KR101099703B1 - 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법 - Google Patents

인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR101099703B1
KR101099703B1 KR1020090043561A KR20090043561A KR101099703B1 KR 101099703 B1 KR101099703 B1 KR 101099703B1 KR 1020090043561 A KR1020090043561 A KR 1020090043561A KR 20090043561 A KR20090043561 A KR 20090043561A KR 101099703 B1 KR101099703 B1 KR 101099703B1
Authority
KR
South Korea
Prior art keywords
neural network
disinfection
artificial neural
network model
predicting
Prior art date
Application number
KR1020090043561A
Other languages
English (en)
Other versions
KR20100124511A (ko
Inventor
황태문
오현제
이상호
남숙현
최윤정
Original Assignee
한국건설기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국건설기술연구원 filed Critical 한국건설기술연구원
Priority to KR1020090043561A priority Critical patent/KR101099703B1/ko
Publication of KR20100124511A publication Critical patent/KR20100124511A/ko
Application granted granted Critical
Publication of KR101099703B1 publication Critical patent/KR101099703B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/18—Water
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F1/00—Treatment of water, waste water, or sewage
    • C02F1/008—Control or steering systems not provided for elsewhere in subclass C02F
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Organic Chemistry (AREA)
  • Water Supply & Treatment (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Hydrology & Water Resources (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Treatment Of Water By Oxidation Or Reduction (AREA)

Abstract

본 발명은 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법에 관한 것으로, 정수처리시스템에서 소독부산물(예를 들어, 트리할로메탄 등)의 예측값 및 실제값에 대한 오차와 임계값의 비교결과에 따라 비선형식에 따른 최적 인공신경망 모델을 선택하여 소독부산물의 생성결과(예를 들어, 발생농도, 발생량 등)를 미리 예측하기 위한, 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법과, 상기 방법을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하고자 한다.
이를 위하여, 본 발명은, 소독공정의 공정인자 및 수질인자를 수집하기 위한 데이터 수집부; 상기 공정인자 및 수질인자를 입력받아, 미리 구비되어 있는 적어도 하나 이상의 인공신경망 모델 대상 중 어느 하나를 인공신경망 모델로 적용하기 위한 인공신경망 모델부; 및 '상기 인공신경망 모델을 통해 출력된 소독부산물의 예측값'과 '정수처리시스템에서 실제로 확인된 소독부산물의 실제값'에 대한 오차와 기 설정된 임계값의 비교결과에 따라 최적 인공신경망 모델을 선택하기 위한 피드백을 수행한 후 소독부산물의 생성결과를 예측하기 위한 피드백부를 포함한다.
인공신경망, 소독부산물, 염소, 트리할로메탄, 수질 인자, 공정 인자, 다층 퍼셉트론

