KR101869011B1 - 활성슬러지 모델링을 위한 유입하수 상태변수 평가 시스템 및 방법 - Google Patents

활성슬러지 모델링을 위한 유입하수 상태변수 평가 시스템 및 방법 Download PDF

Info

Publication number
KR101869011B1
KR101869011B1 KR1020170037417A KR20170037417A KR101869011B1 KR 101869011 B1 KR101869011 B1 KR 101869011B1 KR 1020170037417 A KR1020170037417 A KR 1020170037417A KR 20170037417 A KR20170037417 A KR 20170037417A KR 101869011 B1 KR101869011 B1 KR 101869011B1
Authority
KR
South Korea
Prior art keywords
bod
calculating
tss
calculated
variables
Prior art date
Application number
KR1020170037417A
Other languages
English (en)
Inventor
유광태
김종락
박기정
Original Assignee
주식회사 유앤유
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 주식회사 유앤유 filed Critical 주식회사 유앤유
Priority to KR1020170037417A priority Critical patent/KR101869011B1/ko
Application granted granted Critical
Publication of KR101869011B1 publication Critical patent/KR101869011B1/ko

Links

Images

Classifications

    • G06F17/5009—
    • C—CHEMISTRY; METALLURGY
    • C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
    • C02F3/00—Biological treatment of water, waste water, or sewage
    • C02F3/02—Aerobic processes
    • C02F3/12—Activated sludge processes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A20/00—Water conservation; Efficient water supply; Efficient water use
    • Y02A20/152—Water filtration
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W10/00—Technologies for wastewater treatment
    • Y02W10/10—Biological treatment of water, waste water, or sewage

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Microbiology (AREA)
  • Hydrology & Water Resources (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Activated Sludge Processes (AREA)

Abstract

본 발명은 활성슬러지 모델링을 위한 유입하수 상태변수 평가 기술에 관한 것으로서, 일실시예에 따른 상태변수 평가 시스템은 최적화 알고리즘, 방류수질에 대한 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)과 부유 물질(Total Suspended Solids, TSS)의 관계가 반영된 복합변수(complex variables), 및 ASM no.1 모델에 기초하여 상태변수(state variables)와의 관계식을 산출하는 산출부, 및 상기 산출된 관계식에 기초하여 하수 유입수 중의 상태변수분율(state variables fraction)을 추정하는 상태변수분율 추정부를 포함할 수 있다.

Description

활성슬러지 모델링을 위한 유입하수 상태변수 평가 시스템 및 방법{EVALUATION SYSTEM OF STATE VARIABLES OF SETTLED WASTEWATER FOR ACTIVATED SLUDGE MODELING AND METHOD OF THE SAME}
본 발명은 활성슬러지 모델링을 위한 유입하수 상태변수 평가 기술에 관한 것으로서, 구체적으로 ASM no.1모델의 COD 분율 분석에 소요되는 시간과 비용 절감을 위해 최적알고리즘을 이용하여 합성변수(composite variables)로부터 상태변수(state variables)를 추정하는 기술적 사상에 관한 것이다.
2014년 말 기준 대한민국의 하수도 보급율은 하수도보급률은 92.5%이며, 전국에 가동 중인 공공하수처리시설은 500CMD 이상 597개소, 500CMD 미만 3,160개소이다. 대한민국의 공공하수도 보급율이 한계에 도달함에 따라 기존 시설 개량 및 효율적 시설운영이 중요한 문제로 대두되고 있다. 또한, 대한민국은 2012년부터 방류수 수질기준이 강화됨에 따라 보다 정교한 운영관리 기술이 요구되고 있다.
활성슬러지 공정 모델링은 하수처리시설 주 처리공정의 설계뿐만 아니라 공정 운영효율 개선을 위해서 널리 이용되고 있다. 특히, 1983년 이후 International Water Association (IWA) 산하 task group에서 활성슬러지 공정에 대한 수학적 모델식을 정리한 활성슬러지모델 (Activated sludge models, ASMs)이 개발되어 하수처리의 설계 및 공정 최적화에 널리 사용되고 있다.
ASMs 모형은 하수처리 공정 내에서 발생하는 미생물 반응에 대한 수학적 모델로서 이론적인 반응 속도식을 바탕으로 다양한 조건에 대한 반응결과를 얻을 수 있으며, 하수처리시설에서 발생하는 여러 상황에 대한 모사가 가능하다.
