석유·가스 산업의 AI 혁명 (2부)

미드스트림 AI — 수만 킬로미터를 지키는 눈

Industrial AI — E2E 프로세스 혁신 시리즈 | PART 2 / 4

1. 기술 진화의 역사: 마차에서 SCADA를 거쳐 AI로

미드스트림의 본질은 물류다.

생산 현장에서 추출된 원유와 가스를 정유 시설과 소비 시장까지 안전하고 효율적으로 옮기는 것 — 이 단순해 보이는 과제가 사실은 수만 킬로미터에 걸친 파이프라인, 수백 개의 펌프 스테이션과 압축기, LNG 액화 터미널, 저장 탱크팜, 그리고 해상 유조선 선단을 동시에 운영하는 극도로 복잡한 시스템 관리의 문제를 수반한다.

19세기 초기 원유 수송은 나무통(Barrel)에 원유를 담아 마차로 운반하거나 초기 증기 기관차에 의존했다.[1] 수송 중 누출과 손실이 잦았고, 어디서 무엇이 얼마나 이동하고 있는지를 추적하는 것 자체가 불가능했다. 파이프라인 인프라가 대규모로 건설된 이후에도 오랫동안 사정은 크게 다르지 않았다. 현장 순찰 엔지니어가 차량을 타고 밸브 스테이션을 직접 방문해 압력 게이지를 눈으로 읽고 클립보드에 수기 기록하는 방식이 표준이었다. 관로 내부의 미세한 누출이나 부식 진행은, 실제로 문제가 터지기 전까지 발견하기 어려웠다.

전환점은 20세기 후반 마이크로프로세서와 통신망의 확산으로 찾아왔다.

SCADA(Supervisory Control and Data Acquisition)가 미드스트림 현장에 광범위하게 도입되면서, 수천 킬로미터의 파이프라인 마디마디에 전자식 센서가 붙기 시작했다.[2]
유량, 압력, 온도 데이터가 중앙 통제실로 실시간 전송됐고, 이상 수치에 대한 알람이 자동으로 울리게 됐다. '사고가 난 뒤 조치하는' 반응적(Reactive) 체계에서 '데이터를 모니터링하다 임계값을 넘으면 대응하는' 체계로 한 단계 올라선 것이다.

그러나 SCADA 기반 모니터링에도 구조적 한계가 있다.

시스템은 사전에 설정된 임계값을 벗어날 때만 알람을 울린다. 장비가 고장 직전 단계에서 나타나는 미묘한 진동 패턴의 변화, 수십 킬로미터 구간에 걸쳐 서서히 진행되는 부식으로 인한 압력 강하 패턴 — 이런 신호들은 임계값을 넘기 전까지 시스템에 포착되지 않는다. 오탐(False Positive) 알람이 대량으로 발생해 운영자가 알람 피로(Alarm Fatigue)에 빠지는 문제도 흔했다.

AI가 미드스트림에 도입되는 배경은 이 '임계값 기반 제어'의 구조적 한계를 극복하는 데서 출발한다.

2. 파이프라인 무결성과 누출 탐지: 임계값을 넘어 패턴으로

사막, 동토, 해저를 가로지르는 파이프라인 인프라의 무결성을 유지하는 것은 미드스트림 운영의 핵심 과제다. 누출 한 건이 야기하는 환경·안전·법적 피해는 막대하다. 이 때문에 누출 탐지는 기술의 문제이기 전에 규제 준수의 문제이기도 하다.

미국석유협회(API)의 API RP 1175는 파이프라인 누출 탐지를 단일 기술의 문제가 아니라 'KPI 관리, 알람 처리 체계, 운영자 훈련, 정기 테스트'를 포함하는 프로그램 관리(Program Management)의 문제로 구조화하고 있다.[3] 어떤 기술을 도입하든 그것만으로 충분하지 않으며, 조직이 그 기술을 운영하는 방식까지 포함한 전체 시스템이 평가된다는 의미다. 2025년 1월 미국 파이프라인·위험물 안전청(PHMSA)이 발행한 가스 파이프라인 누출 탐지 및 수리 관련 최종 규칙은 이 기준을 더욱 구체화하며 의무화 수준을 높이고 있다.[4]