Description

인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법{APPARATUS AND METHOD FOR PREDICTING THE PRODUCTION OF DISINFECTION BY-PRODUCT USING A ARTIFICIAL NEURAL NETWORK}
본 발명은 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법에 관한 것으로, 더욱 상세하게는 정수처리시스템에서 소독부산물(예를 들어, 트리할로메탄 등)의 예측값 및 실제값에 대한 오차와 임계값의 비교결과에 따라 비선형식에 따른 최적 인공신경망 모델을 선택하여 소독부산물의 생성결과(예를 들어, 발생농도, 발생량 등)를 미리 예측하기 위한, 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법과, 상기 방법을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체에 관한 것이다.
일반적으로, 정수장에서는 바이러스, 세균, 원생동물 등과 같이 수인성 질환을 유발할 수 있는 병원성 미생물의 불활성화를 위해 원수 및 정수에 대해 소독을 실시한다. 정수장에서는 뛰어난 살균력과 잔류성 그리고 경제성 때문에 소독제로서 '염소'를 가장 많이 이용하고 있다. 즉, 염소를 이용한 소독 방식은 수인성 질환을 일으키는 병원성 미생물의 살균, 암모니아성 질소의 제거, 조류의 사멸, 철과 망간의 제거, 급수관 내 잔류염소 유지 등의 효과를 제공하여, 급수관 내의 세균이나 박테리아의 재증식을 억제한다.
하지만, 염소를 이용한 소독 방식은 물속의 전구 물질(예를 들어, humic substance 등)이 소독제로 사용되는 염소 또는 바닷물 중의 브롬 등과 부가 및 치환 반응하여 인체에 유해한 소독부산물(Disinfection By-Products, DBPs)이 생성된다. 특히, 염소를 이용한 소독 방식의 대표적인 소독부산물에는 트리할로메탄(Trihalomethanes, THMs)이 있는데, 트리할로메탄은 메탄의 수소원자가 할로겐원자(주로 염소, 브롬, 요오드)로 치환된 화합물로서, 클로로포름(CHCl3), 브로모디클로로메탄(CHBrCl2), 디브로모클로로메탄(CHBr2Cl), 브로모포름(CHBr3) 등을 통칭한다. 이러한 트리할로메탄은 주입염소농도, 온도, 반응시간, 브로마이드, 요오드 농도, 전구물질의 농도 및 특성에 영향을 받는다.
일반적으로, 트리할로메탄은 상수원수에서 검출되지 않거나 매우 낮은 농도로 존재하고 있으나, 염소 처리된 최종 처리수에서 거의 100%의 검출빈도를 나타낸다.
한편, 종래에는 원수저장 및 정수처리 방식을 변경하거나, 중간염소처리 등의 염소 주입점을 변경함으로써, 염소 처리된 최종 처리수에서 트리할로메탄을 저감시키기 위한 연구가 진행되었다. 특히, 원수의 수질이 악화될 경우에는 고도정수 처리시설을 설치하거나, 정수처리시 염소와 더불어 이산화염소나 오존 등을 병용하여 사용하는 복합 소독방식 등이 있다.
또한, 종래에는 활성탄 등의 흡착제를 이용하여 트리할로메탄을 제거하거나, 오존에 의한 전처리를 통해 트리할로메탄의 생성 가능성을 낮추는 방식이 제안되었다. 여기서, 활성탄을 이용한 방식은 오존처리후 유기물의 생물학적 분해능을 향상시키고, 오존에 의한 전처리를 통한 방식은 유기물을 어느 수준까지 무기화하여 안정화시키는 효과가 있을 뿐만 아니라 유기물의 생물학적 분해능을 향상시키는 것으로 알려져 있다. 부가적으로, 활성탄을 이용한 방식에서 활성탄 흡착성능의 변화는, 처리대상수질, 오존주입농도 및 활성탄 종류 등에 따라 달라질 수 있다.
최근에는 소독공정에서 트리할로메탄의 생성결과를 예측하여 소독제 사용을 보다 절감하려는 예측 모델이 제안되었는데, 이러한 예측 모델에는 경험식 및 키네틱(kinetic) 기반 모델 등 선형회귀분석에 의한 방식이 있다.
이와 같은 종래의 예측 모델은 염소가 매우 높거나 매우 낮게 주입된 상태나 네트워크 구조의 송배수 관망의 조건 등 확률적 변동성이 큰 현장에서 오류가 많아 예측 성능이 떨어지는 한계가 있다.
특히, 종래의 예측 모델은 오존 및 염소 조합 복합소독, 이산화염소 및 염소 조합 복합소독, AOP(Advanced Oxidation Process) 및 염소 조합 복합소독기술 등과 같이 복합소독 공정을 통해 발생되는 트리할로메탄의 생성결과(예를 들어, 발생농도, 발생량 등)를 예측하기 어렵다. 이는 단일소독 공정과 달리 복합소독 공정이 매우 복잡한 반응과 관계를 형성하는 비선형적 특성을 나타내기 때문에, 종래의 선 형 방식을 이용하여 비선형적 특성을 예측하기 어려운 한계가 있다.
따라서, 단일소독 공정뿐만 아니라 복합소독 공정을 통해 생성되는 트리할로메탄과 같은 소독부산물을 예측하기 위해서는, 복잡한 반응과 관계의 비선형적 특성을 설명할 수 있는 예측 모델이 제안될 필요가 있다.
따라서 상기와 같은 종래 기술은 복합소독 공정이 비선형적 특성을 나타내기 때문에 소독부산물의 생성결과를 예측하기 어려운 문제점이 있으며, 이러한 문제점을 해결하고자 하는 것이 본 발명의 과제이다.