그러나 ASM 모델들은 유럽을 기준으로 개발되었기 때문에 제안된 입력 변수의 적용에 있어 low strength wastewater인 대한민국 하수와 성상이 다르기 때문에 대한민국 하수처리 공정 시뮬레이션에 적용하기 위해서는 유입수 성상분석 및 매개변수 보정을 수행하여야 한다. 특히, ASM 모델의 입력 자료인 상태변수(state variables)는 합성변수(composite variables)인 COD의 분율(fraction)로써 시뮬레이션을 위한 가장 중요하고 기초적인 자료이다.
성공적인 시뮬레이션을 수행하기 위해서는 합성변수를 상태변수로 전환하는 유입수 성상분석과정이 반드시 요구된다. 하지만, 호흡율 분석에 소요되는 막대한 비용과 시간문제로 인하여 많은 엔지니어들이 설계 및 운영 단계에서 COD 분율(fraction) 분석을 수행하지 못하는 경우가 대부분이다. 이로 인하여 ASM 모델을 이용한 시뮬레이션 결과의 신뢰도가 낮아지는 문제가 발생하고 있다.
한국등록특허 제10-0300820호 "하수 및 폐수의 고도처리방법" 한국등록특허 제10-1631188호 "실시간 유량 자동연산장치를 탑재한 계측제어 시스템 및 방법"
본 발명은 하수 유입수 중의 상태변수 분율(state variables fraction)을 추정하는 IFA(influent flow analyzer)을 제안하는 것을 목적으로 한다.
본 발명은 유입수 COD 분율(fraction) 추정이 가능하며, COD 분율(fraction) 분석실험에 소요되는 시간과 비용을 줄이는 것을 목적으로 한다.
본 발명은 유입 하수 상태변수 중 시뮬레이션에 민감도가 가장 큰 요소에 대해 오차 범위 내에서 추정이 가능하도록 하는 것을 목적으로 한다.
일실시예에 따른 상태변수 평가 시스템은 최적화 알고리즘, 방류수질에 대한 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)과 부유 물질(Total Suspended Solids, TSS)의 관계가 반영된 복합변수(complex variables), 및 ASM no.1 모델에 기초하여 상태변수(state variables)와의 관계식을 산출하는 산출부, 및 상기 산출된 관계식에 기초하여 하수 유입수 중의 상태변수분율(state variables fraction)을 추정하는 상태변수분율 추정부를 포함할 수 있다.
일실시예에 따른 상기 산출부는, 상기 최적화 알고리즘으로서 하모닉 서치 알고리즘(Harmony search algorithm)을 이용할 수 있다.
일실시예에 따른 상기 산출부는, 합성변수(composite variables)를 설정하고, 상기 설정된 합성변수(composite variables)에 기초하여 상태변수(state variables) 추정범위를 설정하며, 상기 설정된 합성변수(composite variables) 및 상기 상태변수(state variables) 추정범위에 기초하여 최적해를 도출하고, 상기 도출된 최적해를 반영하여 상태변수 분율을 산출할 수 있다.
일실시예에 따른 상기 산출부는, 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD) 및 상기 총 부유 물질(Total Suspended Solids, TSS) 중에서 적어도 하나에 대한 실측치와 모의치 비교 결과를 고려하여 상기 최적해를 도출하는 과정을 반복할 수 있다.
일실시예에 따른 상기 산출부는, 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)에 대한 측정치 및 모의치의 BOD 차이값을 산출하고, 상기 산출된 BOD 차이값에 대한 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)의 측정치 BOD 비율을 계산하되, 계산결과의 최소값을 산출할 수 있다.
일실시예에 따른 상기 산출부는, 상기 부유 물질(Total Suspended Solids, TSS)에 대한 측정치 및 모의치의 TSS 차이값을 산출하고, 상기 산출된 TSS 차이값에 대한 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)의 측정치 TSS 비율을 계산하며, 상기 계산된 계산결과의 최소값과 상기 계산된 측정치 TSS 비율을 합산하여 상기 상태변수(state variables)와의 관계식을 산출할 수 있다.
일실시예에 따른 상태변수 평가 시스템의 동작 방법은 최적화 알고리즘, 방류수질에 대한 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)과 부유 물질(Total Suspended Solids, TSS)의 관계가 반영된 복합변수(complex variables), 및 ASM no.1 모델에 기초하여 상태변수(state variables)와의 관계식을 산출하는 단계, 및 상기 산출된 관계식에 기초하여 하수 유입수 중의 상태변수분율(state variables fraction)을 추정하는 단계를 포함할 수 있다.
