폴리에틸렌 글라이콜 다이아크릴레이트 (polyethylene glycol diacrylate, PEGDA) 하이드로젤을 정삼투 (forward osmosis, FO) 분리막의 지지체로 사용하여 고성능의 FO 분리막을 제조하였다. 친수성의 PEGDA를 자외선 조사를 통한 중합 과 그에 따른 상분리를 이용하여 다공성으로 구조화하였고, 매우 높은 친수성을 가진 하이드로젤 지지체를 얻을 수 있었다. 제조된 친수성 PEGDA 지지체 위에 높은 수투과도와 염 선택도를 확보하기 위해서 일반적인 계면중합 방식이 아닌 톨루엔 을 유기 용매로 사용한 계면중합 방식(TIP)으로 선택층을 도입하였다. 제조된 PEGDA 지지체 기반 분리막은 1.0 M NaCl 유 도 용액과 증류수 유입수를 통한 FO 성능 측정에서 상용 HTI 분리막들에 비해서 매우 높은 수투과도와 낮은 염 선택도를 나 타내었다. 본 연구를 통해, 기존의 소수성 지지체를 추가적으로 개질하는 방식이 아닌 새로운 물질과 제조방식을 사용한 FO 지지체의 가능성을 제시하고자 한다.

중수는 경수와 다른 물리화학적 특징으로 다양한 생물화학적 변화를 유도할 수 있다. 기존 분리공정의 단점인 에 너지소비량을 줄이고자 전기방사 폴리아마이드 분리막을 이용하여 정삼투공정을 이용하였다. 유도용액으로 NaCl과 인산을 사용하였다. 중수농도를 정량화하기 위해 FT-IR 분광법을 활용하였다. 인산과 수소/중수소의 특별한 상호작용력을 분광학적 으로 확인하였으며, 정삼투공정으로 농축이 가능할 수 있다는 것을 관찰하였다.

무삼투압차 역삼투압(Δπ= 0)은 KAIST H. N. Chang 명예교수가 2013년 발명, 2014년 미국 특허 출원, 2018년 특 허 취득(US 9,950,297) 해수담수화기술. Chang 등의 RO 기술은 삼투압 조정조와 저압 역삼투압의 2 챔버로 구성. Chang 등은 소금물을 비롯한 모든 수용액은 물과 용질(소금)로 완전 분리 가능 주장. 삼투압차 조정조, 저압 역삼투압조 2 챔버로 구성됨. 고농도 용액의 삼투압은 1908년 미국화학회지 출간된 MIT G. N. Lewis식 이용. 두 번째 특허(US 10,953,3367)에서 RO가 10~12 bar 저 삼투압차 수행 가능 증명. 세 번째 특허(Korea 10-2322755, 해외 출원 중) Singularity ZERO 활용하면 기존 RO 에 비해 물은 50% 추가, 막 면적은 1/3, 이론에너지는 1/5, 동일 용량의 S-ZERO 기술은 기존 RO 건설비의 50~60%로 예측됨.

Forward osmosis (FO) process is a chemical potential driven process, where highly concentrated draw solution (DS) is used to take water through semi-permeable membrane from feed solution (FS) with lower concentration. Recently, commercial FO membrane modules have been developed so that full-scale FO process can be applied to seawater desalination or water reuse. In order to design a real-scale FO plant, the performance prediction of FO membrane modules installed in the plant is essential. Especially, the flux prediction is the most important task because the amount of diluted draw solution and concentrate solution flowing out of FO modules can be expected from the flux. Through a previous study, a theoretical based FO module model to predict flux was developed. However it needs an intensive numerical calculation work and a fitting process to reflect a complex module geometry. The idea of this work is to introduce deep learning to predict flux of FO membrane modules using 116 experimental data set, which include six input variables (flow rate, pressure, and ion concentration of DS and FS) and one output variable (flux). The procedure of optimizing a deep learning model to minimize prediction error and overfitting problem was developed and tested. The optimized deep learning model (error of 3.87%) was found to predict flux better than the theoretical based FO module model (error of 10.13%) in the data set which were not used in machine learning.