따라서 본 발명은 정수처리시스템에서 소독부산물(예를 들어, 트리할로메탄 등)의 예측값 및 실제값에 대한 오차와 임계값의 비교결과에 따라 비선형식에 따른 최적 인공신경망 모델을 선택하여 소독부산물의 생성결과(예를 들어, 발생농도, 발생량 등)를 미리 예측하기 위한, 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법과, 상기 방법을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는데 그 목적이 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있으며, 본 발명의 실시예에 의해 보다 분명하게 알게 될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상기 목적을 달성하기 위한 본 발명은, 소독공정의 공정인자 및 수질인자를 수집하기 위한 데이터 수집부; 상기 공정인자 및 수질인자를 입력받아, 미리 구비 되어 있는 적어도 하나 이상의 인공신경망 모델 대상 중 어느 하나를 인공신경망 모델로 적용하기 위한 인공신경망 모델부; 및 '상기 인공신경망 모델을 통해 출력된 소독부산물의 예측값'과 '정수처리시스템에서 실제로 확인된 소독부산물의 실제값'에 대한 오차와 기 설정된 임계값의 비교결과에 따라 최적 인공신경망 모델을 선택하기 위한 피드백을 수행한 후 소독부산물의 생성결과를 예측하기 위한 피드백부를 포함한다.
또한, 본 발명에서 상기 데이터 수집부는, 상기 공정인자 및 수질인자를 정수처리시스템에서 수집하여 데이터베이스를 구축하는 것을 특징으로 한다.
또한, 본 발명에서 상기 인공신경망 모델부는, 상기 인공신경망 모델을 적용할 때, 입력층과 출력층 간에 은닉층을 두는 다층구조에서 데이터를 훈련시키는 다층 퍼셉트론을 이용하는 것을 특징으로 한다.
또한, 본 발명에서 상기 인공신경망 모델부는, 상기 예측값 및 상기 실제값에 대한 오차를 감소시키는 방향으로 상기 인공신경망 모델의 연결강도를 조정하는 것을 특징으로 한다.
또한, 본 발명에서 상기 피드백부는, 상기 예측값 및 상기 실제값에 대한 오차가 기 설정된 임계값 이하이면, 상기 예측값 및 실제값이 일치하는 경우로 간주하여 상기 인공신경망 모델을 최적 인공신경망 모델로 선택하는 것을 특징으로 한다.
또한, 본 발명에서 상기 피드백부는, 상기 예측값 및 상기 실제값에 대한 오차가 기 설정된 임계값 이상이면, 상기 인공신경망 모델 이외에 다른 인공신경망 모델을 다시 적용하는 것을 특징으로 한다.
또한, 본 발명에서 소독부산물 예측 프로그램이 기 탑재된 사용자 단말기에 연결되어 소독부산물 예측 과정을 제어할 수 있는 사용자 환경을 제공하기 위한 사용자 인터페이스부를 더 포함한다.
또한, 본 발명에서 상기 소독부산물의 생성결과는, 상기 소독부산물의 발생농도 또는 발생량인 것을 특징으로 한다.
한편, 본 발명은 소독공정의 공정인자 및 수질인자를 수집하는 수집 단계; 상기 공정인자 및 수질인자를 입력받아, 미리 구비되어 있는 적어도 하나 이상의 인공신경망 모델 대상 중 어느 하나를 인공신경망 모델로 적용하는 적용 단계; '상기 인공신경망 모델을 통해 출력된 소독부산물의 예측값'과 '정수처리시스템에서 실제로 확인된 소독부산물의 실제값'에 대한 오차와 기 설정된 임계값의 비교결과에 따라 최적 인공신경망 모델을 선택하기 위한 피드백을 수행하는 수행 단계; 및 상기 선택된 최적 인공신경망 모델을 이용하여 소독부산물의 생성결과를 예측하는 예측 단계를 포함한다.
또한, 본 발명에서 상기 적용 단계는, 상기 인공신경망 모델을 적용할 때, 입력층과 출력층 간에 은닉층을 두는 다층구조에서 데이터를 훈련시키는 다층 퍼셉트론을 이용하는 것을 특징으로 한다.
또한, 본 발명에서 상기 적용 단계는, 상기 예측값 및 상기 실제값에 대한 오차를 감소시키는 방향으로 상기 인공신경망 모델의 연결강도를 조정하는 것을 특징으로 한다.
또한, 본 발명에서 상기 수행 단계는, 상기 예측값 및 상기 실제값에 대한 오차가 기 설정된 임계값 이하이면, 상기 예측값 및 실제값이 일치하는 경우로 간주하여 상기 인공신경망 모델을 최적 인공신경망 모델로 선택하는 것을 특징으로 한다.
또한, 본 발명에서 상기 수행 단계는, 상기 예측값 및 상기 실제값에 대한 오차가 기 설정된 임계값 이상이면, 상기 인공신경망 모델 이외에 다른 인공신경망 모델을 다시 적용하는 것을 특징으로 한다.
한편, 본 발명은 프로세서를 구비한 사용자 단말기에, 소독공정의 공정인자 및 수질인자를 수집하는 기능; 상기 공정인자 및 수질인자를 입력받아, 미리 구비되어 있는 적어도 하나 이상의 인공신경망 모델 대상 중 어느 하나를 인공신경망 모델로 적용하는 기능; '상기 인공신경망 모델을 통해 출력된 소독부산물의 예측값'과 '정수처리시스템에서 실제로 확인된 소독부산물의 실제값'에 대한 오차와 기 설정된 임계값의 비교결과에 따라 최적 인공신경망 모델을 선택하기 위한 피드백을 수행하는 기능; 및 상기 선택된 최적 인공신경망 모델을 이용하여 소독부산물의 생성결과를 예측하는 기능을 실현시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 것을 특징으로 한다.
상기와 같은 본 발명은, 정수처리시스템에서 소독부산물(일례로, 트리할로메탄)의 예측값 및 실제값에 대한 오차와 임계값의 비교결과에 따라 비선형식에 따른 최적 인공신경망 모델을 선택하여 소독부산물의 생성결과를 미리 예측할 수 있는 효과가 있다.
또한, 본 발명은 복잡한 반응과 관계의 비선형적 특성을 설명할 수 있는 인공신경망 모델을 적용함으로써, 단일소독 공정뿐만 아니라 복합소독 공정을 통해 생성되는 트리할로메탄과 같은 소독부산물을 예측할 수 있는 효과가 있다.
또한, 본 발명은 인공신경망에 의해 정확하게 예측된 소독부산물(일례로, 트리할로메탄)의 생성결과를 이용하여 소독제 주입량을 조절함으로써 소독제를 절감할 수 있는 효과가 있다.
상술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되어 있는 상세한 설명을 통하여 보다 명확해 질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다.
