일부분

- 60 -
식 (3.41)을 식 (3.42)에 대입하면 다음과 같은 수식을 얻을 수 있다.
[ K i 1 ( Q (i 1n ) ) 2 +2K i 1 Q (i 1n )ΔQ (i n ) ] + [ ( K i 2 ( Q (i 2n )) 2 +2K i 2 Q (i 2n )ΔQ (i n ) ]
+ ⋅ ⋅⋅ + [ K i j ( Q (i jn ) ) 2 +2K i j Q (i jn )ΔQ (i n ) ] (3.43)
+ ⋅ ⋅⋅ + [ K i M( Q (i M
n) 2 n)
) +2K i M Q (i M ΔQ (i n ) ] = 0
식 (3.43)을 i 번째 관로(loop)의 수정유량  를 구하는 수식으로 나타내면 다음과 같다. 



  
   
 

 


(3.44)
 
 

여기서, 관로(loop) i 의 방향과 수정유량 Q 의 방향이 일치하는 경우 Q > 0 , 반면에 일치 (n)

ij
(n)
ij
하지 않는 경우 Q < 0 인 값을 갖는다. (n)

ij
식 (3.44)에서 구한  는 관로 i 의 모든 가정된 유량 Q 에 더하여 다음과 같이 보정하

 (n)
ij
여야 한다.

   
   


 

(3.45)

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
< 연습 문제 >
3.1 다음 그림과 같은 수직 관을 통하여 유체가 아래쪽에서 윗쪽으로 흐르고 있고 일정한 열유

속이 관 외부에 적용되고 있다. 아래쪽 입구부의 유체가 포화액 상태일 때 윗쪽 출구부의 건도
x 를 계산하시오.
o
H = 1.0 [ m ] , d = 0.05 [ m ] , d = 0.045 [ m ] , G = 100 [ kg/m s] , λ = 2400 [ kJ/kg]
o i
2
LG
q̇ = 1000 + 1000 sin (πz/L ) [ W/m ]
2
그림 3.5 수직관을 흐르는 물의 비등

- 62 -
3.2 다음 그림과 같이 물을 증발시키기 위한 관로에 대하여 자연순환 수량, 증발량 및 드럼 입

구의 평균건도를 각각 계산하시오.
L1 = 1.6[ m ] , L2 = 2.1[ m ] , L3 = 2.4[ m ] , L4 = 1[ m ] , L5 = 0.7[ m ]
d = 38[ mm ] , d = 32[ mm ] , D = 0.6[ m ] , D = 0.55[ m ] , R /d = 1.5
o i o i i
p = 100[ kg/c m g] , T = T -15 [ ℃ ] , q = 10, 20, 100[ kW/m ]
2
d sat
2
그림 3.6 자연순환 증발 관로

- 63 -
3.3 다음 (T,
그림과 같은 관로망을 Hardy-Cross 법으로 해석하시오.
bend, 직관부 등을 고려하여 해석)
Q1
15mm ID
물 Q= 1000l/hr
( 20 C)
19mmID
Q2
그림 3.7 단순 관로망
3.4 관로망을 해석하는데 있어서 Hardy-Cross 법을 많이 사용한다. 만약 마찰압력 손실이
D 2A 와 같이 표현되고 f = C⋅Q 인 관계를 갖을 때 (C=상수) 그림 3.6과 같은 임의의
h =f L Q 2
1/2
f 2
loop i ( j = 1, 2, ⋯ , M 개의 관로) 에서의 유량 보정 ΔQ 를 구하기 위한 수식을 유도하시오. i
3.5 다음 그림과 같이 외부 표면에 균일한 크기의 열유속을 받는 원관 내부를 물이 흐르고 있

다. 유입되는 급수의 온도가 포화 온도보다 낮을
높이 H를 구하시오(다음에 주어진 값들 중에서 필요한 것을 이용하여). 경우 물이 포화 온도로 되기 위하여 필요한
기호 : q̇ : 열유속[ kW/m ] 2
d : 관의 바깥지름[ m ]
o

di : 관의 안지름[ m ]
ṁ : 질량유속[ kg/m s ]2
cp : 비열[ kJ/kg.K ]
λ LG : 증발잠열[ kJ/kg ]
그림 3.7 수직관을 흐르는 물의 비등
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

- 65 -
<참고문헌>
1. Churchill, S.W., "Friction equation spans all fluid regimes," Chemical
engineering, Vol.84, No.24, pp.91-92, 1977.
2. Haaland, S. E., " Simple and Explicit Formulas for the Friction Factor in
Turbulent Flow," Trans. ASME J. of Fluids Engineering, Vol. 105, No. 3,
pp.89-90, 1983.
3. Perry, J. H. and Chilton, C. H., "Chemical Engineers' Handbook,"
McGraw-Hill Book Company, 1963.
4. Hodge, B.K., "Analysis and Design of Energy Systems," 2nd ed.,
Prentice-Hall, Inc., 1990.
5. Lin, Z.H., "Thermohydraulic Design of Fossil-Fuel-Fired Boiler
Components," in "Boilers, Evaporators, and Condensors," Edited by S.
Kakac, John Wiley & Sons, Inc., 1991.
6. Kitto, J.B. Jr., Albrecht, M.J., "Elememts of Two-Phase Flow in Fossil
Boilers," in Two-Phase Flow Heat Exchangers, S. Kakac et al., eds.,
Babcock and Wilcox Co., pp.495-551, 1988.
- 66 -
제 4 장 Energy System Simulation
ㅇ. System Simulation
- Steady state simulation
: 정상 상태로 운전되고 있는 system의 상태량 및 성능을 분석.
: 모델 방정식들은 비선형 연립 방정식으로 나타남
→ Multi-variable Newton-Raphson simulaltion method를 이용하여 해석.
- Unsteady state simulation

: System의 기동 또는 정지 시의 상태 변화를 분석 → 시스템의 안전 운전을 점검.
: 모델 방정식들은 비선형 연립 1차 상미분방정식으로 나타남
→ Multi-variable Runge-Kutta Method를 이용하여 해석.

- 67 -
ㅇ. Newton-Raphson simulaltion method (Multi-variable)
― Steady state simulation method.
Requires : ( # of unknowns ) = ( # of independent equations )

- 68 -
<EX> Pumping System. (two parallel pumps)
그림 4.1 Pumping system
. pump 의 H- Q 특성곡선 (2차 함수로 curve fit)
ΔH i = a 0i + a 1i Q i + a 2i Q i2 , i = 1, 2 (4.1)
⇒ △H = a 1 01+ a 11 Q 1 + a 21 Q 21 : pump1 (4.2a)
△H = a 2 02+ a 12Q 2 + a 22 Q 22 : pump2 (4.2b)

. pump 의 총괄 유량 ( Q ) T
QT= Q1+Q2 (4.3)
. 요구되는 pump의 양정 . ( △H = △H = △ H ) : 두 pump 가 병렬 운전

1 2
△ L
H = gh + ( f D + K )
Q 2T
2A 2
(4.4)
fL
D : major frictional loss (관마찰)
K : minor frictional loss (축소,확대,bend, )
g : 중력 가속도
A : 관의 단면적
L : 관의 총길이
D : 관의 지름

- 70 -
summary :
△H = a 01 + a 11 Q 1 + a 21 Q 21 (4.5a)
△H = a 02 + a 12 Q 2 + a 22 Q 22 (4.5b)
△ L
H = g h + ( f D + K)
Q 2T
2A 2
(4.5c)
Q T = Q 1+ Q 2 (4.5d)
: four equations ( independent )

: four unknowns .( △H, Q , Q , 1 2 QT )

 a 01, a 11, a 21, a 02 , a 12 , a 22 등은 pump 특성곡선의 cur ve fit 결과 얻어진 계수들

여기서 ,  h : 요구되는 Head.


 f, K : 도표. table 등으로 부터 주어진 값.

- 71 -
식(4.5)에서 주어진 수식들을 살펴 보면 연립 비선형 방정식들이다.(simultaneous nonlinear
equations)
⇒ Q , Q 및 Q 에 대하여 비선형적.
1 2 T
⇒ 따라서, 이들 수식은 matrix 법에의하여 쉽게 해가 구해지지 않는다.

:반복적인 계산을 요함.
⇒비효율적이며, diverge 할 가능성이 높다.

- 72 -
<Newton - Raphson Method> Single unknown 의 경우
⋯
함수 : f ( x) = 0 인 형태의 수식으로 부터 근 x를 구하는 방법.
─. 만약 x= x c 를 이 함수의 exact root 라 할 때:

f ( xc )= 0 (4.6)
─. 만약 근이 아닌 x 값에 대하여는
y( x) = f ( x) ≠ 0 (4.7)
― . x 에 대하여 함수 y( x)를 Tayler series 전개하면, ( x= x c 근처 )
⇒ y( x ) ≒ y' ( x )⋅( x - x )
t t t c (4.8)
x  xc 
y( x) = y( xc )+ y'( xc )⋅( x- xc )+ y″ xc ⋅  ⋯

(4.9)
└──→ 무시
- 73 -
⇒ y( x) = y( xc )+ y'( xc )⋅( x- xc ) (4.10)
y( xc )= f ( xc ) (4.11a)
y' ( xc )≒ y' ( xt ) (4.11b)
xc 를 모르기 때문에 가정된 x 에서 y' 를 계산. t
⇒ y( x ) ≒ y' ( x )⋅( x - x )
t t t c (4.12)
⇒ y( x )
xc ≒ xt - y' ( xt )
t
(4.13a)
(4.13b)
n 
n   n  yx 
⇒ 또는 x ≒ x   n 
y′ x 
: Newton-Raphson Formula.(single variable)

     
여기서 , 
      에서의 값
   
 ′  에서의 ′값
y' ( x) : { 0이 아닌 경우
미분 결과를 쉽게 얻을 수 있을 경우 .

- 74 -
<Multi variable Newton-Raphson method >
함수 f( x ,x ,x ,⋯, x )=0 로부터 근 x ,x ,x ,⋯,x 을 구하기 위하여 다음과 같이
1 2 3 n 1 2 3 n
Tayler series 전개를 고려하고 있다.
y( x1, x2 , x3 ,⋯, xn ) = y( a 1, a 2 , a 3 ,⋯, a n )+ ∑ ∂∂xy

j= 1
n
j
( ) ∙( x - a )
a
j j
(4.14)
+ 1
∑
n
∑
n
( 2
2! i = 1 j = 1 ∂xj∂xi )
∂ y ∙( x - a )( x - a )+⋯
i i j j
└──→ 무시
x1 = a 1 
x2 = a 2 
여기서 , x3 = a 3  등은 주어진 함수의 exact root 들이다.
⋮ 
xn = a n 
( ∂∂xy )
j a
: 함수 y 의 x 에 대한 기울기를
j a 1, a 2 , a 3 ,⋯, a n 값에서 계산한

<예> 독립변수 x1, x2 , x3 에 대한 세 개의 독립적인 비선형연립방정식의 근.
f 1 ( x1 , x2 , x3 )= 0 (4.15a)
f 2 ( x1 , x2 , x3 )= 0 (4.15b)
f 3 ( x1 , x2 , x3 )= 0 (4.15c)
여기서, exact root 들을 x , x , x 라 할 때 이 들 근 주위에서의 함수 f 의 Taylor series

1c 2c 3c 1
전개는( x , x ,x 는 trlal point 값들).