기술적으로 현재 도입 중인 AI 기반 누출 탐지 시스템은 파이프라인 구간별 유량계, 압축기 스테이션의 진동 센서, 밸브 개폐 데이터 등 원격 측정 데이터(Telemetry Data)를 통합 분석한다. 기존 임계값 알람이 포착하지 못하는 미세한 압력 강하 패턴이나 진동 이상 징후를 이상 탐지(Anomaly Detection) 모델로 식별하는 것이 핵심이다. 위성 이미지나 드론 영상을 결합한 멀티모달(Multi-modal) 분석도 적용되고 있다.[5]

실증 수준에 대해서는 정확한 서술이 필요하다.
비지도 학습 기반 시계열 누출 탐지 접근은 2025년 학술 연구에서도 제시되고 있다.[6]
다만 여기서 인용한 Sensors 논문은 도시 상수도 파이프라인을 대상으로 한 현장 실험 기반 연구로, oil & gas 미드스트림의 직접 상용 사례라기보다는 관련 방법론의 연구 진전을 보여주는 근거로 쓰는 편이 정확하다.
IBM IBV 조사에서는 미드스트림 부문 응답 조직의 23%가 파이프라인 모니터링에서 AI 에이전트를 최소 시험 단계로 도입 중이라고 답했다. IBM은 그 활용 예로 센서 데이터와 위성 이미지를 결합해 이상 징후를 조기에 포착·대응하는 방식을 제시한다. 다만 이는 105명의 업계 임원 설문에 기반한 응답 비율이지, 특정 기업군의 검증된 실증 성과 수치를 뜻하지는 않는다.[7]

파이프라인 엔지니어링 지원 분야에서 배포된 사례로는 Technical Toolboxes의 'Pipeline HUB'가 있다. 방대한 규제 문서, 계산 이력, 현장 보고서를 단일 플랫폼으로 통합하고, 그 위에서 AI 기반 'Piper AI Insights'가 위험 징후와 이상치를 탐지하는 구조로 설계됐다.

기술 판단에 필요한 정보 탐색과 문서 작업의 부담을 낮추는 것이 이 도구가 표방하는 목적이다.[8]

3. 동적 물류 최적화: 병목을 예측하고 경로를 재설계하다

파이프라인을 통한 원유와 가스의 흐름은 단순히 밸브를 열고 닫는 문제가 아니다.
업스트림의 공급 변동, 다운스트림 정유 시설의 실시간 수요 변화, 복수의 압축기 스테이션 간 부하 분배, 기후 조건에 따른 유체 특성 변화 — 이 모든 변수가 동시에 작용하는 복잡계를 최적 상태로 유지해야 한다.

전통적인 파이프라인 운영은 사전에 정해진 스케줄과 운전 경험에 기반한 수동 조정에 의존했다. 수요가 예상과 달라지거나 특정 구간에 문제가 생기면, 운영자가 상황을 파악하고 조치하는 데 시간이 걸렸고 그동안 비효율이 누적됐다. AI 기반 네트워크 최적화 시스템은 하류(다운스트림)의 수요 변화와 상류(업스트림)의 공급 상황을 실시간으로 연산해 파이프라인 전역의 유량과 압력을 동적으로 조정한다.[5] 호르무즈 위기처럼 특정 경로가 봉쇄되는 극단적 상황에서 유조선, 철도, 트럭을 포함한 대체 경로를 빠르게 재설정하는 역할도 여기에 포함된다.

이 영역에서의 AI 도입은 에너지 효율과도 직결된다. 파이프라인 펌프와 압축기는 미드스트림 운영 비용의 상당 부분을 차지하는데, 수요 변동에 맞추어 가동 속도와 부하를 실시간 최적화하는 것만으로도 의미 있는 에너지 절감이 가능하다. 다만 동적 라우팅 최적화 시스템의 상용 배포 성과에 관한 구체 수치는 대부분 공개되지 않거나 운영사 내부 정보로 유지된다.

4. 저장·터미널 운영: 완충 구간의 지능화

파이프라인과 정유 시설 사이에 위치한 저장 탱크팜과 해상 터미널은 원유와 가스 공급망의 '완충 구간'이다.

시장 가격, 계절적 수요, 공급 차질 등에 따라 재고 수준을 유연하게 조절함으로써 공급망의 연속성을 유지하는 역할을 한다.

AI는 이 영역에서 주로 재고 수준 예측과 최적 운영 타이밍 결정, 탱크 혼합 관리, 터미널 처리 스케줄 최적화에 활용된다.[5] 기상 데이터, 시장 가격 신호, 업스트림 생산량 예측을 결합해 최적 재고 수준을 제안하는 의사결정 지원 시스템이 그 대표적인 형태다.