본 발명은 다양한 종류의 소독부산물[예를 들어, 트리할로메탄(THMs), 할로아세토나이트릴(HANs), 할로아세틱엑시드(HAAs), 할로케톤(Halo-ketones), 할로아세테이트(Halo-acetates), 할로알데히드(Halo-aldehydes), 할로아로마틱(Halo- aromatics), 할로아민(Halo-amines), 할로에테르(Halo-ethers), 클로랄하이트레이트 등)에 통용될 수 있을 뿐만 아니라 이에 한정되어 해석되지 않으나, 설명의 이해를 돕기 위해 대표적인 소독부산물의 하나인 '트리할로메탄(THMs)'을 구체적으로 적용하여 설명하기로 한다.
도 1은 본 발명에 따른 인공신경망을 이용한 소독부산물의 생성결과 예측 장치에 대한 일실시예 구성도이다.
도 1에 도시된 바와 같이, 본 발명에 따른 인공신경망을 이용한 소독부산물의 생성결과 예측 장치(이하 "소독부산물 예측 장치"라 함)는, 비선형식에 따른 인공신경망을 이용하여 소독제(즉, 염소)의 양에 따라 발생할 수 있는 소독부산물(즉, 트리할로메탄)의 생성결과(예를 들어, 발생농도, 발생량 등)를 미리 예측한다. 이를 통해, 정수처리시스템에서는 단일소독 공정 혹은 복합소독 공정에서 유입원수 및 소독제의 반응으로 생성되는 트리할로메탄의 생성결과를 미리 예측함으로써, 소독공정의 소독효과를 유지하면서 동시에 소독부산물을 최소화시킬 수 있는 최적의 소독제 주입량을 결정할 수 있다. 즉, 소독부산물 예측 장치는 단일소독 공정 또는 복합소독 공정에서 소독제 종류, 소독제 조합, 소독제 주입량에 따른 트리할로메탄의 생성결과를 예측한다.
일반적으로 복합소독 공정은 1차로 오존 또는 이산화염소 등을 이용한 소독공정을 진행한 후, 2차로 염소 소독 공정을 진행한다. 따라서, 소독부산물 예측 장치는 복합소독 공정의 경우에, 1차로 오존 또는 이산화염소 등을 이용한 소독 공 정(도 1에 미도시)을 진행하고, 2차로 염소 소독 공정을 진행하여 트리할로메탄의 생성결과를 예측한다. 여기서, 1차 소독 공정은 당업자라면 쉽게 이해할 수 있는 공정에 해당하므로 자세한 설명을 생략하기로 한다. 이와 같이, 소독부산물 예측 장치는 복합소독 공정에서도 소독제 조합별로 트리할로메탄의 생성결과를 미리 예측할 수 있게 됨에 따라, 소독제 조합에 따른 소독제 주입량을 조절하여 트리할로메탄의 생성을 최소화시킬 수 있는 최적 상태를 제공할 수 있다.
이를 위해, 소독부산물 예측 장치는 최적 인공신경망 모델을 선택하기 위한 적어도 하나 이상의 '인공신경망 대상 모델'을 미리 구비한다. 여기서, 인공신경망 대상 모델은 입력조건에 포함되는 각각의 공정 및 수질인자를 다르게 설정할 수 있지만, 바람직하게는 하나의 정수처리시스템에서 최적 인공신경망 모델을 선택하는 과정이므로 소독제 주입량 이외에 다른 인자에 대해서는 동일하게 유지한다.
먼저, 소독부산물 예측 장치는 '각각의 인공신경망 대상 모델을 적용하여 예측된 트리할로메탄의 생성결과(이하 "예측값"이라 함)'와 '정수처리시스템에서 실제로 확인된 트리할로메탄의 측정결과(이하 "실제값"이라 함)' 간의 차이인 오차를 기 설정된 임계값(일례로, 1.2)과 비교한다. 이때, 소독부산물 예측 장치는 예측값 및 실제값에 의한 오차가 임계값 이상인 경우에, 미리 구비된 다른 인공신경망 대상 모델을 선택 및 적용하여 전술한 과정을 반복한다. 반면에, 소독부산물 예측 장치는 예측값 및 실제값에 의한 오차가 임계값 이하인 경우에, 현재 적용된 인공신경망 대상 모델을 최적 인공신경망 모델로 선택할 수 있다.
이와 달리, 소독부산물 예측 장치는 모든 인공신경망 대상 모델을 일괄적으 로 적용하여 예측값 및 실제값에 의한 오차를 계산한다. 이후, 소독부산물 예측 장치는 계산된 각각의 오차를 임계값과 비교하여, 해당 오차가 임계값 이하이면서 최저의 오차를 갖는 인공신경망 대상 모델을 최적 인공신경망 모델로 선택할 수 있다.
여기서, 소독부산물 예측 장치는 상기와 같이 최적 인공신경망 모델이 선택된 후, 기 설정된 주기 이후에 최적 인공신경망 모델을 선택하는 과정을 재수행하는 것이 바람직하다. 이는 정수처리시스템에서 실제로 측정되는 실제값이 달라질 수 있으므로 그에 따라 예측값 및 실제값에 의한 오차를 실시간으로 고려하여 최적 인공신경망 모델을 선택할 수 있도록 하기 위함이다.
한편, 소독부산물 예측 장치는 구체적으로 데이터 수집부(110), 인공신경망 모델부(120), 피드백부(130)를 포함한다.
데이터 수집부(110)는 인공신경망을 이용하여 임의의 소독부산물을 예측할 때 필요한 공정 및 수질인자를 정수처리시스템에서 수집하여 데이터베이스(DB)(도 1에 미도시)를 구축한다. 여기서, 공정인자에는 유량, 반응조 크기, 정수지 거리, 소독제 종류 및 주입량, 시설 제원, 도류벽 조건 등이 있고, 수질인자에는 산성도(pH), 온도, 용존유기탄소(DOC: Dissolved Organic Carbon), 흡광도값(UV), 반응시간, 잔류염소 등이 있다. 이러한 공정 및 수질인자는 임의의 소독부산물이 발생하는데 영향을 미치는 인자로서, 정수처리시스템에서 소정의 주기 또는 실시간으로 수집되거나, 사용자의 조작에 의해 수집될 수도 있다.
인공신경망 모델부(120)는 인공신경망 모델 대상을 적용하여 특정 소독부산 물(즉, 트리할로메탄)의 생성결과를 예측한다. 즉, 인공신경망 모델부(120)는 데이터 수집부(110)에서 예측하려는 트리할로메탄을 생성할 때 필요한 인공신경망 모델 대상을 적용하여, 트리할로메탄의 생성결과를 예측할 수 있는 인공신경망 모델을 구축한다. 이때, 인공신경망 모델부(120)는 입력층과 출력층 간에 은닉층(중간층)을 두는 다층구조에서 데이터를 훈련시키는 다층 퍼셉트론(multilayer perceptron)을 이용해 기계적 학습을 수행한다.