1t 2t 3t
( )
∂f
f 1 ( x1t , x2t , x3t)= f 1 ( x1c , x2c , x3c )+ ∂x1 ( x1t - x1c )
1 c
+ ( )
∂f 1
x2 c ( )
( x2t - x2c )+
∂f 1
( x - x3c )
∂ x3 c 3 t
→
+ ⋯ 무시

- 76 -
(4.16)
f 1 ( x1c , x2c , x3c )= 0 ( x , x , x 등이 근이므로)
1c 2c 3c
여기서 x , x , 1c 2c x3c 등은 아직 알지 못하므로 이들 위 치에서의 함수 f 의 기울기는 각각 1
근사적으로
( ) ( )
∂f 1
∂x1 c
≈
∂f 1
∂x1 t
(4.17a)
( ∂x ) ( ∂x )
∂f 2
≈
2
∂f
c
2
2 t
(4.17b)
( ∂x ) ( ∂x )
∂f 3
≈
3
∂f
c
3
3 t
(4.17c)
로 나타내고, 고차미분항들을 무시하면:

- 77 -
∂f
f 1 ( x1t , x2t , x3t ) ≒ ∂x1
1
( ) t
( ) (x -x )
( x1t - x1c ) +
∂f 1
∂x2 t
2t 2c
(4.18a)
+
∂f 1
∂ x3 ( ) (x -x )
t
3t 3c
함수 f2 및 f 에 대하여도,
3
( ) ∂f
f 2 ( x1t , x2t , x3t ) ≒ ∂x2
1
( ) (x -x )
t
( x1t - x1c ) +
∂f 2
∂x2 t
2t 2c
(4.18b)
( ) (x -x )
+
∂f 2
∂ x3 t
3t 3c
f ( x , x , x ) ≒ ( ∂x ) ( x - x ) + ( ∂ x ) ( x - x )
∂f 3 ∂f 3
3 1t 2t 3t
1 t
1t 1c
2 t
2t 2c
(4.18c)
+(
∂x )
∂f 3
(x -x ) 3t 3c
3 t
식 (4.18a-c)는 x1t - x1c , x2t - x2c , x3t - x3c 를 미지수로 하는 선형연립방정식이다.

Matrix form :
 ∂f 1 ∂f 1 ∂f 1   x1t - x1c  f 1
     
 ∂ x1 ∂x2 ∂x3     
 ∂f 2 ∂f 2 ∂f 2     


 ∂ x1 ∂ x2 ∂ x3




 x2t - x2c



=  
 f 2
 
(4.19)
 ∂f 3 ∂f 3 ∂f 3     
     
∂ x1 ∂ x2 ∂ x3    
 t  x3t - x3c  f 3
식 ⓓ를 계산하여 해 x - x it ic ( i = 1,2,3) 가 zero값에 충분히 가까워질 때 까지 계산하여야 하

며,새로운 추측 값은 계사된 xit - xic 로 부터 ( i = 1,2,3)에대하여 다음과 같이 결정.
( x 1t ) new = ( x 1t ) old -( x 1t- x 1c ) (4.20a)

( x 2t ) new = ( x 2t ) old -( x 2t- x 2c ) (4.20b)
( x 3t ) new = ( x 3t ) old -( x 3t- x 3c ) (4.20c)

- 79 -
식 (4.19) 및 (4.20)을 이용하여 exact root ( x , x , x )를 구하는 절차. 1c 2c 3c
1. 모든 기본 방정식들을 f ( x , x , x )= 0 인 형태로 정리. i 1 2 3
2. x ,x , x 를 가정
1t 2t 3t
3. f ( x , x , x )= f 를 i = 1,2,3 에 대하여 계산.

i 1t 2t 3t i
∂f i
4. ∂xj 를 ( x1t , x2t , x3t ) 에서 계산. ( i = 1,2,3 . j = 1,2,3)
5. [ ] [ x -x ] = [ f ] ,
∂f i
∂xj it ic i ( i = 1,2,3 . j = 1,2,3) 로 주어진
Matrix의 해 [ xit - xic] i = 1,2,3 를 구한다.
6. ( xit ) new = ( xit) old -( xit- xic ) i = 1,2,3
로 부터 새로운 x 값들을 계산.
7. 6에서 계산된 새로운 x값들을 이용하여 3～6의 과정을 반복계산.
만약, max ( x - x )값이 어떤 허용치(ε)이하인 경우 수렴된 것으로 판단.
it ic
→이 때의 ( x ) 값을 근이라 한다. (ε : 10 ∼10 ).

ic new
-4 -6

식 (4.19)를 만약 ｎ개의 변수 x1, x2, x3, ⋯ xn 에 대하여 표시하면 다음 식과 같이 표시 될 수
있다.
f i ( x1 , x2 ,⋯, xn ) = 0 i = 1,2,3,⋯, n (4.21a)
또는,
 ∂f 1 ∂f 1 ∂f 1 ∂f 1   x - x   f 1
 ⋯ 1t 1c
 ∂x1 ∂x2 ∂x3 ∂xn     
 
  
 ∂f 2 ∂f 2 ∂f 2 ∂f 2   x2t- x2c  f 2



∂x1 ∂x2 ∂x3
⋯  
∂xn  
  ⋮ 

 =  
 
 
(4.21b)
 ⋮ ⋮ ⋮ ⋮     ⋮
     
 ∂f n ∂f n ∂f n ∂f n       
 ⋯ 
 f n t
 ∂x1 ∂x2 ∂x3 ∂xn  t  xnt - xnc

ex) 앞서 언급된 pumping system(parallel pumps)을 예로 들면

 h = 300ft

 D = 12 ft

 L = 10,000 ft
 K = 543
Given 

 D
ε = 0.001 (
관의 상대조도 )


 ℉→ [ ν = 1.06 ×10 [ ft /s]] →f = 0.02
물의온도 :70 ρ = 62.3[ lb m /ft 3 ]
-5 2
Pump특성곡선:△H = 740.0 +40.579Q -39.21Q


 2
[ ft ⋅lbf/lb m ]
△ 
 H = 740.0 +40.579Q 1 -39.21 Q 21
방정식 : △△ 

H=740.0+40.579Q 2 -39.21 Q 22
H=18.72Q 2T +300.0
 Q T = Q 1+ Q 2

① 지배방정식.
f ( △H, Q , Q , Q )= △H-18.72Q -300.0= 0
1 T 1 2
2
T (4.22a)
f ( △H, Q , Q , Q )= Q - Q - Q = 0
2 T 1 2 T 1 2 (4.22b)
f ( △H, Q , Q , Q )= △H-740.0 - 40.579Q +39.21Q =0
3 T 1 2 1
2
1 (4.22c)
f ( △H, Q , Q , Q )= △H-740.0 - 40.579Q +39.21Q =0
4 T 1 2 2
2
2 (4.22d)
②.초기 가정치.
△H = 575, QT= 4, Q1= 2, Q2= 2
<문제2> poly.for을 수정하여 FORTRAN으로 상기의 조건을 적용하여

△H, Q ,Q ,Q 를 계산하시오.(결과를 식 (4.22)와 비교)
T 1 2

<Example 5-3> (P.344, Stoecker) Oil cooling loop.
그림 4.2 Oil 냉각 시스템
Pipe dia(I.D)=0.1722ft
Given (constant properties, 표 4.1 참조)

- 84 -
표 4.1 문제에서 주어진 자료
oil: water:
℉
T i = 200 = T 1 Q W=30 lbm/s
Q =250 gpm = Q T ℉
( T W) in = 70
ρ = 54.3 lbm/ft 3
c =0.48 Btu /lbm ℉
ν = 9.8×10 - 5 ft 2/s
Heat exchanger: valve:
A = 400 ft 2 K = 2.85 : valve minor
U = 5.75 1 ℉
[ Btu /ft 2 ⋅hr ⋅ ] head loss.
+0.004 f T =0.019
Re 0.8
HX = 0.0224Q 1.9
2 [ ft ⋅lbf/lbm ]:head loss.
Pump 특성곡선 (Pump head).
HP=218.0- 0.072Q 2 +0.000704 Q 22
⇒ T ,T ,Q
e 2 1, Q 2, HX , HP, ξ : 7 unknowns.

- 85 -
ㅇ.기본 방정식.(Modeling)
－.압력강하, △P
( △ P) r oute 1 = ( △ P) r oute 2 (4.23)
⇒ 2gA 2
1
[ L
] L
Q 21 ( K ⋅f T + f 1 D 1 = 1 2 ⋅f 2⋅ D 2 ⋅Q 22 + HX - HP
1 2gA 2
(4.24)
－.Mass balance :
Q T = Q 1+ Q 2 (4.25)

- 86 -
－.heat exchanger
그림 4.3 열교환기의 개략도
-. 열교환기의 effectiveness, ξ
T 1 -T 2
ξ≡
T 1-T H O =
2
1 - exp [NTU( 1 - C )]
1 - C exp [- NTU( 1 - C )] (4.26)
: counterflow heat exchanger인 경우.
- 87 -
여기서, NTU = CUA
min
C min = ρ ⋅Q 2⋅C p : for oil

C
C = C min
max
－. Exit temperature Te : energy balance 를 고려하여

ρcT eQ T = ρcT 1Q 1 + ρcT 2Q 2 (4.28a)
Q 1T 1 + Q 2 T 2
⇒T = e QT (4.28b)

- 88 -
◦.주어진 방정식들을 f = f ( x1, x2 ,⋯, xn ) = 0 의 형태로 표기하여 정리하면

 f 1, f 2
Initial estimates :  NTU
 C min Unknowns : Q 1, Q 2 , HX , HP, T 2, T e , ξ
C
f 1 ( Q T , Q 1 , Q 2 )= Q T - Q 1- Q 2= 0 (4.29a)
f 2 ( Q 1 , Q 2 , HX , HP, f 1 , f 2 )
[ L L
= 1 2 Q 21 ( K ⋅f T + f 1 1 )- Q 22⋅f 2⋅ 2 - HX + HP
2gA D1 D2 ] (4.29b)
=0
f 3 ( HX , Q 2 ) = HX - 0.0224Q 1.9
2 =0 (4.29c)
f 4 ( HP, Q 2 )= HP - 218.0-0.072Q 2+0.000704 Q 22 =0 (4.29d)
Q 1T 1 + Q 2 T 2
f 5 ( Q 1 , Q 2 , T e , T 2 )= T e - QT =0 (4.29e)
f 6 ( T 2 , ξ )= T 2- T 1+ ξ ( T 1- T H O )= 02
(4.29f)
f 7 ( ξ, NTU, C) = ξ- 11--Cexp [ - NTU( 1 - C )] = 0
exp [- NTU( 1 - C )] (4.29g)
- 89 -
초기 가정 값 :
HP = 200
Q
Q 2 = Q 1= 2T = 125
HX = 50 , T 2 =50 , T E =100 , ξ = 0.5
<문3> Fig. 5-14(Hodge)에 주어진 Basic program을 FORTRAN으로 바꾸고 Example 5-3의
계산을 수행하여 page 351(p.352 Table 5-5)에 주어진 결과와 비교하여 볼 것.(note page 19에
주어진 함수들 f , f ,⋯, f 을 Newton-Raphson 법으로 해석하기위하여 linearize시키고 그 결과
1 2 7
식을 Matrix형태로 쓰시오.)

