NDIR 메탄 센서라고 하면 어떤 환경에서도 안정적으로 측정할 것이라고 기대하실 수 있습니다. 그런데 원리의 장점과 현장에서 필요한 성능은 나누어 살펴야 합니다. 『탄소감축을 증명하는 기술과 솔루션』 8장에서는 센서 방식과 함께 메탄 센서 교정, 오염과 환경 영향을 다룹니다. 원리를 아는 것에서 실제 운용 조건으로 한 걸음 더 들어가는 것이지요.

책에서 먼저 구분해볼 내용입니다

교정에서 이상이 확인되면 과거 자료를 모두 버려야 하는지 궁금하실 수도 있겠습니다. 먼저 어느 기간에 어떤 영향을 주었는지 평가할 근거를 찾아야 합니다. 점검과 재교정 기록으로 복구할 수 있는 범위도 살펴보고요. 충분한 근거가 없는 구간은 정량 주장에 제한을 둘 수 있습니다. 교정 사슬과 표준가스의 조건, 사용 이력을 남기는 일은 이런 판단을 돕습니다. 기록이 있어야 문제가 생겼을 때도 설명을 이어갈 수 있습니다.

경계 설정에서 특히 경계해야 할 오류는 체리피킹입니다. 감축이 잘 나오는 배출원만 포함하고 나머지를 제외하는 것. 이 오류는 대개 의도적이지 않습니다. 데이터를 구할 수 있는 항목만 넣다 보면 자연스럽게 발생합니다.

교정. 언제, 어떤 표준과 절차로 수행했는지, 교정 전 상태와 조정 후 상태를 구분해 기록합니다. 두 점검 시점의 차이만으로 중간 기간의 드리프트 경로를 확정할 수는 없습니다. 중간 확인·환경 로그·재교정 자료를 함께 검토하고, 영향 기간과 보정의 근거가 부족하면 해당 결과의 불확실성 또는 사용 제한에 반영합니다.

기계환기 축사에서는 팬의 정격뿐 아니라 정압과 가동 상태, 오염·마모에 따른 실제 풍량 변화를 확인합니다. 자연환기에서는 풍향·풍속, 온도차와 개구부 상태를 살펴야 합니다. 환기량 추정의 불확실성이 배출률에 얼마나 영향을 주는지는 측정모형 안에서 평가합니다.

개체 단위 방법은 목적별 장단점이 다릅니다. 개방회로 호흡대사 챔버는 유입·유출 공기와 유량으로 질량수지를 구하며 동물 적응과 비용 부담이 큽니다. GreenFeed는 후드 방문 중 농도와 공기 흐름을 이용하므로 하루 중 방문의 대표성이 중요합니다. SF6 방법은 알려진 방출률의 투과관을 반추위에 넣고 외부 채취 장치로 호흡·트림 가스를 수집합니다. 기술명에 따른 단일 정확도 순위보다 회수율, 교정, 표본과 수행기록을 비교해야 합니다. 축사 한 지점의 농도는 이들 배출률과 동일한 측정량이 아닙니다.

비분산 적외선(NDIR)은 메탄의 적외선 흡수를 이용하는 방식입니다. 촉매연소식과 같은 산소 의존성이나 촉매 피독은 없지만 광학 오염과 온도·압력·수분의 영향에서 자유롭지는 않습니다. 원리만으로 농장의 장기 관측에 적합하다고 판단하지 않고, 예상 농도와 내외 농도 차이에 비해 검출한계·반복성·드리프트가 충분한지 제품별로 확인합니다.

현장에서는 이렇게 살펴보시면 좋겠습니다

센서가 오래 작동한 축사를 떠올려보세요. 화면에 숫자가 계속 나타나더라도 광학창의 상태나 온도와 수분의 영향을 확인해야 합니다. 그 사이 성능이 어떻게 유지됐는지 보여줄 점검과 교정 기록도 필요하지요. 같은 원리의 제품이라도 사양과 관리 방법은 다를 수 있습니다.