터미널 운영에서 선박 입항 스케줄, 부두 할당, 하역 시퀀스를 최적화하는 시스템도 도입되고 있으나, 구체적인 성과 수치가 공개된 사례는 제한적이다.

5. 에너지 효율: 펌프와 압축기의 최적화

파이프라인을 통해 원유와 가스를 이동시키는 펌프와 압축기는 미드스트림에서 가장 에너지를 많이 소비하는 설비다. 이 장비들의 운전 효율을 높이는 것은 비용 절감과 탄소 배출 감소를 동시에 달성하는 경로다.

염수 처분(Saltwater Disposal, SWD) 펌핑 효율 최적화를 다룬 JPT(Journal of Petroleum Technology) 산업 협업 사례에 따르면, Neuralix와 한 미드스트림 운영사가 AI와 물리 기반(First Principles) 모델을 결합한 KPI 기반 시계열 분석을 적용했다.[9]
JPT 기사는 Phase 1의 일부 injection site subset에서 최대 40%의 전력 절감이 관찰됐다고 제시하는 동시에, Phase 1 전체 성과로는 30% energy reduction을, 그리고 전체 사이트 확대 시에는 연간 기준 40% 초과 개선이 예상된다고 별도로 밝히고 있다. 즉, 40%는 Phase 1 전체 평균이 아니라 일부 사이트의 최대치이며, 확대 적용 예상치와 구분해 읽어야 한다. 사용된 구체적인 AI 알고리즘(예: LSTM, Transformer 등)은 공개되지 않았으며, 이 자료는 학술 실증 논문이 아닌 벤더·현장 협업 기반의 산업 사례 기사임을 감안할 필요가 있다.

일반적으로 압축기 스테이션의 흡입 온도, 토출 압력, 진동 데이터를 실시간으로 분석해 운전 파라미터를 최적화하면 에너지 소비를 줄이는 동시에 장비 수명을 연장할 수 있다. 이는 기술적으로 이미 구현 가능한 영역으로, 실증 사례들이 축적되고 있다.

6. LNG: 액화에서 재기화까지

LNG 공급망은 미드스트림 중에서도 가장 에너지 집약적이고 기술적으로 복잡한 구간이다.
천연가스를 영하 162°C로 냉각해 부피를 600분의 1로 줄이는 액화 공정, 특수 선박을 통한 해상 수송, 수입국에서의 재기화(Regasification)까지 — 이 사슬의 각 단계가 정밀한 온도·압력 관리와 운영 효율을 요구한다.

액화 공정에서 AI는 주로 냉각 사이클의 에너지 최적화에 활용된다.

대형 액화 터미널에서 냉각재(Refrigerant) 혼합 비율과 열교환기 운전 조건을 최적화함으로써 에너지 소비를 줄이는 것이 핵심 과제다. 또한 장비 상태 모니터링을 통해 대형 압축기와 열교환기의 이상 징후를 조기에 감지하는 예측 정비 적용도 진행되고 있다.

LNG 선박 운항 최적화에서는 기상 조건, 항로, 화물 온도 유지를 통합적으로 고려한 최적 항로 및 속도 설정에 머신러닝이 적용된다. 재기화 터미널에서는 수요 예측에 기반한 기화량 조절과 보일오프 가스(BOG, Boil-off Gas) 관리 최적화가 주요 AI 적용 영역이다.

다만 이 영역에서 공개된 정량적 성과를 가진 1차 사례는 현재 제한적이다. LNG 산업의 주요 운영사들이 기술 세부 사항을 공개하지 않는 경향이 강하기 때문이다. LNG AI 적용은 기술적 방향성은 명확하나, 상용화 성과의 검증은 추가 공개 사례를 기다려야 한다.

7. OT 사이버보안: 물리 인프라와 디지털 시스템의 교차점

AI와 IoT의 도입이 미드스트림 운영의 효율을 높이는 동시에, 새로운 취약점을 만들어 낸다.
파이프라인 제어 시스템, 압축기 원격 제어, SCADA 네트워크가 인터넷 및 클라우드와 연결되면서 사이버 공격의 노출 면적이 넓어진다. 2021년 미국 Colonial Pipeline 랜섬웨어 공격은 OT(운영 기술) 보안의 취약성이 물리적 인프라 가동 중단으로 직결된다는 것을 전 세계에 보여준 사례다.