- 90 -
<More complex system>---Compressor, Combuster, Turbine engine.
그림 4.4 가스터빈 시스템

m ȧ : air flow rate (mass)
m ḟ : fuel flow rate (mass)
Ec : work required by the compressor
 : power output
- 91 -
ㅇ.Modeling
－. Compressor characteristics.
*. Ideal isentropic compression power required
( r - 1)
[( ) ]
r
T1 P2
E c = m a ̇C p
ηc P1 -1 (4.30)
ηc : 등엔트로피 효율
*. Real compressor characteristics(Maker 로 주어진 curve)-----polynomial curve fit

: 다음 결과 참조

- 92 -
1) Compressor 출구 압력과 공기 질량 유량사이의 관계
P2 = a P 0+ a P 1 m a ̇ + a P 2 m 2ȧ (4.31)
그림 4.5 Compressor 출구 압력과 공기 질량 유량사이의 관계

- 93 -
2) Compressor 출구 압력과 소요동력 사이의 관계
Ec=a e 0+ a e 1 P 2 + a e 2 P 2
2
(4.32)
그림 4.6 Compressor 출구 압력과 소요동력 사이의 관계
3) Compressor 에서의 energy balance

E c = m a ̇C P ( T 2 - T 1 ) (4.33)
- 94 -
－.Combustor.
*.연소에의하여 압축된 공기를 가열 시키는 열량, q̇
q ̇≈ ( m ȧ + m ḟ )⋅C P⋅( T 3 - T 2 ) (4.34)
: air mass flow rate

m ȧ
m ̇ : fuel mass flow rate

f
C : air 와 fuel 의 비열을 air의 비열을 가정.

P
*. Combustor 출구 연소 가스의 압력, P 3
--------- m ̇ , m ̇ , P 및 T 의 함수
a f 2 2
 
     
   
   (4.35)
일반적으로 P 3≈ P 2 .
- 95 -
―.Gas turbine : gas turbine 의 성능특성도 compressor의 특성과 유사하다. 그러나, gas
turbine의 성능은 turbine 입구와 온도 T 에 밀접한 관계가 있다. 3
*. Ideal isentropic expansion 을 가정하였을 경우의 turbine출력, E t
[ ( ) ] (4.36)
( r - 1)/r
E t = m Ṫη tC PT 3 1 - P 1/P
3 2
m Ṫ = m a ̇ + m ḟ (4.37)

- 96 -
*. Real turbine characteristics(Maker로부터 주어진 curve ) --- Polynomial curve fit.
1) 가스터빈 입구 압력과 입구 질량 유량사이의 관계
m Ṫ = am 0 ( T 3 ) + a m 1 ( T 3 )P 3 + a m 2 ( T 3 )P 3
2
(4.38)
그림 4.7 가스터빈 입구 압력과 입구 질량 유량사이의 관계

- 97 -
2) 가스터빈 출력과 입구 압력 사이의 관계
E t= a t 0 ( T 3 )+ a t 1( T 3 )P 3 + a t 2 ( T 3 )P 3
2
(4.39)
그림 4.8 가스터빈 출력과 입구 압력 사이의 관계

- 98 -
3) Turbine의 총괄 출력
E t = E c+ E s (4.40)
Et : turbine 총괄 출력.
E : compressor work
c
E : shaft출력
s

- 99 -
-. 관계식들을 정리하면
f 1 ( P 2 , m a ̇ ) = P 2-( a p 0+ a p 1 m a ̇ + a p 2 m 2ȧ ) = 0 (4.41a)
f 2 ( P 2 , E c )= E c -( a e 0+ a e 1 P 2 + a e 2 P 2 )= 0
2
(4.41b)
f 3 ( T 2 , E c )= E c - m a ̇C P( T 2 - T 1 )= 0 (4.41c)
f 4 ( q̇ , m a ̇ , m ḟ , T 2 , T 3 )= q -̇ ( m a ̇ + m ḟ )⋅C p⋅( T 3 - T 2 )= 0 (4.41d)
f 5 ( P 3 , m a ̇ , m ḟ , P 2 , T 2 )= P 3 - P 3 ( m a ̇ , m ḟ , P 2 , T 2 )= 0 (4.41e)
f 6 ( m Ṫ , m ḟ , m a ̇ ) =m Ṫ - m ḟ - m a ̇ = 0 (4.41f)
f 7 ( m Ṫ , T 3 , P 3 )= m Ṫ - [ a m 0 ( T 3 )+ a m 1( T 3 )P 3 + a m 2 ( T 3 )P 3
2
] (4.41g)
f 8 ( E t , T 3 , P 3 )= E t - [ a t 0 ( T 3 )+ a t 1( T 3 )P 3 + a t 2 ( T 3 )P 3
2
] (4.41h)
f 9 ( E t , E c , E s)= E t - E c- E s (4.41i)
⇒10 unknowns ( P , m ̇ , E , T , q̇ , T , P , m ̇ , E , E )
2 a c 2 3 3 T t s
9 Equations. ---- 변수 하나의 값은 주어져야 한다.
이 경우 E : required turbine shaft work.
s

- 100 -
<Problem set 1>. (HW # 1) chap.5 (Hodge)
{ 6⋯ (Stoeker 의 6.12절 참고)
5
Instructions :
1. 단위계 { ②①.SIFPS단위계
단위계
.}
각각의 결과
2. Program 은 FORTRAN으로--- List 및 program diskette 첨부.
3. 결과에 대한 Discussion.

- 101 -
제 5 장 Energy System Optimization
5.1 개 요
ㅇ. 최적화(optimization) : 어떤 함수가 maximum 또는 minimum 값을 갖는 조건을 찾는 과정.
- System simulation을 통한 optimization의 결과는 true optimum값을 나타
낸다고 단정할 수는 없지만 system design에 있어 중요한 guide역할을 하게
된다.
- Optimization 의 가장 근본적인 출발점은 어떠한 변수를 optimize 할 것
인가를 결정하는 것.
ex) 비행기 등의 경우 : minimum weight.
자동차 등의 경우 : 크기 또는 연비.
가전제품 등 : minimum price.
대형 plant : minimum operating cost.

- 102 -
- Optimization을 위해서는 다음과 같은 사항들이 미리 정리되어 있어야 한다.
ⓛ. System 의 flow diagram --- 각 component 의 배치를 포함.
②. System을 나타내는 수학적 model. (지배방정식의 확보)
--- 각 component 의 성능 특성.
--- energy balance 방정식.
--- 운동량 보존 방정식.
⇒ Optimization process는 이러한 각 component의 지배변수들의 크기를 변화시키면서
최적의 조건을 찾는 과정이다.

- 103 -
ㅇ. Optimization problem 의 수학적 표현 --- system modeling.
---- { 제약조건 ( system constr aint) }
component의 지배방정식 등의 주어진다.
*. 만약, 함수 y 를 optimize 하고자 할 경우 --- y 를 목적함수(object function)라 한다.
*. y 가 x ,x ,⋯, x 의 함수인 경우 --- x ,x ,⋯, x 등을 함수 y 의
1 2 n 1 2 n
독립변수(independent variables) 또는 지배변수(governing variables)이라함.
System specification;
y = y( x , x ,⋯, x )
1 2 n → optimize (5.1)
System constraints ;
φ 1 = φ 1 ( x1 , x2 ,⋯, xn )=0
φ 2 = φ 2 ( x1 , x2 ,⋯, xn )=0
⋮ ⋮ ⋮ ⋮
φ m = φ m ( x1 , x2 ,⋯, xn )=0
} equality constraints. (5.2)
ψ 1 = ψ 1 ( x1 , x2 ,⋯xn )≤L 1 
ψ 2 = ψ 2 ( x1 , x2 ,⋯xn )≤L 2 
⋮ ⋮ ⋮ ⋮  inequality constraints. (5.3)


ψ j = ψ j ( x1 , x2 ,⋯xn )≤L j 

ㅇ. Optimum 값의 특징.
: Object function에 더해져 있는 상수 --- optimum 값이 발생하는 독립변수들의 값에 영향을
미치지 않는다.
ex) y = a + Y ( x1, x2 ,⋯, xn ) 인 경우

min [ y] = min [a + Y ( x1 , x2 ,⋯, xn )]
= a + min [Y ( x1, x2 ,⋯, xn )]
(5.4)
: 어떤 함수의 최대치는 그 함수의 negative 값의 최소치가 발생하는 위치에서 발생한다.
ex) max [ y( x1 , x2 ,⋯, xn )]= min [ - y(x1, x2 ,⋯, xn )] (5.5)

- 105 -
<Ex> A water chilling system ---optimization 을 위한 수학적 model의 예.
그림 5.1 물을 이용한 냉각탑 시스템

- 106 -
x CP : compressor 의 크기를 나타내는 변수

x EV : evaporator 의 크기를 나타내는 변수
x CD : condensor 의 크기를 나타내는 변수
xP : pump 의 크기를 나타내는 변수
x CT : cooling tower 의 크기를 나타내는 변수

- 107 -
ㅇ.System model eq. : total cost y (설치 및 구입비)
y = y ( x , x , x , x , x ) →minimize.
CP EV CD P CT (5.6)
ㅇ. 제약 조건 :
①. 냉수 조건 : 20㎏/s ,
T in = 13 ℃,
T o u t =8 ℃ , C =4.19 KJ/( kg.K)
p
q = 20( 13 -8)×4. 19 KgKJ(

⋅K
= 419KW ➛ ) 즉, φ ( x ,x ,x ,x , x
CP EV CD P C T ) = 419 KW
②. Evaporator 의 물리적 제약.---- 증발기 내의 냉매온도 t 가 0℃ ev

이하로 떨어지게 되면 물이 결빙하여 증발관 표면에 부착 → 증발기의 성능저하.
따라서, t ( x , x , x , x , x )≥0℃
ev CP EV CD P CT
③. 응축기 입구의 냉매온도 td 가 너무 높을 경우 ----- compressor의 윤활유를 과다 소모.