일실시예에 따른 상기 산출하는 단계는, 상기 최적화 알고리즘으로서 하모닉 서치 알고리즘(Harmony search algorithm)을 이용하는 단계를 포함할 수 있다.
일실시예에 따른 상기 산출하는 단계는, 합성변수(composite variables)를 설정하는 단계, 상기 설정된 합성변수(composite variables)에 기초하여 상태변수(state variables) 추정범위를 설정하는 단계, 상기 설정된 합성변수(composite variables) 및 상기 상태변수(state variables) 추정범위에 기초하여 최적해를 도출하는 단계, 및 상기 도출된 최적해를 반영하여 상태변수 분율을 산출하는 단계를 포함할 수 있다.
일실시예에 따른 상기 산출하는 단계는, 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD) 및 상기 총 부유 물질(Total Suspended Solids, TSS) 중에서 적어도 하나에 대한 실측치와 모의치 비교 결과를 고려하여 상기 최적해를 도출하는 과정을 반복하는 단계를 포함할 수 있다.
일실시예에 따른 상기 산출하는 단계는, 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)에 대한 측정치 및 모의치의 BOD 차이값을 산출하는 단계, 및 상기 산출된 BOD 차이값에 대한 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)의 측정치 BOD 비율을 계산하되, 계산결과의 최소값을 산출하는 단계를 더 포함할 수 있다.
일실시예에 따른 상기 산출하는 단계는, 상기 부유 물질(Total Suspended Solids, TSS)에 대한 측정치 및 모의치의 TSS 차이값을 산출하는 단계, 상기 산출된 TSS 차이값에 대한 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)의 측정치 TSS 비율을 계산하는 단계, 및 상기 계산된 계산결과의 최소값과 상기 계산된 측정치 TSS 비율을 합산하여 상기 상태변수(state variables)와의 관계식을 산출하는 단계를 더 포함할 수 있다.
본 발명에 따르면, 하수 유입수 중의 상태변수 분율(state variables fraction)을 추정하는 IFA(influent flow analyzer)을 제안할 수 있다.
본 발명은 유입수 COD 분율(fraction) 추정이 가능하며, COD 분율(fraction) 분석실험에 소요되는 시간과 비용을 줄일 수 있다.
본 발명은 유입 하수 상태변수 중 시뮬레이션에 민감도가 가장 큰 요소에 대해 오차 범위 내에서 추정이 가능하다.
도 1은 일실시예에 따른 유입하수 상태변수 평가 시스템을 설명하는 도면이다.
도 2는 일실시예에 따른 유입하수 상태변수 평가 방법을 설명하는 도면이다.
도 3은 본 발명이 적용된 9개 처리 공정의 유입수 성상분석 결과를 설명하는 도면이다.
도 4는 일실시예에 따른 유입하수 상태변수 평가 기술을 적용한 폐수 총질소량(Dynamic simulation result of effluent total nitrogen)에 대한 동적 시뮬레이션 결과를 나타내는 도면이다.
도 5는 일실시예에 따른 유입하수 상태변수 평가 기술을 적용한 MLSS(mixed liquer suspended solid)의 동적 시뮬레이션 결과를 나타내는 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 유입하수 상태변수 평가 시스템(100)을 설명하는 도면이다.
본 발명을 이용하는 경우, 하수 유입수 중의 상태변수 분율(state variables fraction)을 추정하는 유입수 흐름분석기(Influent Flow Analyzer, IFA)를 제안할 수 있다. 또한, 유입수 COD 분율(fraction) 추정이 가능하며, COD 분율(fraction) 분석실험에 소요되는 시간과 비용을 줄일 수 있고, 유입 하수 상태변수 중 시뮬레이션에 민감도가 가장 큰 요소에 대해 오차 범위 내에서 추정이 가능하다.
이를 위해, 일실시예에 따른 유입하수 상태변수 평가 시스템(100)은 산출부(110) 및 상태변수분율 추정부(120)를 포함할 수 있다.
일실시예에 따른 산출부(110)는 최적화 알고리즘, 방류수질에 대한 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)과 부유 물질(Total Suspended Solids, TSS)의 관계가 반영된 복합변수(complex variables), 및 ASM no.1 모델에 기초하여 상태변수(state variables)와의 관계식을 산출할 수 있다.