교정 주기는 사용 환경, 제조사 절차, 실제 드리프트 기록과 요구 불확실성으로 정합니다. 현장 교정을 지원하지 않는 장비도 주기적 기준기 비교나 회수 교정, 점검가스 확인을 조합해 관리할 수 있습니다. 중요한 것은 획일적 주기가 아니라 교정 사이의 성능을 뒷받침할 기록과 이상 시 자료 처리 규칙입니다.

센서 비교에서는 측정 범위와 분해능, 다른 가스에 대한 교차감도, 응답시간과 드리프트를 함께 확인합니다. 온도·습도·먼지 등 환경 조건과 교정 요구도 검토해야 합니다. 작은 농도 차이를 구분해야 하는 목적이라면 장비의 표시 단위와 불확실성이 그 목적에 맞는지 제품과 운용 모드별로 살펴야 합니다. 센서 원리의 이름만으로 이 조건을 대신할 수는 없습니다.

AI는 이상 징후의 후보를 찾고, 정해진 조건에서 짧은 결측을 추정하며, 여러 변수의 관계를 탐색하는 데 활용할 수 있습니다. 자료 정리와 품질 점검, 보고서 초안 작성을 도울 수도 있습니다. 각 기능의 목적과 실패 비용은 다르므로 같은 성능 지표로 모두 평가하지 않습니다. 어떤 입력과 가정으로 만든 결과인지 밝히고 추정값을 직접 관측한 값과 구분해야 합니다.

투자 검토에서 함께 물어볼까요?

장비를 검토하신다면 교정 주기를 숫자 하나로 정하기보다 제조사 절차와 사용 환경, 실제 드리프트 기록을 보시면 좋겠습니다. 점검에서 이상이 발견되면 어느 기간의 자료에 영향을 주는지도 확인해야 합니다. 교정 한 번의 유무보다 그 이후 자료를 어떻게 관리하는지가 중요합니다.

평가 자료를 먼저 분리합니다. 같은 농장의 인접 시각 자료를 무작위로 섞으면 현장의 반복 패턴을 기억한 성능을 새 농장에 대한 성능으로 오해할 수 있습니다. 미래 운전이 목적이면 시간 순서로, 다른 농장에 배포할 목적이면 농장 단위로 분리합니다. 모델 선택에 쓴 검증 자료와 마지막 성능 확인 자료를 구분하고, 전처리와 결측 보정도 학습 자료에서 정한 규칙으로 실행합니다.

AI 평가 자료는 사용 목적에 맞게 나눕니다. 미래의 운전을 예측하려면 시간 순서를, 다른 농장에 배포하려면 농장 단위의 분리를 고려해야 합니다. 모델 선택에 사용한 자료와 마지막 성능 확인에 사용할 자료도 구분합니다. 단순한 기준 모델과 비교하고 평균 오차뿐 아니라 농장·계절별 편향과 실패 조건을 확인해야 실제 사용 범위를 설명할 수 있습니다.

책을 덮기 전에 남겨볼 질문입니다

센서의 원리를 이해하면 장점과 함께 살펴볼 취약점도 보입니다. 여기에 교정 이력과 현장 점검을 연결해보세요. 어떤 조건에서 그 숫자를 사용할 수 있는지 설명하는 데 도움이 됩니다.

저자 소개

이봉준은 서강대학교 기술경영대학원(MOT)을 졸업했다. 인피트론(주) 7년, 하니웰(Honeywell) 20년 등 가스계측 분야에서 27년간 서비스 엔지니어·기술영업·채널 관리 업무를 수행했다. 현재 에이아이세이프티코리아(주) 창업자로서 센서·AI·데이터 분석을 활용한 축산 메탄 모니터링과 측정·보고·검증(MRV) 체계를 연구 중이다.