따라서, t ( x , x d CP EV , x , x , x ) ≤ 110℃
CD P CT
제약조건 ① : equality constraint.

제약조건 ②,③ : inequality constraints.

- 108 -
ㅇ. Optimization 방법.
1. Calculus method (Lagrange multipliers) : equality constraints 가 포함된
문제의 optimization에 적용하기 쉽다.
2. Search method : 독립변수들의 주어진 값들이 object function의 크기에
미치는 영향을 고려하여 최대 또는 최소가 되는 값들을 찾아 가는 방법.
3. Dynamic Programming. (optimization 이라는 의미를 사용) : object function y 가 최적치가

되기 위한 path 를 몇몇 변수들의 함수로 그 결과를 보여준다.
4. Geometric programming. : polynomial들의 합으로 표현된 어떤 함수를 optimize하는데 편리.
5. Linear Programming. : 고려하고 있는 system model방정식들이 모두 선형방정식인 경우

편리.
- 109 -
5.2 Lagrange Multipliers
--- Classical method of optimization.
--- 어떤 함수의 미분 특성을 이용한 optimization.
--- 주어진 함수는 미분가능 (continuous function)하여야 하며, 모든 제약
조건들은 equality constraints 들이어야 한다.
(주) 주어진 함수가 불연속적인 data 형태를 주어진 경우에는 이 방법을 사용하는 것이
바람직하다.
*. Given optimization problem --- for   .
y = y( x1, x2 ,⋯, xn ) : function to be optimized. (5.7a)
φ 1 = φ 1 ( x1 , x2 ,⋯, xn )=0
φ 2 = φ 2 ( x1 , x2 ,⋯, xn )=0
⋮ ⋮
φ m = φ m ( x1 , x2 ,⋯, xn )= 0
} equality constraints. (5.7b)

- 110 -
*. Method of Lagrange multiplier.
Lagrange multiplier eq. :
▽y - ∑ λ ▽φ =0
m
i=1
i i (5.8)
: ( 이 방정식을 만족하는 x값들이 optimum values이다 )
φ 1 = φ 1 ( x1 , x2 ,⋯, xn )=0
φ 2 = φ 2 ( x1 , x2 ,⋯, xn )=0
⋮ ⋮
φ m = φ m ( x1 , x2 ,⋯, xn )= 0
} constraints (5.9)
여기서, Gradient vector들은 각각 다음과 같이 나타난다.

   
∇   
  
 

 
 ⋯ 
 
 
 
(5.10)
 




∇     ⋯  


 


 
(5.11)
- 111 -
따라서, ▽y - ∑ λ ▽φ 가 0이 되기위하여는 각 unit vector 들의 계수가 0이어
m
i i i 1, ˆ
ˆ i 2, ˆ
i 3, ⋯,ˆ
in
i=1
야한다. 즉,
(n+m)equations :
i1
ˆ : ∂y - ∂φ 1 - ∂φ 2 -⋯- ∂φ m =0 
∂x1 λ 1 ∂x1 λ 2 ∂x1 λm
∂x1 

∂y - ∂ φ1 ∂ φ ∂ φ 
i2
ˆ :
∂x2 λ1
∂x2
- λ 2 2 -⋯- λ m m =0 
∂x2 ∂x2 

: n equations (5.12)
⋮ ⋮ ⋮ 
in
ˆ : ∂y - ∂φ 1 - ∂φ 2 -⋯- ∂φ m =0 
∂xn λ 1 ∂xn λ 2 ∂xn λm
∂xn 
φ 1 = φ 1 ( x1 , x2 ,⋯, xn )=0
φ 2 = φ 2 ( x1 , x2 ,⋯, xn )=0
⋮ ⋮
φ m = φ m ( x1 , x2 ,⋯, xn )=0
} : m equations (5.13)
unknowns : x1, x2 , x3 ,⋯, xn , λ 1, λ 2 , λ 3 ,⋯, λ m ; (n+m) unknowns.

※ 일반적으로 m < n 이지만, 만약 m = n 이면 모든 변수들 ( x1 , x2 ,⋯, xn ) 이 이미 주어진
상태이므로 ---- no optimization is possible.
<예제 8.1> 제약조건이 없는 최적화 문제로서 다음과 같은 형태의 목적함수를 고려하여 보자.
x x
y = x + x1x + 12 x + 16 = y( x , x , x )
1
2 1 3
2
2
3
1 2 (5.14)
3
여기서, y 가 최적 값을 갖게 되는 x , x 및 x 의 값을 구하는 과정을 살펴보자. 1 2 3
<해> 제약조건이 없기 때문에 Lagrange multiplier 방정식은 다음과 같은 형태로 표시된다.

▽y = 0
이 식은 미지변수 x , x 및 x 에 대하여 다음과 같은 세 개의 방정식으로 표시될 수 있다.
1 2 3
∂y = 1 - 1 = 0
∂x1 x x x
2
2
1 3
(5.15a)
∂y =- x1 + x = 0
∂x2 x22 2 (5.15b)
∂y =- 1 + 1 = 0
∂x3 x1x23 16
(5.15c)
⇒ 연립방정식을 풀면 y 가 optimum 값을 갖기 위한 x1, x2 , x3 의 값은 다음과 같이 구해진다.
{ x =0.305, x =0.673, x =7.243 } .
1 2 3
그리고, 이 때의 y 값은 y = 1.585 로 나타난다. ◆

❐ 많은 실제의 문제에서 나타나는 제약조건이 있는 문제(constrained problem)는
➔ 제약조건이 없는 문제(unconstrained problem)의 형태로 변형시킬 수 있음.
➔ 즉, 제약조건식을 원래의 목적함수(object function) 에 대입하여 제약조건을 제거함으로써
제약조건이 없는 문제 (unconstrained problem) 의 형태로 문제를 나타냄.

이와같이 제약조건이 있는 문제를 제약조건이 없는 문제로 바꾸어서 해석하는 예를 다음의 예
제 8.2에서 살펴 볼 수 있다.

- 114 -
<예제 8.2> 그림 5.3과 같은 Shell ＆ tube 열교환기에서 요구되는 열교환 면적을 확보하기 위하
여 필요한 관의 총 길이가 100m 인 경우 최저 가격을 나타내는 shell 지름 D 및 shell의 길이
L 은 얼마가 될까?
그림 5.3 Shell and tube 열교환기의 치수

- 115 -
이때 각 부품의 가격은 각각 다음과 같이 주어져 있다.
> tube의 총 가격 : 900＄
> shell의 가격 : 1100 D L 2.5
→ Shell의 단위 단면적당 관의 수 : 200tubes / shell 1 m 2
> 열교환기가 차지하는 공간 비용 : 320 DL

<해> 열교환기의 총비용을 y 라 할 때 이것은 우리가 최소화하여야하는 목적함수가 된다.
총 비용 y 는 위에서 주어진 모든 비용들의 합이므로 다음과 같은 수식으로 나타난다.
y =900 + 1100D L +320DL
2.5
(5.16)
이 문제에서 제약조건으로 주어진 사항은 전열관의 총길이가 100 m 라는 것이며, 이 값은 shell의
길이 L 및 shell의 지름 D 를 고려하여 다음과 같은 제약조건 식으로 나타난다.
L× πD (5.17a)
2
×200 = 100
4
이 수식을 정리하여 나타내면 다음과 같다.

πD 2L =2 (5.17b)

- 116 -
식 (5.17b)로 부터 L 은 D 에 대하여 다음과 같은 관계로 주어진다.
L= 2 2
πD
(5.18)
여기서, 제약조건을 나타내는 식 (5.18)은 목적함수와 조합함으로써 변수 L 이 목적함수로부터
소거될 수 있으며, 이와 같이 나타낸 목적함수는 다음 수식과 같이 형태가 바뀌어 제약조건이 없
는 문제로 표현이 된다.
y = 900 + 2200 D + 640 (5.19)
0.5
= y( D )
π πD
식 (5.19)는 예제 8.1에서와 같은 형태의 제약조건이 없는 문제임을 알 수 있으며, y 가 최소가 되

는 shell의 지름 D 는 다음과 같이 구해질 수 있다.
▽y = 0 (5.20a)
또는, ∂∂Dy = 1100 D π + 640 (5.20b)
- 0.5
=0
πD
➔
D = 0.7 [ m ]
}
L = 2 2 = 1.3 [ m ]
πD
최적 값.
➔ 이때의 최소 비용은 y= 1,777.45 ＄ 로 나타난다. ◆
- 117 -
❐ 앞의 예제 8.2 는
- 제약조건이 있는 문제를 제약조건이 없는 문제로 바꾸어서 Lagrange multiplier법을 이용
하여 해석하는 과정을 보여주고 있음
❐ 다음의 예제 8.3에서는
- 제약조건이 있는 문제에 대하여 직접 Lagrange multiplier 식을 적용함으로써 문제를 해석
할 수도 있다.

- 118 -
<예제 8.3> 예제 8.2에서 고려된 목적함수 및 제약조건식은 각각 다음과 같이 주어 졌다.
목적함수 :
y = 900 + 1100D 2.5L +320DL
(5.21)
= f ( D, L )
제약조건식 :
50πD 2L =100 : constraint. (5.22a)
→ φ = 50πD 2L -100=0 (5.22b)
위와 같이 제약조건이 있는 문제에 대하여 직접 Lagrange multiplier 식을 적용하여 문제를 해석

하는 과정을 살펴보자.

- 119 -
<해> 이 때 고려되어야하는 Lagrange multiplier 식은 다음과 같다.
▽y - ∑ λ ▽φ =0
m
i=1
i i (5.23)
제약조건식이 하나이므로 m=1 이며, 윗 식은 다음과 같이 표현될 수 있다.
▽y - λ ▽φ = 0 (5.24)
여기서, ∇y 및 ∇φ 각각 다음과 같이 나타낼 수 있다.
▽y = ( ∂∂Dy )î + ( ∂∂Ly )î

(5.25)
1 2
= [ 2.5×1100D L + 320L ]ˆ
1.5
i 1 + [ 1100D +320D ] ˆ
2.5
i2
▽φ = ( ∂∂Dφ )î + ( ∂∂Lφ )î

(5.26)
1 2
= [100πDL ] ˆ
i 1 + [ 50πD ]ˆ
i2 2

- 120 -
식 (5.25) 및 (5.26)을 식 (5.24)에 대입하여 나타내면 다음과 같다.
▽y - λ ▽φ = ( 2.5×1100 D 1.5L + 320 L - 100 π D L λ ) ˆ

i1
+ ( 1100D 2.5 +320D -50πD 2λ ) ˆ

i2 (5.27)
=0
식 (5.27)이 성립하기 위하여는 î 및 î 의 성분들이 모두 영(zero)이어야 하며, 이들과 주어진

1 2
제약조건을 포함하여 다음과 같은 세 개의 비선형 연립방정식을 얻을 수 있게 된다.