활성슬러지 공정 시뮬레이션을 위한 수학적 모델인 활성슬러지 모델(Activated Sludge Models, ASMs)은 이론적인 반응 속도식을 바탕으로 하여 공정운전 조건 변화에 대한 반응 결과를 제시해주며 하수처리 공정에서 발생하는 여러 상황에 대한 공정 모사를 가능하게 한다. 이중 ASM Model No.1은 유기물 산화와 질산화 및 탈질 반응을 고려한 모델로 13개의 상태변수(state variables)와 8가지 처리과정(processes)를 통해 활성슬러지공정의 생물학적 기작을 표현할 수 있다. 모델의 반응들은 Monod식을 기반으로 개발되었으며, 각 반응은 개별적인 반응 속도식을 가질 수 있다. 모델의 13개의 상태변수(state variables)는 성분에 대한 반응의 화학양론적 계수로 표현되며, ASM 모델의 input variables는 COD와 같은 합성변수(composite variables), 분율(fraction)인 상태변수(state variables)로 구성될 수 있다. 본 발명에서는 모델의 상태변수로부터 합성변수를 산정 및 프로세스 시뮬레이션을 위하여 ASM no.1을 이용할 수 있다.
본 발명에서는 하수처리시설 시뮬레이션을 위하여 대한민국에서 개발된 상업용 시뮬레이터인 MassFlow™ (UnU Inc., version 2.8.8, http://www.massflow.kr)를 이용할 수 있다. MassFlow™는 활성슬러지 프로세스(activated sludge process) 시뮬레이션을 위한 IWA ASM no.1, bio-P 시뮬레이션을 위한 modified ASM no.1, 혐기성 소화(anaerobic digestion), 침전탱크(settling tank), 농축기(thickener), 응고(coagulation), 호기성 생물여과(biological aerated filter), 필터링(filtering), 탈수공정(dewatering processes) 등을 제공한다. 또한, engineering report, dynamic 시뮬레이션 및 공정자동화(process automation)를 위한 SCADA interface를 제공한다. 본 발명에서는 개발한 IFA 기능을 MassFlow™의 추가 기능 (add-on feature)으로 개발할 수 있다.
일실시예에 따른 산출부(110)는 최적화 알고리즘으로서 하모닉 서치 알고리즘(Harmony search algorithm)을 이용할 수 있다. 하모닉 서치 알고리즘은 기본적으로 음악에서의 즉흥연주를 모방하고 있으며 무작위로 발생된 최적 해집합으로부터 출발하여 로컬 서치(local search)와 글로벌 서치(global search)를 통해 최적해에 이르게 하는 meta-heuristic optimization algorithm의 한 종류이다.
하모닉 서치 알고리즘은 다른 알고리즘에서와 같이 수학적인 미분과정이 필요하지 않고, 각각의 변수가 갖는 해 즉, 하모니(Harmony)값을 하모니 메모리(Harmony memory)에 저장하고 그 순위를 지속적으로 개선하여 최적의 하모니 값을 도출하는 방법으로 최소비용, 최소 오차, 최대 이윤, 최대 효용을 기대할 수 있다.
구체적으로, 일실시예에 따른 산출부(110)는 합성변수(composite variables)를 목적함수로 설정할 수 있다. 또한, 설정된 합성변수(composite variables)에 기초하여 상태변수(state variables) 추정범위를 설정하고, 설정된 합성변수(composite variables) 및 상태변수(state variables) 추정범위에 기초하여 최적해를 도출할 수 있다. 이렇게 도출되는 최적해가 하모니값에 해당하며, 필요시 하모니 메모리에 기록될 수 있다. 또한, 최적해를 도출하는 과정은 일정 기준에 부합하는 경우 반복해서 수행될 수 있다.
예를 들어, 산출부(110)는 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD) 및 총 부유 물질(Total Suspended Solids, TSS) 중에서 적어도 하나에 대한 실측치와 모의치 비교 결과를 고려하여 최적해를 도출하는 과정을 반복할 수 있다.
결국, 산출부(110)는 도출된 최적해를 반영하여 상태변수 분율을 산출할 수 있다.
보다 구체적으로, 일실시예에 따른 산출부(110)는 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)에 대한 측정치 및 모의치의 BOD 차이값을 산출하고, 산출된 BOD 차이값에 대한 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)의 측정치 BOD 비율을 계산하되, 계산결과의 최소값을 산출할 수 있다.