구체적으로, 인공신경망 모델부(120)는 데이터 수집부(110)로부터 트리할로메탄을 생성할 때 필요한 인공신경망 모델 대상에 속하는 공정 및 수질인자가 선택되어 입력될 수 있도록 하기 위한 모델 입력부(121), 모델 입력부(121)에서 입력된 공정 및 수질인자를 이용하여 트리할로메탄의 생성결과를 예측할 수 있는 인공신경망이 구축된 인공신경망 모델(122), 인공신경망 모델(122)에서 예측된 트리할로메탄의 생성결과(즉, 예측값)를 출력하는 모델 출력부(123)를 포함한다. 여기서, 인공신경망 모델(122)은 전술한 바와 같이 입력층, 은닉층, 출력층으로 구성되며, 입력층이 모델 입력부(121)에 연결되고, 출력층이 모델 출력부(123)에 연결된다. 여기서, 인공신경망 모델부(120)는 예측값 및 오차값의 차이인 오차를 감소시키는 방향으로 인공신경망 모델(122)의 은닉층의 수, 연결강도(connection weight)를 갱신시킨다. 일례로, 이는 은닉층의 수를 고정할 경우에, 연결강도를 조정하기 위해 오차를 감소시키는 방향으로 연결강도를 조절하고, 상위층에서 역전파하여 하위층에서 이를 근거로 다시 자기층의 연결강도를 조정해나간다(후술할 도 2 참조).
피드백부(130)는 인공신경망 모델부(120)를 통해 출력된 예측값과 정수처리 시스템에서 실제로 확인된 실제값의 차이인 오차를 계산해 임계값과 비교하여, 비교결과에 따라 현재 적용하고 있는 인공신경망 모델 대상을 인공신경망 모델부(120)에 적용할지 또는 다른 인공신경망 모델 대상을 인공신경망 모델부(120)에 적용할지를 피드백하도록 한다.
구체적으로, 피드백부(130)는 예측값과 실제값의 오차를 계산하기 위한 오차 계산부(131), 오차 및 임계값의 비교결과에 따라 인공신경망 모델 대상을 적용할지를 결정하고, 인공신경망 모델(122)의 은닉층의 수, 연결강도를 갱신시키기 위한 피드백 제어부(132)를 포함한다. 이때, 피드백 제어부(132)는 해당 오차가 기 설정된 임계값 이하이면, 예측값 및 실제값이 일치하는 경우로 간주하여 인공신경망 모델(122)에 대한 학습을 수행하지 않고, 현재 적용된 인공신경망 모델 대상을 최적 인공신경망 모델로 판단한다. 반면에, 피드백 제어부(132)는 해당 오차가 기 설정된 임계값 이상이면, 인공신경망 모델(122)에 대한 학습이 다시 수행될 수 있도록 다른 인공신경망 모델을 적용한다.
부가적으로, 소독부산물 예측 장치는 소독부산물 예측 프로그램이 기 탑재된 사용자 단말기에 연결되어 소독부산물 예측 과정을 제어할 수 있는 사용자 환경을 제공하는 사용자 인터페이스부(도 1에 미도시)를 구비한다.
한편, 소독부산물 예측 장치는 전술한 바와 같이 최적 인공신경망 모델을 적용하여 트리할로메탄의 생성결과를 예측한다. 즉, 소독부산물 예측 장치는 최적 인공신경망 모델이 인공신경망 모델(122)에 적용된 경우의 예측값을 트리할로메탄의 생성결과로 예측한다.
특히, 본 발명의 소독부산물 예측 장치는 비선형식에 따른 인공신경망을 적용함으로써, 선형식에 따른 인공신경망을 적용하는 경우와 같이 실제 데이터와 선형식 변수를 계속 비교하여 조정하거나 예측변수를 수질인자로 한정하여 적용하지 않는다. 즉, 소독부산물 예측 장치는 예측변수를 수질인자 뿐만 아니라 공정인자도 적용할 수 있다.
도 2는 본 발명에 적용되는 인공신경망 모델에 대한 일실시예 설명도이다.
도 2에 도시된 바와 같이, 본 발명에 적용되는 인공신경망 모델(122)은, 신경망 구조와 학습 알고리즘을 적용하는데, 여기서는 다층 퍼셉트론의 구조를 적용한 경우에 대하여 설명한다.
이와 같이, 본 발명의 인공신경망 모델(122)은 입력층 및 출력층 사이에 은닉층을 둔 다층구조에서 데이터를 훈련시키는 알고리즘을 내포하는 다층 퍼셉트론을 이용한 기계적 학습을 통해 이루어진다. 이에 따라, 인공신경망 모델(122)은 입력층(210), 은닉층(220), 출력층(230)을 포함한다. 여기서, 입력층(210)은 적어도 하나 이상의 입력노드를 조정할 수 있고, 은닉층(220)은 입력노드 수에 따라 인공신경망 모델(122)을 연산하는 은닉노드를 가지며, 출력층(230)은 입력조건을 은닉층(220)의 연산에 따라 적어도 하나 이상의 출력결과를 갖는다. 바람직하게는 은닉층(220)의 수는 미리 설정되어 있다.
입력층(210)에서는 모델 입력부(121)로부터 소정의 입력조건이 입력되고, 출력층(230)에서는 분류된 결과를 모델 출력부(123)로 출력한다. 즉, 모델 출력 부(123)에서 소독부산물로 트리할로메탄을 출력하는 경우에, 소정의 입력조건으로는 트리할로메탄을 생성할 때 영향을 미치는 요인에 해당되는 소독제 주입량, 산성도(pH), 반응시간, 용존유기탄소, 온도, 잔류염소, 흡광도값(UV)이 제공된다. 은닉층(220)은 입력층(210) 및 출력층(230) 사이에 적어도 하나 이상의 계층이 존재할 수 있다.
인공신경망 모델(122)은, 입력조건이 입력층(210)에 입력되면, 은닉층(220)에 있는 노드에 의해 수행된 연산결과가 다음 레벨에 있는 노드의 입력값이 되며, 이러한 과정을 출력층(230)까지 수행하여 최종 결과를 도출한다. 이때, 각 층에 있는 노드를 연결시켜 주는 역할을 수행하는 것이 연결강도이다. 이 연결은 같은 층에 있는 노드를 연결할 수 없고 다른 층에 있는 노드를 연결할 수 있으며, 일반적으로 하나의 노드는 다음 층에 있는 모든 노드와 연결된다.
인공신경망 모델(122)에서는 각 노드를 인공 뉴런(neuron)으로 모델화시킬 수 있다. 각 뉴런은 입력된 외부 자극을 합하여 그 결과에 따라 반응한다. 이는 하기 [수학식 1]과 같이 나타낼 수 있는데, 바이어스(bias)와 함께 입력의 가중합을 활성화 함수(또는 전달함수)에 전달하여 결과를 출력한다.
Figure 112009029947701-pat00001
Figure 112009029947701-pat00002