2.5×1100D 1.5L +320L - λ⋅100⋅πDL =0 (5.28a)
1100D 2.5 +320D- λ ⋅50⋅πD 2 =0 (5.28b)
50πD 2 L -100 = 0 : 제약조건 (5.28c)

- 121 -
D, L 및 λ 를 구하기 위하여 Newton-Raphson법을 적용할 수가 있으며, 그 결과는 다음과 같다.
{ D = 0.7[ m ], L = 1.3 [ m ], λ =8.78 }
이 때의 총 비용은 y = 1777.45 $ 로 나타난다. 여기서 multiplier λ 는 민감상수 (sensitivity

coefficient)라 부르며 다음과 같은 수식으로 표현된다.
▽y
λ=
▽φ
이상의 결과들로부터 알수 있듯이 예제 8.2 및 8.3의 두 방법으로부터 구한 결과들은 서로 일치하
는 것을 알 수 있다. ◆

- 122 -
▶ 함수의 기울기벡터(Gradient vector) 의 특징.
Lagrange multiplier 식에 나타나는 함수의 기울기벡터(gradient vector) 들 ( ∇y 또는
∇φ ) 은 목적함수 y 또는 제약함수 φ 가 상수인 면에 수직인 vector 들을 나타낸다. 예를들어
그림 5.4 와 같이 표시되는 y = y ( x , x ) 인 함수를 고려하여 보자.

1 2
그림 5.4 접선벡터 및 기울기벡터

- 123 -
그림 5.4에서 목적함수 y 가 상수인 선을 따라서 목적함수 y 의 미분은 영(zero)이 되며 다음과
같이 표현될 수 있다.
dy =0 = ∂∂xy dx1 + ∂∂xy dx2.

1 2
(5.29a)
따라서, 변수 x 과 x 의 미분들 사이에는 다음과 같은 관계를 갖는 것을 알 수 있다.

1 2
dx1 =-
( ∂y
∂x2 ) dx (5.29b)
( ∂y
∂x1 ) 2
그림 5.4에서 접선벡터(Tangent vector) T 는 x 및 x 방향으로의 단위 벡터

1 2 i1
ˆ 및 î 를 이용
2
하여 다음과 같이 나타낼 수 있다.

- 124 -
T = dx1 ˆ
i 1 + dx2 ˆ
i2 (5.30)
따라서, 단위 접선벡터는 다음과 같이 표현된다.
dx1ˆ
i 1 + dx2î2
T̂ =
dx21 + dx22
=
- {( ) ( )}
∂y / ∂y dx ˆ
∂x2 ∂x1 2 i 1 + dx2 ˆ
i2
(5.31)
{( )( )
∂y / ∂y ⋅dx 2 + dx2
∂x2 ∂x1 2 } 2
- ∂y ˆ i + ∂y ˆ i
∂x 1
2 ∂x 2 1
=
( ) +( )
∂y ∂y
2 2
∂x2 ∂x1
또한, 기울기벡터 (gradient vector) G는 다음과 같이 정의 된다.

- 125 -
G= ▽y = ∂y ˆ
∂x1
i 1 + ∂y î
∂x2 2 (5.32a)
여기서, 기울기벡터 (gradient vector) G의 크기는 다음과 같다.
▽ y∣ = ( ) ( )
∂y + ∂y (5.32b)
2 2
∣ G∣ = ∣ ∂x1 ∂x2
따라서, 단위 기울기벡터 Ĝ 는 다음과 같다.
∂y ˆ i + ∂y î
∂x1 ∂x2 2
(5.33)
1
Ĝ = G =
∣ G∣
( ) ( )
∂y 2 + ∂y 2
∂x1 ∂x2

- 126 -
단위 접선벡터 T̂ 와 단위 기울기벡터 Ĝ 의 내적 (Inner Product)는 이들이 서로 수직하기 때문
에 다음과 같이 영이 되어야 한다.
T̂⋅ Ĝ =
( )( ∂∂xy ) + ( ∂∂xy )( ∂∂xy )
- ∂y
∂x1 2 1 2
=0 (5.34)
( ∂x ) ( ∂x )
∂y + ∂y 2 2
1 2
따라서, 목적함수 y 의 기울기벡터 (gradient vector) G = ▽y 는 y = const 인 선 또는 면에

수직이며, ▽y 의 크기는 변수 ( x ,x ,⋯, x )에 대한 y 의 변화율을 나타낸다.
1 2 n

- 127 -
①. y = y ( x1 , x2 ) 인 경우. --- y = constant 인 선에 수직.
그림 5.5 함수 y 의 기울기(Gradient) 벡터

- 128 -
②. y = y ( x1 , x2 , x3 ) 인 경우.--- y = constant 인 면에 수직
그림 5.6 다변함수 y 의 기울기(Gradient) 벡터

- 129 -
▶ Lagrange multiplier 방정식의 의미.
Lagrange multiplier 법에서 고려되는 방정식은 목적함수 y 및 제약함수 φ 의 법선벡터들로
표현되어 있다. 즉, Lagrange multiplier 방정식( ∇    ∇   )은 이러한 법선벡터들의

 
조합으로 표현되고 있으며, 본 절에서는 이 방정식이 갖는 의미를 그림을 통하여 살펴보기로 하


자. 예를들어 다음과 같이 두 개의 변수 x 및 x 로 표시되는 목적함수 y 와 제약함수 φ 를 고

1 2
려하여 보자.
목적함수 : y = 2x1 +3x2
제약함수 : x1 x2 2 = 48 또는      



 
여기서, 목적함수 y 및 제약함수 φ 의 기울기 함수들은 각각 다음과 같다.
▽y = ( ∂∂xy1
) ( )
i1+
ˆ ∂y î = 2ˆ
∂x2 2
i 1 + 3ˆ
i2 (5.35a)

- 130 -
▽φ = ( ∂∂xφ )î + ( ∂∂xφ )î =
1
1
2
2 x2 2 ˆ
i 1 + 2x1x2ˆ
i2 (5.35b)
따라서, Lagrange multiplier 방정식은 다음과 같다.
▽y - λ ▽ φ = ( 2 - λ x 2
2
)ˆ
i 1 +( 3 - 2 λ x1x2 )ˆ
i2 = 0 (5.36)
식 (5.36)이 만족되기 위하여는 î 및 î 의 성분들이 모두 영이 되어야 하며, 이들 두 조건을 나

1 2
타내는 두 개의 수식들과 주어진 제약조건식은 미지값 x , x 및 λ 에 대하여 각각 다음과 같은 1 2
세 개의 연립방정식으로 나타내어질 수 있다.
{ 2 - λ x2 2 = 0
3 -2 λ x1x2 = 0
x1 x2 2 = 48
(5.37)

식 (5.37)과 같이 주어지는 비선형연립방정식의 해는 주어진 문제의 최적조건을 나타내며, 다음과
같은 최적치를 얻게 된다.
{x1 =3 , x2 = 4 , λ = 1/8 }
이러한 최적조건에서의 y 값은 y = 18 로 나타난다.

식 (5.36)을 살펴보면 최적치에서는 ▽y 와 ▽φ 의 방향은 같으며, 다만 그 크기면에서 λ 배
만큼의 차이가 있다는 것을 알 수 있다. 즉, 이러한 배수 λ 는 다음과 같은 값을 갖는다는 것을
알 수 있다.
▽y (5.38)
λ=
▽φ
여기서, λ 는 ▽y 와 ▽φ 의 크기 비를 나타내는 Multiplier이며 이러한 관계가 그림 5.7에서 설

명되고 있다.
- 132 -
그림 5.7 최적치와 기울기 벡터들의 관계

- 133 -
▶ 구한 최적치가 최소인지 최대인지의 평가.
최적기법을 이용하여 구한 최적치가 최소인지 최대인지의 평가는 공학적인 측면에서 매우 중
요한 의미를 갖게 되며, 최적치는 다음에 열거하는 몇 가지 중의 하나로 나타난다.
⋅ 최대치 (maximum point)
⋅ 최소치 (minimum point)
 새들값 (saddle point)
⋅
 ⋅능선값 (ridge value)

  골짜기값 (valley value)
⋅
→ 공학 문제에서는 흔하지 않으므로 논의대상에서 제외.
i) 예를 들어 하나의 변수를 갖는 목적함수 y 와 최적치 x 가 각각 다음과 같이 주어져 있다고

하자.
목적함수 : y = y ( x)
최적치 : x = a 1

- 134 -
여기서 주어진 최적치 x 가 최대인지 최소인지를 평가하기 위하여 y 를 x= a1 주위에서 Taylor

series 전개하여 나타내면 다음과 같다.
y ( x) = y ( a 1 )+ dy ( x- a 1 )+ 1 d y2 ( x- a 1 ) 2 + ⋯ (5.39)
2
dx 2! dx
여기서, 최적치로부터의 오차 |x-a | 이 매우 작을 경우 다음 각각의 값들은 무시할 수 있을 정도

1
로 매우 작은 값을 갖는다.
d y ∼0
및 ( x- a ) ∼ 0
2
2
1
dx 2
따라서, 식 (5.39)은 다음과 같이 근사적으로 나타낼 수가 있다.

y ( x ) ≒ y( a 1 ) + dy
dx ( x- a 1 ) (5.40)

- 135 -
식 (5.40)을 분석하여 보면 최적치  이 최소 또는 최대가 되는 조건들을 각각 다음과 같이 구할

수 있다.
만약 dy > 0
dx ; * y ( x) > y ( a ) for x > a
1 1
→ y ( a )은 최소값.
1
* y ( x) < y ( a ) for x < a

1 1
→ y ( a )은 최소가 아님.
1
만약 dy < 0
dx ; * y ( x) < y ( a ) for x > a
1 1
→ y ( a )은 최소가 아님.
1
* y ( x) > y ( a ) for x < a

1 1
→ y ( a )은 최소.
1

이와같은 최소 또는 최대를 평가하는 기준들은 복잡하며, 실제 적용이 매우 번거로울 수 있다.
따라서, 보다 간편한 평가를 하기 위한 방법을 구하기 위하여 다음과 같이 식 (5.39)에서 2차 미
분항까지 고려하여 보면 함수 y 는 다음과 같이 근사화될 수 있다.
dy d y ( x- a ) 2
(5.41)
2
1
y ( x ) ≒ y( a 1 ) + dx ( x- a 1 ) + 2! 1
dx2
여기서 ( x- a ) > 0 이며 최적치는 dy/dx = 0 인 위치에서 발생하므로 식 (5.41)로 부터 다음과

1
2
같은 판정기준을 얻을 수 있다.
⋅
d 2y > 0
dx2
이면 : 최적치는 최소값을 나타냄
⋅
d 2y < 0
dx2
이면 : 최적치 최대값을 나타냄