또한, 산출부(110)는 부유 물질(Total Suspended Solids, TSS)에 대한 측정치 및 모의치의 TSS 차이값을 산출하고, 산출된 TSS 차이값에 대한 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)의 측정치 TSS 비율을 계산하며, 계산된 계산결과의 최소값과 계산된 측정치 TSS 비율을 합산하여 상태변수(state variables)와의 관계식을 산출할 수 있다.
보다 구체적으로 살펴보면, 산출부(110)는 아래 [수학식 1]을 이용해서, 상태변수(state variables)와의 관계식을 산출할 수 있다.
[수학식 1]
Figure 112017029180765-pat00001
[수학식 1]에서 TCOD, BOD, TSS, SS, SI, XS, XI, COD와의 관계는 아래 [수학식 2]와 같다.
[수학식 2]
Figure 112017029180765-pat00002
[수학식 1] 및 [수학식 2]에서, TCOD는 Total chemical Oxygen Demand, mg COD/L으로 해석될 수 있고, BODcalculated는 Total Biochemical Oxygen Demand, mg BOD/L로 해석될 수 있으며, TSS는 Total Suspended Solids, mg SS/L로 해석될 수 있다. 또한, SS는 Readily biodegradable substrate, mg COD/L로 해석될 수 있고, SI는 Inert soluble organic matter, mg COD/L로 해석될 수 있으며, XS는 Biodegradable particulate organic matter, mg COD/L로 해석될 수 있다. 또한, XI는 Inert particulate organic matter, mg COD/L로 해석될 수 있고, Xbh는 Heterotrophic biomass, mg COD/L, assume zero in the raw wastewater로 해석될 수 있으며, Xba는 Autotrophic biomass, mg COD/L, assume zero in the raw wastewater로 해석될 수 있다. 또한, XP는 inert particulate products, mg COD/L, assume zero in the raw wastewater로 해석될 수 있다. 또한, fP는 fraction of cell mass remaining as cell debris, unitless로, fbod와 fTSS는 BOD and TSS modification factor, unitless로 해석될 수 있다.
한편, 각 항목들에 대한 조건은 다음을 만족해야만 한다.
Figure 112017029180765-pat00003
일실시예에 따른 상태변수분율 추정부(120)는 산출된 관계식에 기초하여 하수 유입수 중의 상태변수분율(state variables fraction)을 추정할 수 있다.
도 2는 일실시예에 따른 유입하수 상태변수 평가 방법을 설명하는 도면이다.
일실시예에 따른 유입하수 상태변수 평가 방법을 이용하면, 하수 유입수 중의 상태변수 분율(state variables fraction)을 추정하는 IFA(influent flow analyzer)을 제안할 수 있다. 또한, 유입수 COD fraction 추정이 가능하며, COD fraction 분석실험에 소요되는 시간과 비용을 줄일 수 있고, 유입 하수 상태변수 중 시뮬레이션에 민감도가 가장 큰 요소에 대해 오차 범위 내에서 추정이 가능하다.
이를 위해, 일실시예에 따른 유입하수 상태변수 평가 방법은 최적화 알고리즘, 방류수질에 대한 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)과 부유 물질(Total Suspended Solids, TSS)의 관계가 반영된 복합변수(complex variables), 및 ASM no.1 모델에 기초하여 상태변수(state variables)와의 관계식을 산출할 수 있다.
구체적으로, 유입하수 상태변수 평가 방법은 합성변수를 목적함수로 설정할 수 있다(단계 201).
다음으로, 유입하수 상태변수 평가 방법은 상태변수 추정범위를 설정하고(단계 202), 설정된 결과를 활용하여 최적해를 도출할 수 있다(단계 203). 예를 들어, 유입하수 상태변수 평가 방법은 무작위로 발생된 최적 해집합으로부터 출발하여 로컬 서치와 글로벌 서치를 통해 최적해를 산출할 수 있다.
한편, 일실시예에 따른 유입하수 상태변수 평가 방법은 방류수질에 대한 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)과 부유 물질(Total Suspended Solids, TSS)의 모의치 및 측정치가 미리 지정된 기준을 만족하는지 여부를 확인(단계 204)하여 최적해를 도출하는 과정을 반복할 수 있다.