여기서, netj는 입력(x1, x2, …, xp)에 대한 가중합이고, bj는 바이어스를 의미하고, yj는 출력결과를 나타낸다. wji는 i번째 입력과 j번째 뉴런사이의 연결강도를 나타내고, f(*)j는 j번째 뉴런의 활성화 함수이다. 특히, f(*)j는 비선형 함수로서 단계 함수(hard limiter), 임계논리 함수(threshold logic), 시그모이드 함수(sigmoid) 등이 적용될 수 있으나, 여기서는 시그모이드 함수를 적용하기로 한다. 이는 비선형 함수인 시그모이드 함수를 적용하여, 결정 영역이 통상의 직선이 아니라 완만한 곡선으로 경계를 형성시켜 행위의 분석이 약간 복잡하지만 미분을 통해 은닉층(230)을 학습할 수 있도록 하기 위함이다.
한편, 인공신경망 모델(122)은 예측값 및 실제값을 비교하여 오차가 작은 방향으로 노드간의 연결강도를 조절한다. 이때, 인공신경망 모델(122)은 델타 규칙(delta rule)이 적용될 수 있다. 즉, 인공신경망 모델(122)에서는 입력층(210)의 각 노드에 입력조건이 입력되면, 각 노드에서 변환되어 은닉층(220)에 전달되고 최후에 출력층(230)에서 예측값을 출력한다. 또한, 인공신경망 모델(122)에서는 예측값 및 실제값을 비교하여 차이를 줄여나가는 방향으로 연결강도를 조절하고, 상위층에서 하위층으로 역전파하여 하위층에서 이를 근거로 다시 자기 층의 연결강도를 조절하도록 한다.
구체적으로, 인공신경망 모델(122)은 p번째의 입력패턴 및 출력 패턴이 제시되는 경우에 노드 i에서 노드 j로의 연결강도를 하기 [수학식 2]를 이용하여 조절한다.
Figure 112009029947701-pat00003
여기서, tpj는 p번째 목표패턴의 j 성분이고, opj는 p번째 입력패턴에서 인공신경망 모델(122)이 계산한 출력패턴의 j 성분이고, ipj는 p번째 입력패턴의 i 성분이고, δpj=tpj-opj는 목표패턴과 실제패턴의 차(오차)를 나타낸다.
부가적으로, 인공신경망 모델(122)에서는 입력패턴 및 원하는 출력 패턴이 제시될 수 있는데, 전술한 바와 같이 입력층(210)에 주어진 입력패턴이 출력층(230)에 전파되면서 변한 출력패턴(즉, 예측값)을 목표패턴(즉, 실제값)과 비교한다. 이때, 인공신경망 모델(122)에서는 출력패턴이 목표패턴과 일치하는 경우에 학습이 일어나지 않는다. 반면에, 인공신경망 모델(122)에서는 출력패턴이 목표패턴과 일치하지 않는 경우에 전술한 바와 같이 출력패턴 및 목표패턴의 차이를 감소시키는 방향으로 노드간의 연결강도를 조절하여 학습한다.
도 3은 본 발명에 따른 인공신경망을 이용한 소독부산물의 생성결과 예측 방법에 대한 일실시예 흐름도이다.
먼저, 소독부산물 예측 장치는 소독공정의 공정인자 및 수질인자를 수집한다(S301).
이후, 소독부산물 예측 장치는 공정인자 및 수질인자를 입력받아, 미리 구비되어 있는 적어도 하나 이상의 인공신경망 모델 대상 중 어느 하나를 인공신경망 모델로 적용한다(S302).
그런 후, 소독부산물 예측 장치는 '인공신경망 모델을 통해 출력된 예측값'과 '정수처리시스템에서 실제로 확인된 실제값'에 대한 오차와 기 설정된 임계값의 비교결과에 따라 최적 인공신경망 모델을 선택하기 위한 피드백을 수행한다(S303).
이때, 소독부산물 예측 장치는 상기와 같이 선택된 최적 인공신경망 모델을 이용하여 소독부산물의 생성결과를 예측한다(S304).
도 4는 본 발명에 따른 소독부산물 예측 프로그램을 나타낸 도면이고, 도 5는 상기 도 4의 소독부산물 예측 프로그램에 의한 예측값 및 실제값의 상관성을 나타낸 그래프이다.
여기서, 인공신경망을 구성하기 위해 입력층에서는 소독제 주입량(즉, 염소 주입량)을 5∼10㎎/L, 산성도를 pH 5∼10, 반응시간을 0.1∼168 시간(hour), 온도를 10∼25℃, 흡광도값(UV)을 0.002∼0.021abs./㎝, 용존유기탄소(DOC)를 0.244∼1.21㎎/L로 입력조건을 설정한다. 이와 같이 본 발명의 소독부산물 예측 장치는 예측값 및 실제값의 오차가 임계값 이내에서 정비례하므로, 궁극적으로 예측값 및 실제값이 오차가 없는 상태 즉, 예측값 및 실제값이 일치되도록 수렴한다.
이를 통해, 소독부산물 예측 장치는 복합소독 공정에 따른 트리할로메탄 생성을 최소화할 수 있는 공정의 예측이 가능하며, 소독제 주입량을 감소시킬 수 있도록 할 수 있다.
한편, 전술한 바와 같은 본 발명의 방법은 컴퓨터 프로그램으로 작성이 가능 하다. 그리고 상기 프로그램을 구성하는 코드 및 코드 세그먼트는 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다.　또한, 상기 작성된 프로그램은 컴퓨터가 읽을 수 있는 기록매체(정보저장매체)에 저장되고, 컴퓨터에 의하여 판독되고 실행됨으로써 본 발명의 방법을 구현한다. 그리고 상기 기록매체는 컴퓨터가 판독할 수 있는 모든 형태의 기록매체를 포함한다.
이상에서 설명한 본 발명은, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다.
도 1은 본 발명에 따른 인공신경망을 이용한 소독부산물의 생성결과 예측 장치에 대한 일실시예 구성도,
도 2는 본 발명에 적용되는 인공신경망 모델에 대한 일실시예 설명도,
도 3은 본 발명에 따른 인공신경망을 이용한 소독부산물의 생성결과 예측 방법에 대한 일실시예 흐름도,
도 4는 본 발명에 따른 소독부산물 예측 프로그램을 나타낸 도면,
도 5는 상기 도 4의 소독부산물 예측 프로그램에 의한 예측값 및 실제값의 상관성을 나타낸 그래프이다.
* 도면의 주요 부분에 대한 부호의 설명
110 : 데이터 수집부
120 : 인공신경망 모델부
121 : 모델 입력부
122 : 인공신경망 모델
123 : 모델 출력부
130 : 피드백부
131 : 오차 계산부
132 : 피드백 제어부