- 137 -
ii) y = y ( x , x ) 인 형태의 목적함수에 대하여 구해진 최적치 ( a , a )의 평가.
1 2 1 2
두 개의 변수를 갖는 목적함수 y 가 최적치 ( a , a )를 갖을 때에도 단일변수를 갖는 목적함

1 2
수에서 고려되었던 바와 유사한 방법으로 이들 최적치가 y 값이 최소인 경우를 나타내는지 최대

인 경우를 나타내는지를 평가할 수가 있다. 이러한 평가를 위하여 다음과 같이 2차 편미분들로
표현되는 Determinant를 고려하자.
D = | y '' y ''|
11 12 (5.42)
y '' y ''
21 22
여기서,
y 11'' ≡ ∂ 2y
∂ x1 2
(5.43a)
y 12'' ≡ ∂x∂ ∂yx (5.43b)
2
1 2
y 21'' ≡ ∂x∂ ∂yx (5.43c)

2
2 1
y
(5.43d)
2
y 22'' ≡ ∂
∂ x2 2

- 138 -
식 (5.42)에 주어진 determinant 값 및 y 11'' 의 부호에 따라 각각 다음과 같이 최대 또는 최소를
판단할 수가 있다.
D>0
y 11'' > 0 } : y 는 Minimum 값
D>0
y 11'' < 0 } : y 는 Maximum 값
D<0
y 11'' > 0 } : y 는 Maximum 값
D<0
y 11'' < 0 } : y 는 Maximum 값

- 139 -
▶ 일반적으로 y = y ( x ,x ,x ,⋯, x ) 인 목적함수인 경우
1 2 3 n
- Optimum point x , x ,⋯, x 에서의 Taylor 전개 ;

1
*
2
*
n
*
y = y * + ∂∂xy ( x1 - x1 * )+ ∂∂xy ( x2 - x2 * ) + ⋯ + ∂∂xy ( xn - xn * )

1 2 n
1
2! [
∂ 2y ( x - x * ) 2 + ∂ 2y ( x - x * )( x - x * )+⋯ + ∂ 2y ( x - x * )( x - x * )
∂ x1 2 1 1 ∂x1∂x2 1 1 2 2 ∂x1∂xn 1 1 n n
+ ⋅⋅⋅⋅⋅
⋅
⋅
⋅
+ ∂ y ( x1 - x1 * )( xn - xn * ) + ∂ y ( x2 - x2 * )( xn - xn * )+⋯ + ∂ y 2 ( xn - xn * ) 2
2
∂xn ∂x1
2
∂xn ∂x2
2
∂ xn ]
+ ⋅⋅⋅⋅
(5.44)

- 140 -
- 2차 미분들의 Matrix ---Hessian Matrix
 ∂ 2y ∂ 2y ∂ 2y 
 ∂x ⋯
 1 ∂x1∂x2 ∂x1∂xn 

 ∂ y 2
∂ 2y ∂ 2y 

H =  ∂x1∂x2
 ∂x2 2
⋯
∂x2∂xn



(5.45)
 ⋮ ⋮ ⋮ ⋮ 
 
 ∂ 2y ∂ 2y ∂ 2y 
 ⋯ 
 ∂x1∂xn ∂x2∂xn ∂xn 2 
: 2차 미분은 optimum point에서 산출된다. ( x1 * , x2 * ,⋯, xn * )
- Determinant of Hessian Matrix

 ∂ 2y ∂ 2y ∂ 2y 
 ∂x ⋯
 1 ∂x1∂x2 ∂x1∂xn 

 ∂ 2y ∂ 2y ∂ 2y 

∣H∣ =  ∂x1∂x2
 ∂x2 2
⋯
∂x2∂xn



(5.46)
 ⋮ ⋮ ⋮ ⋮ 
 
 ∂ 2y ∂ 2y ∂ 2y 
 ⋯ 
 ∂x1∂xn ∂x2∂xn ∂xn 2 

식 (5.46)에서
①. 모든 대각선 요소 ∂∂xy , ∂∂xy ,⋯, ∂∂xy 들이 positive.
2 2 2
2 2 2
②. 모든 principle diagonal determinant 들

1 2 n
－. | ∂∂xy | (5.37a)
2
2
1
 ∂ y 2
∂ 2y 
－.  ∂ x 2

 1
∂x1∂x2 

(5.47b)
 ∂ y2
∂ y 
2
 ∂x ∂x 
 1 2 ∂ x2 2 
⋅
⋅
⋅
 ∂ 2y ∂ 2y ∂ 2y 
 ∂x ⋯
 1 ∂x1∂x2 ∂x1∂xn 

 ∂ y 2
∂ 2y ∂ 2y 
－. 
 ∂x1∂x2
 ∂x2 2
⋯
∂x2∂xn



(5.47c)
 ⋮ ⋮ ⋮ ⋮ 
 
 ∂ 2y ∂ 2y ∂ 2y 
 ⋯ 
 ∂x1∂xn ∂x2∂xn ∂xn 2 
들이 positive 인 경우 ⇒ Matrix H는 positive definite matrix이다.

⇒ x , x ,⋯, xn 에서의 y 값 y 는 minimum 값이다.
1
*
2
* * *

 2 1 -1
<예제 8.4> H =  1 3 2 
 -1 2 4 
①. 대각선 요소들이 모두 positive .

 2 1 -1
②. ∣2∣ = 2, | | , 2 1 =5
1 3
 1 3 2  = 5 : All positive
-1 2 4 
⇒ H는 positive definite matrix

- 143 -
<예제 8.5> Unconstrained Optimum.
y = x1x2 + x1x + x4 + x3
1 3 2
(5.48)
▽y = 0 (5.49a)
or
∂y ˆ
∂x1
i 1 + ∂y ˆ
∂x2
i 2 + ∂y î =0
∂x3 3 (5.49b)
①. Optimum 값의 결정.
∂y = 0 = x - 1
{

∂x1 2
x1 x3 
2
∂y = 0 = x - 4
 x1 * = 0.5
⇒ ∂x2 1
x2 2 

⇒ x2 * = 2.828
∂y = 0 = - 1 +1  x3 * = 1.414
∂x1 x1 2 x3 


- 144 -
②. minimum or maximum 를 평가.
 ∂ 2y = 2 = 2 = 11.31
 0.5×1.414
 ∂ x1 2
x1 x3
3


 ∂ 2y = 1
 ∂x1∂x2

 ∂ 2y = 1 =2

∂x1∂x3
⇒ 

x1 2 x3 2
∂ 2y = 8 = 0.354


 ∂ x2 2 x2 3


∂ 2y = 0
 ∂x2∂x3


∂ 2y = 2 = 1.414
∂ x3 2 x1x3
 11.31 1 2 
⇒ H =  1 0.354 0 

 2 0 1.414 
여기서, i) 대각선 요소 → 모두 (+)

ii) | 11.31 | = 11.31
- 145 -
| 11.31
1 0.354 |
1 = 3.0
11.31 1 2 
 1 0.354 0  = 2.831 모두 (+)
 2 0 1.414 
따라서 , H는 positive definite matrix → x 1

*
, x2 * , x3 * 에서 y 는 최소값을 나타낸다.

▶ Sensitivity coefficients.
－. Constrained optimization problem ;
object function :
y = y ( x1 , x2 , x3 ,⋯, xn ) (5.50)
constraint :
φ 1 ( x1 , x2 , x3 ,⋯, xn ) = f 1 ( x1 , x2 , x3 ,⋯, xn ) - H 1 = 0 (5.51a)
φ 2 ( x1 , x2 , x3 ,⋯, xn ) = f 2 ( x1 , x2 , x3 ,⋯, xn ) - H 2 = 0 (5.51b)
⋅
⋅
⋅
φ m ( x1 , x2 , x3 ,⋯, xn ) = f m ( x1 , x2 , x3 ,⋯, xn ) - H m = 0 (5.51c)

여기서 , H 1, H 2 ,⋯, H m 은 주어진 constraint값들.

- 147 -
－. Method of Lagrange multiplier .
Lagrange Multiplier equation.:
▽y - ∑ λ ▽φ
m
i=1
i i =0 (5.52)
φ 1 ( x1 , x2 , x3 ,⋯, xn ) = 0 (5.53a)
φ 2 ( x1 , x2 , x3 ,⋯, xn ) = 0 (5.53b)
⋅
⋅
⋅
φ m ( x1 , x2 , x3 ,⋯, xn ) = 0 (5.53c)

- 148 -
－. Sensitivity coefficient (SC) : constraint값 H ,H ,⋯, H 을 각각 약간씩 변화 시켰을 때
1 2 m
y 값의 변화가 어떠한지를 나타내는 계수.
→ SC 와 Lagrange multiplier λ 는 같은 값이다.
SC 1 = ∂∂Hy = λ 1 

1 
SC 2 = ∂∂Hy = λ 2


(5.54)
2 
⋮ 

SC m = ∂∂Hy = λ m 
m 

- 149 -
ㅇ. Lagrange Multiplier 법을 이용한 inequality constraint 의 처리 방안 .
--- Lagrange Multiplier법은 equality constraint 에 대하여만 적용 가능하다.
--- inequality constraint 에 대하여는 직접적용이 안되며, 직관적으로 또는
여러 가지 간접적인 방법으로 inequality constraint를 처리할수 있다.
EX).
① 직관적인 판단.
ex) . 용량 ≥ 150㎾를 요구할 경우.
→ 150㎾ 용량의 장치가격은 160㎾용량의 장치가격보다 당연히 낮다.
→ 따라서 , 위의 inequality constraint 용량 ≥ 150㎾ 는 용량 = 150
㎾를 의미한다. (equality constraint )
② 간접적인 방법.
ex). 용기내의 온도 T에 대한 조건 : T ≤ 320℃
→ 1. 위의 온도 제약조건을 무시한 상태에서 최적조건을 구한다. 이

- 150 -
때 구해진 용기내의 온도값이 320℃ 이하인 경우 이렇게 구한 조건
은 최적조건이다.
2. 그러나 , 구해진 용기 내부온도가 320℃ 이상으로 나온 경우
→ T= 320℃ 인 equality constraint를 적용하여 문제를 다시 푼다.