예를 들어, 단계 204의 판단 결과 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)과 부유 물질(Total Suspended Solids, TSS)의 모의치 및 측정치에 대한 차이가 미리 지정된 기준에 근접한 경우에 일실시예에 따른 유입하수 상태변수 평가 방법은 산출된 관계식에 기초하여 하수 유입수 중의 상태변수분율(state variables fraction)을 추정할 수 있다(단계 205).
한편, 단계 204의 판단 결과 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)과 부유 물질(Total Suspended Solids, TSS)의 모의치 및 측정치에 대한 차이가 미리 지정된 기준 이상인 경우에에 일실시예에 따른 유입하수 상태변수 평가 방법은 단계 201 내지 단계 203의 과정을 반복하여 최적해를 새로 도출할 수 있다.
도 3은 본 발명이 적용된 9개 처리 공정의 유입수 성상분석 결과를 설명하는 도면이다.
아래 [표 1]은 S시 3개 하수처리시설의 influent COD fraction 조사결과이다.
[표 1]
Figure 112017029180765-pat00004
분석 대상은 1차 침전지 월류수(settled wastewater)를 대상으로 하였으며 2008년 9월에 측정한 결과이다. 전세계적으로 Readily biodegradable substrate (
Figure 112017029180765-pat00005
Figure 112017029180765-pat00006
)의 범위는 raw wastewater에서는 약 3 - 35% (average 17.5%) 이며, settled wastewater에서는 약 14 - 57% (average 28.9%)로 지역에 따라
Figure 112017029180765-pat00007
Figure 112017029180765-pat00008
fraction 편차가 크게 나타나고 있다. 대한민국과 사회경제적 특성이 비슷한 일본의 경우에
Figure 112017029180765-pat00009
Figure 112017029180765-pat00010
fraction은 약 26.7%로 본 발명에 대한의 S시 3개 하수처리장 평균
Figure 112017029180765-pat00011
Figure 112017029180765-pat00012
분율 25.6%와 비슷한 반면, France 및 Netherlands의 경우에는 32 - 57%로 2배 정도 높다.
본 발명에서 조사한 S시 3개 하수처리시설의
Figure 112017029180765-pat00013
Figure 112017029180765-pat00014
분율은 23 - 27.7%로 편차가 크지 않았는데, 이는 3개 하수처리장이 같은 도시 내에서 운영되고 있기 때문인 것으로 판단된다.
Figure 112017029180765-pat00015
Figure 112017029180765-pat00016
는 BNR (Biological Nutrient Removal) 공정의 anaerobic 및 anoxic zone의 용량 결정의 key factor 이므로 활성슬러지 공정 시뮬레이션을 위해
Figure 112017029180765-pat00017
Figure 112017029180765-pat00018
fraction을 결정하는 것은 결과의 신뢰도 측면에서 매우 중요하다.
Figure 112017029180765-pat00019
Figure 112017029180765-pat00020
는 설계 측면에서 볼 때, 가장 많은 산소를 소모하므로 aeration tank의 air flow requirement를 결정하는데 가장 큰 영향을 준다. 일반적으로
Figure 112017029180765-pat00021
Figure 112017029180765-pat00022
는 raw wastewater에서 28 - 74% (average 57.9%), settled wastewater에서 24.5 - 65% (average 49.5%)의 범위이다. 본 발명에서 조사한 결과는 평균 52.2%로 전세계 평균과 유사한 수준이다.
Figure 112017029180765-pat00023
Figure 112017029180765-pat00024
는 settled wastewater에서 3 - 14.3% (average 8.7%)로 금회 조사 결과 7.5%와 유사한 수준이며,
Figure 112017029180765-pat00025
Figure 112017029180765-pat00026
는 settled wastewater에서 4 - 20% (average 12.9%)로 금회 조사결과가 15.5%로 다소 높은 편이다.
Figure 112017029180765-pat00027
Figure 112017029180765-pat00028
가 높은 경우 primary 및 secondary 슬러지의 발생량이 증가하게 된다.
Figure 112017029180765-pat00029
Figure 112017029180765-pat00030
는 낮은 growth rate으로 인하여 유입하수에는 1% 미만으로 존재한다. 반면,
Figure 112017029180765-pat00031
Figure 112017029180765-pat00032
는 settled wastewater에 3.5 - 25% (average 12%)의 높은 비율로 존재한다.