Claims (23)

  1. 소독공정의 공정인자 및 수질인자를 수집하기 위한 데이터 수집부;
    상기 공정인자 및 수질인자를 입력받아, 미리 구비되어 있는 적어도 하나 이상의 인공신경망 모델 대상 중 어느 하나를 인공신경망 모델로 적용하기 위한 인공신경망 모델부; 및
    '상기 인공신경망 모델을 통해 출력된 소독부산물의 예측값'과 '정수처리시스템에서 실제로 확인된 소독부산물의 실제값'에 대한 오차와 기 설정된 임계값의 비교결과에 따라 최적 인공신경망 모델을 선택하기 위한 피드백을 수행한 후 소독부산물의 생성결과를 예측하기 위한 피드백부을 포함하고,
    상기 소독부산물의 생성결과는,
    상기 소독부산물의 발생농도 또는 발생량인
    인공신경망을 이용한 소독부산물의 생성결과 예측 장치.
  2. 제 1 항에 있어서,
    상기 데이터 수집부는,
    상기 공정인자 및 수질인자를 정수처리시스템에서 수집하여 데이터베이스를 구축하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 장치.
  3. 제 1 항에 있어서,
    상기 인공신경망 모델부는,
    상기 인공신경망 모델을 적용할 때, 입력층과 출력층 간에 은닉층을 두는 다층구조에서 데이터를 훈련시키는 다층 퍼셉트론을 이용하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 장치.
  4. 제 3 항에 있어서,
    상기 인공신경망 모델부는,
    상기 예측값 및 상기 실제값에 대한 오차를 감소시키는 방향으로 상기 인공신경망 모델의 연결강도를 조정하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 장치.
  5. 제 1 항에 있어서,
    상기 피드백부는,
    상기 예측값 및 상기 실제값에 대한 오차가 기 설정된 임계값 이하이면, 상기 예측값 및 실제값이 일치하는 경우로 간주하여 상기 인공신경망 모델을 최적 인공신경망 모델로 선택하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 장치.
  6. 제 1 항에 있어서,
    상기 피드백부는,
    상기 예측값 및 상기 실제값에 대한 오차가 기 설정된 임계값 이상이면, 상기 인공신경망 모델 이외에 다른 인공신경망 모델을 다시 적용하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 장치.
  7. 제 1 항에 있어서,
    소독부산물 예측 프로그램이 기 탑재된 사용자 단말기에 연결되어 소독부산물 예측 과정을 제어할 수 있는 사용자 환경을 제공하기 위한 사용자 인터페이스부를 더 포함하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 장치.
  8. 제 1 항에 있어서,
    상기 소독공정은,
    1차적으로 오존 또는 이산화염소를 이용한 소독공정을 진행하고, 2차적으로 염소를 이용한 소독공정을 진행하는 복합소독 공정인
    인공신경망을 이용한 소독부산물의 생성결과 예측 장치.
  9. 제 1 항에 있어서,
    상기 공정인자는, 유량, 반응조 크기, 정수지 거리, 소독제 종류 및 주입량, 시설 제원, 도류벽 조건이고,
    상기 수질인자는, 산성도, 온도, 용존유기탄소, 흡광도값, 반응시간, 잔류염소인
    인공신경망을 이용한 소독부산물의 생성결과 예측 장치.
  10. 제 9 항에 있어서,
    상기 인공신경망 모델 대상은,
    하나의 정수처리시스템에서 최적 인공신경망 모델을 선택하기 위해 구비됨에 따라, 상기 공정인자 및 상기 수질인자에서 소독제 주입량 이외에 다른 인자에 대해서 동일하게 유지하는 것을 특징으로 하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 장치.
  11. 제 1 항에 있어서,
    상기 소독부산물은,
    트리할로메탄, 할로아세토나이트릴, 할로아세틱엑시드, 할로케톤, 할로아세 테이트, 할로알데히드, 할로아로마틱, 할로아민, 할로에테르, 클로랄하이트레이트 중 어느 하나인
    인공신경망을 이용한 소독부산물의 생성결과 예측 장치.
  12. 삭제
  13. 소독공정의 공정인자 및 수질인자를 수집하는 수집 단계;
    상기 공정인자 및 수질인자를 입력받아, 미리 구비되어 있는 적어도 하나 이상의 인공신경망 모델 대상 중 어느 하나를 인공신경망 모델로 적용하는 적용 단계;
    '상기 인공신경망 모델을 통해 출력된 소독부산물의 예측값'과 '정수처리시스템에서 실제로 확인된 소독부산물의 실제값'에 대한 오차와 기 설정된 임계값의 비교결과에 따라 최적 인공신경망 모델을 선택하기 위한 피드백을 수행하는 수행 단계; 및
    상기 선택된 최적 인공신경망 모델을 이용하여 소독부산물의 생성결과를 예측하는 예측 단계를 포함하고,
    상기 소독부산물의 생성결과는,
    상기 소독부산물의 발생농도 또는 발생량인
    인공신경망을 이용한 소독부산물의 생성결과 예측 방법.
  14. 제 13 항에 있어서,
    상기 적용 단계는,
    상기 인공신경망 모델을 적용할 때, 입력층과 출력층 간에 은닉층을 두는 다층구조에서 데이터를 훈련시키는 다층 퍼셉트론을 이용하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 방법.
  15. 제 14 항에 있어서,
    상기 적용 단계는,
    상기 예측값 및 상기 실제값에 대한 오차를 감소시키는 방향으로 상기 인공신경망 모델의 연결강도를 조정하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 방법.
  16. 제 13 항에 있어서,
    상기 수행 단계는,
    상기 예측값 및 상기 실제값에 대한 오차가 기 설정된 임계값 이하이면, 상기 예측값 및 실제값이 일치하는 경우로 간주하여 상기 인공신경망 모델을 최적 인공신경망 모델로 선택하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 방법.
  17. 제 13 항에 있어서,
    상기 수행 단계는,
    상기 예측값 및 상기 실제값에 대한 오차가 기 설정된 임계값 이상이면, 상기 인공신경망 모델 이외에 다른 인공신경망 모델을 다시 적용하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 방법.
  18. 제 13 항에 있어서,
    상기 소독공정은,
    1차적으로 오존 또는 이산화염소를 이용한 소독공정을 진행하고, 2차적으로 염소를 이용한 소독공정을 진행하는 복합소독 공정인
    인공신경망을 이용한 소독부산물의 생성결과 예측 방법.
  19. 제 13 항에 있어서,
    상기 공정인자는, 유량, 반응조 크기, 정수지 거리, 소독제 종류 및 주입량, 시설 제원, 도류벽 조건이고,
    상기 수질인자는, 산성도, 온도, 용존유기탄소, 흡광도값, 반응시간, 잔류염소인
    인공신경망을 이용한 소독부산물의 생성결과 예측 방법.
  20. 제 19 항에 있어서,
    상기 인공신경망 모델 대상은,
    하나의 정수처리시스템에서 최적 인공신경망 모델을 선택하기 위해 구비됨에 따라, 상기 공정인자 및 상기 수질인자에서 소독제 주입량 이외에 다른 인자에 대해서 동일하게 유지하는 것을 특징으로 하는
    인공신경망을 이용한 소독부산물의 생성결과 예측 방법.
  21. 제 13 항에 있어서,
    상기 소독부산물은,
    트리할로메탄, 할로아세토나이트릴, 할로아세틱엑시드, 할로케톤, 할로아세테이트, 할로알데히드, 할로아로마틱, 할로아민, 할로에테르, 클로랄하이트레이트 중 어느 하나인
    인공신경망을 이용한 소독부산물의 생성결과 예측 방법.
  22. 삭제
  23. 삭제
KR1020090043561A 2009-05-19 2009-05-19 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법 KR101099703B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090043561A KR101099703B1 (ko) 2009-05-19 2009-05-19 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090043561A KR101099703B1 (ko) 2009-05-19 2009-05-19 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20100124511A KR20100124511A (ko) 2010-11-29
KR101099703B1 true KR101099703B1 (ko) 2011-12-28