- 151 -
<Lagrange Multiplier Method 를 활용한 최적화 >
그림 5.8 Pumping 시스템.
ㅇ. 압력강하.
y = △P + △P1 2 (5.55)
= 2.1×10 F 10 2
1 +3.6×10
10
F 22

- 152 -
ㅇ. 유량 : equality 조건.
F 1 + F 2 = 0.01 (5.56a)
→ φ = F 1 + F 2-0.01 = 0 (5.56b)
Lagrange Multiplier method를 적용하면,
▽y = ∂y î + ∂y ˆ i
∂F 1 ∂F 2 2
(5.57a)
1
= 4.2×10 10
F1 ˆ
i 1 +7.2×10 10 F 2 ˆ
i2
▽φ = î + î
1 2 (5.57b)
그러므로 Lagrange Multiplier equation 은
▽y - λ ▽φ = 0 (5.58)

- 153 -
→ ( 4.2 ×10 10
F 1 - λ) ˆ
i 1 + ( 7.2 ×10 10 F 2 - λ )ˆ
i2 = 0
( 4.2 ×10 10 F 1 - λ ) = 0
( 7.2 ×10 10 F 2 - λ ) = 0
∴ F1 = λ
4.2×10 10
= 0.0063
F2 = λ = 0.00368
7.2×10 10
→ F 1* + F 2* = λ ( 1
4.7×10 10
+ 1
7.2×10 10 ) = 0.01
∴ λ = 2.6526×10 8

ㅇ. 유량 : inequality 조건으로 주어진 경우.
F 1 + F 2 ≥ 0.01 (5.59)
우선 Lagrange multiplier 법을 제약조건이 없는 경우에 대하여 적용하여 보자. 이 경우

Lagrange multiplier 방정식은 다음과 같이 나타난다.
△y = 0
= 4.2×10 10F 1ˆ
i 1 + 7.2×10 10F 2ˆ
i2
위의 수식이 만족하기 위하여는 F = F = 0 이어야 하며, 이러한 결과는 주어진 inequality 제

1 2
약조건을 만족하지 못한다. 따라서, 주어진 inequality 제약조건을 만족하는 최적조건은 위와
같은 분석 결과 equality 제약조건 ( F + F = 0.01) 에서 발생하게 되리라는 것을 간접적으로
1 2
알 수 있다. 이러한 inequality 제약조건을 갖는 최적화 문제는 equality 제약조건을 갖는 문제
와 같은 결과를 갖게 되는 것을 알 수 있다. ◆

- 155 -
5.3 Dynamic programming
Dynamic programming 은 staged progress 또는 staged progress로 근사화 할수 있는
continuous function에 적용하기가 쉽다. 반면에 Lagrange Multiplier 법은 continuous
function 에 적용될 수 있으므로 이와는 방법 자체가 다르다. 또한, Dynamic programming 에
서는 최적함수 (optimum function ) 를 결과로 얻게 되며, 대부분의 thermal system들은 다음
의 그림 5.9에 표시된 바와 같이 장치들이 series로 연결되어 있으므로 이와 같은 Dynamic
programming 을 적용하여 최적값을 구하기가 편리하다.
그림 5.9 Series 로 연결된 시스템의 구성.

- 156 -
ㅇ. Dynamic Programming을 위한 기호 표기.
그림 5.10 Dynamic 프로그램을 위한 기호 표기.
S 1, S 2 ,⋯, S n : 각 stage로 입력되는 입력 상태.

S ', S ',⋯, S ' : 각 stage로 입력되는 출력 상태.
1 2 n
d , d ,⋯, d : 각 stage에 대한 decision variable .

1 2 n
r , r ,⋯, r : 각 stage로 부터의 return variable .

1 2 n

- 157 -
▶ 목표 (Goal) : 최적 상태량, ( S , S ,⋯, S ) 를 구하는 것.
1 2 n
▶ 방법 (Method) : 주어진 입력 ( S 1, S 2 ,⋯, S n ) 및 ( S 1 ', S 2 ',⋯, S n ' ) 에 대하여 각각의

stage 로부터의 return ( r , r ,⋯, r )들의 합 ( ∑ r )이 최적치 (문제에 따라 최대 또는 최소)
1 2 n
n
i= 1
i
가 되도록 각 stage 에 대한 decision값 ( d , d ,⋯, d ) 을 찾는다. 1 2 n

ㅇ.Dynamic programming --- Apparent Constrained Problems.
<Example 12.3 > 4개의 tube bank 로 구성된 evaporator (total 40 tubes)를 고려하자.
그림 5.11 4개의 관군들로 연결된 증발기.

- 159 -
*. 각각의 tube 는 0.01 ㎏/s의 유체를 증발 ( x를 0.02 씩 증가시킴)

*. Bank에서의 압력강하 :
△P = 720 ( xn )
2
i
(5.60)
xi : 해당 bank로 들어가는 유체의 vapor fraction.

n : 해당 bank 에서의 tube 수.
<문> 압력강하가 최소가 되기 위하여 각 bank에 tube의 수를 어떻게 할당할 것인지?

- 160 -
표 12.2 Bank I (입구 x1 = 0.2 ).
사용된 총 tube 수 Bank I 에서의 tube 수 Bank I 총 압력강하 x2
( ) x2 = 0.2+0.02×2
2
2 2 0.2
ΔP = 720 = 7.2 kPa
2 = 0.24
x2 = 0.2+0.02×3
3 3 3.2
= 0.26
x2 = 0.2+0.02×4
4 4 1.8
= 0.28
5 5 1.15 x2 = 0.3
6 6 0.8 x2 = 0.32

- 161 -
표 12.3 Bank II.
사용된 총 tube 수 Bank II 입구의 (ΔP)I+(ΔP)II
Bank II 총 압력강하 x2
tube 수 Bank I Bank II 건도 x (total)
6 5 0.32 ΔP=720(0.32/5)2=2.95 0.8+2.95=3.75 x3=0.32+0.02×5
=0.42
5 6 0.3 ΔP=720(0.3/6)2=1.8 1.15+1.8=2.95 x3=0.3+0.02×6
=0.42
11
4 7 0.28 ΔP=720(0.28/7)2=1.15 1.8+1.15=2.95 x3=0.28+0.02×7
=0.42
3 8 0.26 0.76 3.2+0.76=3.96 x3=0.42
2 9 0.24 0.51 7.2+0.51=7.7 x3=0.42
6 6 0.32 ΔP=720(0.32/6)2=2.05 0.8+2.05=2.85 x3=0.32+0.02×6
5 7 0.3 1.32 1.15+1.32=2.47 =0.44
12 4 8 0.28 0.88 1.8+0.88=2.68
3 9 0.26 0.6 3.2+0.6=3.68
2 10 0.24 0.415 7.2+0.415=7.61
13
.
.
.
.

- 162 -
표 12.4 Bank III.
tube 수 (ΔP)I+(ΔP)II
사용된 총 Bank II
Bank II 총 압력강하 +(ΔP)III x4
tube 수 Bank I Bank II Bank III 입구의 x
(total)
5 8 9 0.42 1.15+1.01+1.88=4.04 x4=0.2+0.02×22
2
ΔP=720(0.46/9) =1.88 =0.64
22
5 7 10 0.44 =1.39 =1.05 1.15+1.32+1.39=3.86 =0.64
5 6 11 0.42 1.15+1.8+1.05=4.0 =0.64
23
.
.
.
.
.
.
.
.
.
.
.
.
.
.

- 163 -
<Example 12.4 >
그림 5.12 발전소 시스템.

- 164 -
총열교환 면적 =1000[㎡],
U = 2800[ W/m ⋅K] , ṁ = 100[ kg/s] ,
2
C p = 4200[ kJ/kg ⋅K]
열교환기의 입구 온도 ( t ) 및 출구온도 ( t o )를 고려한 Heat balance 방정식:

i
q = U⋅A⋅Δt m = ṁC p ( t 0 - t i ) (5.61)

여기서, LMTD 값은 다음과 같이 산출될 수 있다.
( tc - ti ) - ( tc - ti )
Δt m = (5.62)
(
ln c
t - ti
tc - t0 )
ㅇ. 열교환기 I 에서 만약 A 1 = 100[ m 2 ] 인 경우.
t 2 = t 0 = t i + ( t c - t i )[ 1 - exp ( - UA 1 / ṁ C P ) ]
[
= 32 + ( 90 - 32 ) 1 - exp - ( UA 1
ṁC P )] (5.63)
= 60.22 [ ℃]

여기서,

 A 1 = 100m
2


 ṁ = 100 [ kg/s]


 C P = 4200[ kJ/ kg⋅K ]


 U = 2800 [ W/m 2 K]
Saving per second ( ) : S
S= ( 60(10centsJ ) - 23(10centsJ ) )⋅ ṁ C
9 9 P ( t0 - ti ) (5.64)
S값이 최대가 되는 A , A , A , A 를 결정하기 위하여 다음과 같이 모든 열교환기의 총 전열

1 2 3 4
면적이 1000 m 인 조건을 만족하도록 하여야 한다.

2
A 1 + A 2+ A 3+ A 4 = 1000 [ m 2 ] (5.65)
5.4 Calculus of variations
and Dynamic Programming
1) Euler-Lagrange Equation (calculus of variations method)
함수 y = y ( x )에 대하여 방정식 F ( x, y, y' )를 알고 있을 때 calculus of variations

method에서는 다음과 같은 적분 I 를 optimize (minimize ) 하는 y 를 구하는 것이다.
I= ⌠ (5.66)
x2
⌡ x1
F ( x, y, y' ) dx
이와 같은 적분 I 를 optimize하는 함수 y 는 다음과 같은 형태의 Euler-Lagrange Equation

으로부터 구해질수 있다.
∂F - d ∂F
∂y dx ∂y' ( )=0 (5.67)
- 167 -
그림 5.13 최소 I 를 나타내는 함수 y 의 모양.
그림 5.13에서 곡선 1 ～ 2 는 minimum I 를 나타내는 함수 y 의 profile을 나타낸다.

- 168 -
2) Unconstrained Problem 에 대한 Euler-Lagrange Eq 의 유도.
－ 함수 y = y( x) : Minimum I 를 나타내는 함수,(이때의 I 를 I ) 0
－ 함수 Y = Y ( x) : y 로 부터 약간 벗어나는 함수.
Y ( x) = y( x)+ ε⋅η ( x) (5.68)
여기서, ε⋅η ( x) 는 optimum 으로부터의 deviation을 나타낸다.