이 분야의 국제 표준은 ISA/IEC 62443이다. 산업용 자동화 및 제어 시스템(IACS)의 보안 요구사항과 프로세스를 제시하는 이 표준은, 구성 요소 수준의 기술 요건부터 조직의 보안 관리 프로세스까지를 포괄한다.[10] OT 환경에 AI 기반 이상 탐지 시스템을 도입할 때, 이 표준은 최소한의 기준점이 된다.

OT 사이버보안에서 AI의 역할은 크게 두 가지다. 하나는 네트워크 트래픽과 장비 동작 패턴을 학습해 정상 범위를 벗어나는 행동을 실시간으로 탐지하는 이상 탐지다. 다른 하나는 대규모로 발생하는 보안 이벤트 로그를 자동으로 분류하고 우선순위를 정해 보안 담당자의 대응 효율을 높이는 것이다.

중요한 한계도 있다.

OT 환경은 IT 환경과 달리 시스템 패치와 업데이트가 매우 제한적이다. 24시간 중단 없이 가동되어야 하는 물리 설비에 연결된 제어 시스템에 보안 패치를 배포하는 것은 기술적·운영적으로 복잡한 문제다. AI 보안 시스템을 도입하는 것 자체가 새로운 공격 진입점이 될 수 있다는 역설도 존재한다.

OT 사이버보안은 기술 도입보다 규제 준수·변경 관리·책임 체계 구축이 더 어려운 영역이다.

[독립 섹션] APM — 전 밸류체인을 관통하는 예측 정비

자산 성능 관리(Asset Performance Management, APM)는 특정 L1 구간에 속하지 않는다.

업스트림의 ESP 펌프와 압축기, 미드스트림의 파이프라인 펌프와 LNG 냉각 설비, 다운스트림의 정유 공장 회전체와 열교환기 — 석유·가스 산업 전체 밸류체인에 걸쳐 수십만 개의 기계 자산이 가동 중이며, 이 자산들의 상태를 실시간으로 감시하고 고장을 미리 예측하는 것이 APM의 과제다.

이 시리즈에서 APM을 별도 섹션으로 다루는 이유다.

전통적인 정비 방식은 두 가지였다.
정해진 시간 주기마다 점검하는 시간 기반 예방 정비(Time-based Preventive Maintenance), 또는 고장이 실제로 발생한 뒤 수리하는 사후 정비(Reactive Maintenance). 전자는 아직 충분히 사용 가능한 부품을 교체하는 낭비를 낳고, 후자는 예기치 못한 생산 중단으로 이어진다.

AI 기반 예측 정비(Predictive Maintenance)는 장비의 진동 주파수, 베어링 온도, 전류 소비량, 음향 데이터를 실시간으로 분석해 정상 운전 패턴에서의 이탈을 조기에 감지한다. 고장이 실제로 발생하기 수일에서 수 주 전에 이상 징후를 포착함으로써, 계획된 시점에 정비를 수행할 수 있게 된다.

이 분야에서 가장 구체적인 성과가 공개된 사례 중 하나가 PETRONAS의 도입 사례다.

말레이시아 국영 에너지 회사 PETRONAS는 AVEVA의 예측 분석 솔루션을 Microsoft Azure 기반 corporate cloud로 도입해 업스트림 플랫폼 4개소와 다운스트림 플랜트 2개소에 파일럿을 운영했다.

이 시스템은 AVEVA PI System과 연동해 수집된 센서 데이터를 바탕으로, 장비가 정상적으로 작동하던 패턴에서 미세하게 벗어나는 시점을 임계값 기반 알람보다 이른 시점에 감지한다. AVEVA 사례 문서에 따르면, 2020년 첫해 기준 200개 장비 모델 운용, 51건의 주요 조기 이상 경보 발생(이 중 12건은 고위험 등급), 1,740만 달러(RM73.1M)의 비용 절감, 14배의 투자 대비 수익(ROI)이 제시됐다. 사이트당 2개월 이내에 초기 가치를 확인했으며, 코딩 없이 산업 맞춤형 AI 모델을 적용하는 out-of-the-box 방식을 활용했다고 명시됐다.[11]
구체적인 알고리즘은 공개되지 않았으나 다변량 이상 탐지·패턴 학습 계열로 추정된다. 이 수치는 벤더가 공개한 1년차 성과이므로, 이후 누적 성과 수치와 혼동하지 않도록 구분해 읽는 것이 안전하다.