Family

ID=43408704

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090043561A KR101099703B1 (ko) 2009-05-19 2009-05-19 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR101099703B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101316240B1 (ko) * 2012-03-16 2013-10-08 주식회사 포스코 데이터 마이닝을 이용한 ｔｍｃｐ 강의 충격 천이 곡선 예측 장치 및 방법
KR20180092213A (ko) 2017-02-08 2018-08-17 조선대학교산학협력단 인공신경망을 이용하여 광역해를 산출하는 방법

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120063378A (ko) 2010-12-07 2012-06-15 한국전자통신연구원 운송물 처리 시스템 및 그 방법
CN102662040B (zh) * 2012-04-20 2014-06-18 辽宁工程技术大学 一种动态模块化神经网络的氨氮在线软测量方法
CN106355243B (zh) * 2016-08-23 2018-12-11 河海大学常州校区 一种基于神经网络的水平面太阳直射散射计算系统及方法
CN112149849B (zh) * 2020-07-21 2024-05-14 吉林建筑大学 基于多元线性回归法预测饮用水消毒副产物的方法
KR102348977B1 (ko) * 2020-11-18 2022-01-11 (주)파이브텍 바이오가스플랜트 통합운영관리 플랫폼 시스템
KR102536481B1 (ko) * 2020-11-19 2023-05-26 재단법인대구경북과학기술원 오브젝트 인식을 위한 전자 장치 및 전자 장치의 제어 방법
KR102620496B1 (ko) 2021-11-04 2024-01-03 주식회사 도화엔지니어링 원수수질 분석의 오류 검증방법
CN116693012A (zh) * 2023-05-06 2023-09-05 同济大学 一种含氯消毒剂的排水管道溢流污水消毒协同快速除氨氮方法
CN116870211B (zh) * 2023-07-12 2024-05-24 广州海珠海之康医疗科技有限公司 一种等离子灭菌消毒系统及智能消毒柜

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100495193B1 (ko) 2003-12-02 2005-06-16 주식회사 오이코스 자연유기물 제거와 급·배수관 부식 방지를 위한 정수방법과 그 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100495193B1 (ko) 2003-12-02 2005-06-16 주식회사 오이코스 자연유기물 제거와 급·배수관 부식 방지를 위한 정수방법과 그 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101316240B1 (ko) * 2012-03-16 2013-10-08 주식회사 포스코 데이터 마이닝을 이용한 ｔｍｃｐ 강의 충격 천이 곡선 예측 장치 및 방법
KR20180092213A (ko) 2017-02-08 2018-08-17 조선대학교산학협력단 인공신경망을 이용하여 광역해를 산출하는 방법

Also Published As

Publication number Publication date
KR20100124511A (ko) 2010-11-29

Similar Documents

Publication Publication Date Title
KR101099703B1 (ko) 인공신경망을 이용한 소독부산물의 생성결과 예측 장치 및 그 방법
Pelalak et al. Degradation of sulfonamide antibiotics using ozone-based advanced oxidation process: Experimental, modeling, transformation mechanism and DFT study
Poznyak et al. A survey on artificial neural networks application for identification and control in environmental engineering: Biological and chemical systems with uncertain models
Hong et al. Radial basis function artificial neural network (RBF ANN) as well as the hybrid method of RBF ANN and grey relational analysis able to well predict trihalomethanes levels in tap water
Sadiq et al. Disinfection by-products (DBPs) in drinking water and predictive models for their occurrence: a review
Ohar et al. Optimal design and operation of booster chlorination stations layout in water distribution systems
de Canete et al. Soft-sensing estimation of plant effluent concentrations in a biological wastewater treatment plant using an optimal neural network
Van Haute et al. Methodology for modeling the disinfection efficiency of fresh-cut leafy vegetables wash water applied on peracetic acid combined with lactic acid
Singer et al. Rewarded outcomes enhance reactivation of experience in the hippocampus
Hamzaoui et al. Optimal performance of COD removal during aqueous treatment of alazine and gesaprim commercial herbicides by direct and inverse neural network
Kaiser et al. Process control for ozonation systems: a novel real-time approach
Akratos et al. Total nitrogen and ammonia removal prediction in horizontal subsurface flow constructed wetlands: use of artificial neural networks and development of a design equation
Vaferi et al. Experimental and theoretical analysis of the UV/H2O2 advanced oxidation processes treating aromatic hydrocarbons and MTBE from contaminated synthetic wastewaters
Munther et al. A mathematical model for pathogen cross-contamination dynamics during produce wash
Audino et al. Systematic optimization approach for the efficient management of the photo-Fenton treatment process
JP6277048B2 (ja) 水道の消毒剤注入制御システム
JP4673709B2 (ja) 水処理システム
Civelekoglu et al. Prediction of bromate formation using multi-linear regression and artificial neural networks
CN112149822A (zh) 一种饮用水消毒副产物预测方法及系统
Hayder et al. Prediction model development for petroleum refinery wastewater treatment
Zhang et al. The combination of multiple linear regression and adaptive neuro-fuzzy inference system can accurately predict trihalomethane levels in tap water with fewer water quality parameters
JP6246573B2 (ja) 水処理制御装置、水処理制御方法
Okoji et al. Comparative analysis of adaptive neuro-fuzzy inference system (ANFIS) and RSRM models to predict DBP (trihalomethanes) levels in the water treatment plant
Cai et al. Application of a multiobjective artificial neural network (ANN) in industrial reverse osmosis concentrate treatment with a fluidized bed Fenton process: Performance prediction and process optimization
Shirkoohi et al. Modelling and optimization of psychoactive pharmaceutical caffeine removal by electrochemical oxidation process: A comparative study between response surface methodology (RSM) and adaptive neuro fuzzy inference system (ANFIS)

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20141222

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20161128

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20171023

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20181203

Year of fee payment: 8