- 169 -
그림 5.14 최적값으로 부터의 이탈.
y 대신에 Y 를 이용하여 적분 I 를 구하면
I = I( ε) = ⌠ (5.69)
x2
⌡x1
F( x, Y, Y ' )dx

- 170 -
ε 이 0이 되는 근처에서 I ( ε) 을 Taylor 전개하면 다음과 같이 나타난다.
I ( ε ) = I 0 + ∂I∂( ε )
ε ∣ ε=0
⋅ε + ∂ 2I ( ε )
∂ε 2 ∣ ε=0
⋅ ε 2
2
+ ⋅⋅⋅ (5.70)
Optimum point에서는 I ( ε) = I 0 이어야 하며 또한 다음 조건을 만족하여야 한다.
∂I ( ε )
) [
= ∂ ⌠⌡ x2
F ( x, Y, Y ' )dx ] =0 (5.71)
∂ε ε=0 ∂ε x1 ε=0
여기서, ∂
∂ε 은 x 와 무관하므로
[ ⌠⌡x2
x1
∂ F ( x, Y, Y ' )dx
∂ε ] ε=0
=0 (5.72)

- 171 -
여기서, chain rule에 의하면 적분 인자는 다음과 같이 나타낼 수 있다.
∂ F ( x, Y, Y ' ) = ∂F ∂x + ∂F ∂Y + ∂F ∂Y '
∂ε ∂x ∂ε ∂Y ∂ε ∂Y ' ∂ ε
(5.73)
식 (5.73)의 각 항들을 살펴보면 다음과 같다.
∂x =
∂ε 0 : ε 과 x 는 서로 무관하므로
∂Y =
∂ε η 및 ∂Y ' = '
∂ε η : Y = y + ε⋅η 이므로
따라서, 식 (5.73)을 식 (5.72)에 대입하면 다음과 같은 수식으로 정리될 수 있다.
⌠⌡ ( ∂F η +
x2
∂F '
) dx = 0 (5.74)
x1 ∂Y ∂Y ' η ε=0

- 172 -
여기서, ε =0 인 경우 { Y =y
Y ' =y ' } 이므로 식 (5.74)는 다음과 같이 표현될 수 있다.
⌠⌡ x2
( ∂F ⋅ dx +
) ⌠⌡x2
( ∂∂y'F ⋅ ')dx = 0 (5.75a)
x1 ∂y η x1
η
또는,
⌠⌡ x2
∂F ⋅ dx + ∂F ⋅ '
∣
x2
-⌠
⌡
x2
η⋅
d ( ∂F/∂y ' ) dx
(5.75b)
x1 ∂y η ∂y' η x1 x1 dx
여기서,
∣ (5.76)
x2
∂F ' =0
∂y' η x1
또한 η ( x1 ) 및 η ( x )는 모두 0 이므로 식 (5.75)은
2

- 173 -
⌠⌡ [ ∂F
x2
]
- d ( ∂F/∂y' ) ⋅η dx = 0 (5.77)
∂y
x1 dx
여기서 적분의 결과가 항상 zero가 되기 위하여는 다음과 같은 Euler-Lagrange Eq. 을 만족하

여야 한다.
dx ( ∂y' ) (5.78)
∂F - d ∂F = 0
∂y
윗식을 다시 쓰면,
∂F - d
∂y dx ( ∂∂y'F ) = ∂y ( ∂∂y'F ) dx
∂F - ∂
∂x dx
(5.79)
- ∂ ( ∂F ) dy - ∂ ( ∂F ) dy'
∂y ∂y' dx ∂y ∂y' dx
'
또는,

- 174 -
∂F - ∂
∂y ∂x ( ∂F
∂y' ) - ∂ 2F y' - ∂ 2F y'' = 0
∂y ∂y' ∂ y' 2
(5.80)
또는,
F y- F y' y' y'' - F y y' y' = 0 (5.81)
함수 F 에 따라
①. F = F ( y ' ) 인 경우.
F y' y' y'' = 0 (5.82)
만약 F y' y'≠ 0 ; y'' = 0 → y = c 1x+c 2 : solution (5.83)
②. F = F ( y ', x) 인 경우.

- 175 -
∂F = 0
∂y (5.84)
(
d ∂F = 0
dx ∂y' ) → constant
③. F = F ( y, y ') 인 경우 : chain rule에 의하여

dF = ∂F y' + ∂F y''
dx ∂y ∂y' (5.85)
또한, ∂F = d
∂y dx ( ∂∂y'F ) (5.86)
dF = [ d ( ∂F )]y' + ∂F y''
→ dx dx ∂y' ∂y'
(5.87)
= d ( y' ∂F )
dx ∂y'
적분하면,
F + constant
F = y' ∂∂y' (5.88)

- 176 -
<EX.18.1 >
그림 5.15 간단한 pumping 시스템.
관로에서의 압력강하 : p 2 - p 1 = 15 m'

- 177 -
<Sol>
Mass balance:
m' = m P ' - leakage
(5.89a)
= m P ' - 0.2( p 1 -100)
또는
m P ' = m' + 0.2( p 1 -100) (5.89b)
따라서, Pump 동력 EP 는 다음과 같다.
E P = m p' ( p 1 -100)
= [ m' + 0.2( p 1 -100)]( p 1 -100)

- 178 -
Integral I to be minimized.
I = ⌠
120
⌡ E dt
0
P
(5.90)
= ⌠
120
⌡ [ m' + 0.2( p -100)]( p -100) dt
0
1 1
여기서, 펌프의 토출압력은 다음 수식에서와 같이 펌프입구와 탱크내부압력의 차이에 관로에서

의 압력손실을 합한 값과 같다.
p 1 -100 = 관에서의 압력 손실 + ( p 2 -100)
= 15m' + p 2-100
그리고, 탱크내부의 압력은 p 2 = 100 +0.5m 와 같으므로 펌프의 토출압력( p - 100 )은 다음과 1
같이 정리된다.
p 1 -100 = 15m' + 0.5m

- 179 -
따라서, 적분 I 는 다음과 같이 정리된다.
I= ⌠
120
⌡ (3.5mm' + 60( m' ) + 0.05m )dt
0
2 2
여기서, 적분인자는 다음과 같다.

F ( t, m, m' ) = 3.5mm' + 60( m' ) 2 + 0.05m 2
Euler-Lagrange equation에 적용
∂ F - ∂ 2F -
∂m ∂t ∂m'
∂ 2F m'' -
∂m' ∂m'
∂ 2F m' = 0
∂m ∂m' (5.91)
또는



∂F = 3.5m' + 0.1m
∂m
→ ∂ 2F
∂m ∂m'
= 3.5



∂F = 3.5m + 120m'
∂m'
→ ∂ 2F
∂m' ∂m'
= 120 (5.92)


 (
∂ ∂F
∂t ∂m' ) =0
- 180 -
→ 3.5m' + 0.1m- 120m''- 3.5m' = 0
→ 120m'' - 0.1m = 0
→ m'' - 0.0008333m = 0
<해>

 m ( 0 ) = 0 이므로 C 2 = 0



m = C 1 sinh (0.02887t )


 m ( 120 ) = 180 이므로


→  C 1 = 11.28
∴ { m = 11.28 sinh ( 0.02887 t )
m' = 0.3257 cosh ( 0.02887 t )

- 181 -
그림 5.16 시간별 유효 pumping 질량유량.

- 182 -
2) Constrained Problem에 대한 Euler-Lagrange Eq.
*. To minimize:
I= ⌠ (5.93)
x2
⌡ F ( x, y, y' )dx
x1
*. constraint:
J= ⌠ (5.94)
x2
⌡ G ( x, y, y' ) dx
x1
여기서, J는 상수
→ Euler-lagrange equation for this case
∂( F - λG ) - d
∂y dx [ ∂( F∂-y'λG ) ] = 0 (5.95)
J= ⌠ (5.96)
x2
⌡ G ( x, y, y' ) dx
x1
: Solve these two equations to obtain optimum function y = y ( x ).

<끝>◢◢◢
- 183 -

열시스템 시뮬레이션 및 최적설계

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

열시스템 시뮬레이션 및 최적설계

Uploaded by

Copyright:

Available Formats

대학원 기계공학부 Thermal System Simulation/Optimization

중앙대학교 기계공학부 대학원

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

제 3 장 Piping System Simulation

제 4 장 Energy System Simulation

제 5 장 Energy System Optimization

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

❐ 에너지시스템의 설치, 운전 및 보수에 있어서 소요되는 경비

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

❐ 성능이 좋고 내구성이 있는 시스템 : 초기 구입 비용은 상승

❐ 성능이 낮은 시스템 : 그 반대의 효과를 예상

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

❐ 비용 최소화 (Cost optimization)

❐ 시스템분석 (system simulation)

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

❐ Thermal system simulation에서 필요한 지식

❐ Sensitivity analysis : input parameter의 변화에 따른 영향을 해석.

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

1개의 독립변수 x 를 갖는 data set 은 f = f ( x) 인 형태의 다항식으로 표현할 수가 있다.

그림 2.1 Single data set.

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

같은 다항식으로 curve fit 할 수가 있다.

써 얻어지는 다음과 같은 연립방정식의 근으로서 주어진다.

http://web.cau.ac.kr/energy - 12 - Energy & Spectral Radiation Research Laboratory

식 (2.2b) 로부터 계수 a 0～ a n 을 구하면 주어진 data point 를 정확하게 지나는 다항식이 구

여기서, n = 1 : linear curve fitting.

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

2개의 독립변수 x 및 y 를 갖는 data set 은 f = f ( x, y) 인 형태의 이중다항식으로 표현할

그림 2.2 Multiple data set.

그림 2.2와 같은 data를 다항식으로 표현하기 위하여 다음과 같이 x 에 대한 n 차 다항식이 고

f = f ( x, y) = a 0 ( y) + a 1 ( y)x+ a 2 ( y)x2 + + a n ( y)xn (2.5)

여기서, 계수 a 0～ a n 은 다음과 같이 변수 y 의 m 차 다항식으로 표현된다.

a 0 ( y) = b 00 + b 01 y+ b 02y 2 + ․․․․․ + b 0my m

식 (2.6)을 식 (2.5)에 대입하면

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

식 (2.7)에 포함된 ( n + 1)× ( m + 1) 개의 계수 b 을 구하기 위하여는 각각 x 방향으로

( n + 1) 개 및 y 방향으로 ( m + 1) 개의 data set 이 필요하다. 따라서, b 을 구하기 위한 연 nm

립방정식은 [ ( n + 1)× ( m + 1)] matrix이다.2

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

그림 2.3 Pump head.

식(2.10)으로 부터 9개의 data point 가 주어지면 미지계수 b , b ,⋯, b 가 구해질수 있는

이러한 문제를 해결하고 어떤 자료의 실제 분포도를 나타내는 곡선을 구할 수 있는 방법으로

여기서, 만약 기초함수가 p = x인 경우 다음과 같다.

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

되도록 polynomial 의 계수 a , a ,⋯, a 을 구한다. 이렇게 구한 polynomial 은 주어진 data

point 들을 정확하게 지나지 않는 경우가 대부분이며, 여기서 필요한 data point 의 수 n 은

S r i = ( f i- a 0- a 1 xi - a 2 x2i - ⋯ - a mxmi ) 2 (2.13)

data point에 대하여 총합을 나타내면 다음과 같다.

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

residual 은 다음과 같이  의 각각의 계수 ( a , a , a , ⋯ a )들에 대한 미분이 영(zero) 이 되

도록 함으로써 가능하게 된다.

여기서, ∑ a = n a 이므로 식(2.15) 는 다음과 같이 미지계수 ( a

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

식(2.16)를 matrix 의 형태로 나타내면 다음과 같다.

n : 주어진 data point 의 수

http://web.cau.ac.kr/energy - 24 - Energy & Spectral Radiation Research Laboratory

여기서, 기초함수 p 는 다음과 같은 것들이 될 수가 있다.

http://web.cau.ac.kr/energy - 25 - Energy & Spectral Radiation Research Laboratory

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory

http://web.cau.ac.kr/energy Energy & Spectral Radiation Research Laboratory