이 사례에서 눈여겨볼 점은 초기 투자 회수 속도다.
사이트당 2개월이라는 가치 확인 시점은 APM 도입의 경제성이 대형 자본 지출 없이도 측정 가능하다는 것을 보여준다. 동시에 이 수치가 벤더가 공개한 것임을 감안해 해석할 필요가 있다.

APM 도입의 실질적 장벽은 기술보다 데이터에 있다.

장비 센서 데이터의 품질과 이력, 다양한 장비 제조사의 데이터 형식 통일, OT 환경의 데이터 연결성 확보 — 이 기반 없이는 AI 모델이 의미 있는 패턴을 학습하기 어렵다. PETRONAS 사례에서 PI System이 핵심 인프라로 언급되는 것도 이 이유다.

8. 미드스트림 AI의 현재 위치

미드스트림 AI는 업스트림보다 상용화의 깊이가 아직 얕다.

업스트림에서는 자율 시추처럼 AI가 실시간으로 물리적 장비를 제어하는 단계까지 진입한 반면, 미드스트림의 핵심 AI 적용 영역인 누출 탐지와 동적 물류 최적화는 아직 의사결정 지원 수준에 머무르는 경우가 많다.

이는 기술 성숙도의 문제만이 아니다.

미드스트림 인프라는 수십 년에 걸쳐 구축된 레거시 시스템이 혼재하고, 규제 요건이 안전과 환경 양쪽에서 동시에 적용되며, 단일 기업이 아닌 복수의 운영사가 공유하는 자산이 많다. AI 도입의 기술적 가능성보다 데이터 표준화, OT 보안, 규제 준수, 책임 소재 확정이 실질적인 병목이다.

다음 3부에서는 정제 설비부터 에너지 트레이딩까지 다운스트림 전반의 AI 적용을 다룬다.

용어 해설

참고 문헌

[1] "Midstream Logistics — A Roadmap to Digital Transformation," KaarTech, accessed March 2026. https://www.kaartech.com/blogs/midstream-logistics-digital-innovation/

[2] "The Evolution of Oil & Gas Industry," Cisco Blogs, accessed March 2026. https://blogs.cisco.com/industries/the-evolution-of-oil-gas-industry

[3] "API RP 1175 — Leak Detection Program Management," American Petroleum Institute. https://www.api.org/products-and-services/standards/important-standards-announcements/rp1175

[4] "PHMSA Final Rule — Gas Pipeline Leak Detection and Repair," U.S. Pipeline and Hazardous Materials Safety Administration, January 17, 2025. https://www.phmsa.dot.gov/sites/phmsa.dot.gov/files/2025-01/PHMSA%20Final%20Rule%20-%20Gas%20Pipeline%20Leak%20Detection%20and%20Repair%20-%20As%20submitted.pdf

[5] "Application of AI in Oil and Gas Industry: 12 Use Cases," Crunch-IS, accessed March 2026. https://crunch-is.com/blog/ai-in-the-oil-and-gas-industry-12-applications-across-upstream-midstream-and-downstream/

[6] Wu, H.; Jiang, Z.; Zhang, X.; Cheng, J. "Research on a Novel Unsupervised-Learning-Based Pipeline Leak Detection Method Based on Temporal Kolmogorov–Arnold Network with Autoencoder Integration." Sensors 2025, 25(2), 384. https://www.mdpi.com/1424-8220/25/2/384

[7] "Oil and gas in the AI era," IBM Institute for Business Value, accessed March 2026. https://www.ibm.com/thought-leadership/institute-business-value/en-us/report/oil-and-gas-in-ai-era

[8] "Intro to AI in Midstream: What's Here, What's Next, and What Still Needs You," Technical Toolboxes, accessed March 2026. https://technicaltoolboxes.com/intro-to-ai-in-midstream-whats-here-whats-next-and-what-still-needs-you/

[9] "Case Study: AI-Driven Optimization of SWD Pumping Efficiency Using KPI-Based Time Series Analytics," Journal of Petroleum Technology / SPE, accessed March 2026. https://jpt.spe.org/case-study-ai-driven-optimization-of-swd-pumping-efficiency-using-kpi-based-time-series-analytics

[10] "ISA/IEC 62443 Series of Standards," International Society of Automation. https://www.isa.org/standards-and-publications/isa-standards/isa-iec-62443-series-of-standards

[11] "PETRONAS Success Story — AVEVA Predictive Analytics," AVEVA, accessed March 2026. https://www.aveva.com/content/dam/aveva/documents/perspectives/success-stories/SuccessStory_PETRONAS.pdf.coredownload.inline.pdf