본 발명에서 COD influent fraction analyzer (IFA) 적용 및 검증을 위해 대한민국 D시 7개 도시하수처리시설을 대상으로 하였다. 대상 하수처리시설들은 합류식 관거를 통하여 도시하수 및 공장폐수가 유입되고 있으며, P1 처리시설의 1개 계열은 MLE (Modified Ludzack-Ettinger) 공정이며, 나머지는 A2O 및 Johannesburg 공법으로 운영되고 있다. 도 3의 P1, P2, P3 처리시설은 일평균 design capacity가 140,000 - 680,000CMD 규모의 중대규모 하수처리시설이며, P5, P6, P7은 50,000CMD 이하의 중소규모 하수처리시설이다. 대한민국에서는 2012년 1월부터 total phosphorus 기준을 0.5mg/L 이하로 강화 (III 지역 기준)함에 따라, 7개 하수처리시설 모두 화학적 응집침전 또는 여과공정을 포함하는 3차 처리공정을 운영하고 있다.
혐기성 소화 공정은 design capacity가 100,000CMD 이상인 처리시설에서 중온혐기성 소화공정설비(mesophilic anaerobic digestion process)를 설치하여 운영하고 있으며, 100,000CMD 이하의 처리시설에서는 소화조를 운영하고 있지 않고, 농축 후 인근 하수처리시설에서 연계 처리하고 있다. 본 발명에서의 대상 모델 시뮬레이션은 COD fraction에 영향을 많이 받는 활성슬러지공정(activated sludge process)만을 대상으로 하였다.
대한민국의 경우 동절기 낮은 수온으로 인하여 세심한 운영이 요구되므로 2014년 11월에서 2015년 2월 동안의 주요정화폐수(primary clarifier effluent)를 대상으로 activated sludge process 처리수질을 시뮬레이션 하였다. Activated sludge process로의 동절기 평균 유입수질은 BOD 77.7mg/L, TSS 58.3mg/L, TN 25.1mg/L로 전형적인 저농도 폐수(low strength wastewater)이다. 이는 D시의 경우 노후 된 합류식 하수관거이며 지하수 및 불명수 유입이 많기 때문에 유입하수가 희석되기 때문이다. 특히, BOD에 비하여 총질소(total nitrogen)의 수질이 25.1mg/L로 낮은데, 이는 대한민국의 평균 질소 유입수질(약 40-50mg/L)에 비해 매우 낮은 수준이다. 이로 인하여 탈질(denitrification)을 위하여 carbon source (methanol)를 거의 사용하지 않거나 일부 시설(P6)만 소량 주입하고 있다.
활성슬러지 공정(Activated sludge process)의 운전조건은 내부 리사이클링(IR, internal recycling)이 평균 139%로 낮은데 이는 유입수 중의 낮은 유기물농축(organic material concentration) 때문이며, 이로 인하여 폭기탱크(aeration tank)의 용해산소(dissolved oxygen) 농도를 평균 3.2mg/L로 다소 높게 운영되고 있다. 처리수질의 경우 대부분 처리시설에서 전체 질화(full nitrification)가 수행되고 있으며, 총질소(total nitrogen) 농도 역시 평균 9.9mg/L로 대한민국 방류수 수질기준 20mg/L에 비하여 양호한 수준으로 운영되고 있다. TSS 농도 역시 평균 6.3mg/L 이하로 침전지 침전효율이 양호하게 운전되고 있다.
[표 2]
Figure 112017029180765-pat00033
본 발명의 성능을 테스트하기 위하여 S-시 서남하수처리시설 일차침전지 침전폐수(settled wastewater)를 대상으로 측정한 COD 분율과 IFA 결과를 비교하였다. 대한민국의 경우 CODcr 대신 CODmn을 설계 및 공정운영에 사용하므로 ASM 모델 적용시 사용가능한 유기물질(organic material) 측정항목은 TBOD와 TSS가 유일하다. 따라서, IFA의 입력변수 중 합성변수(composite variables)는 TBOD와 TSS만을 이용하여 TCOD, VSS 및 상태변수(state variables)를 평가하였다(Case-1).
[표 3]에서와 같이 IFA를 이용하여 계산한 결과와 실험결과와의 절대오차는 TCOD 1.5%, VSS 1.6%,
Figure 112017029180765-pat00034
Figure 112017029180765-pat00035
14.2%,
Figure 112017029180765-pat00036
Figure 112017029180765-pat00037
24.9%,
Figure 112017029180765-pat00038
Figure 112017029180765-pat00039
6.4% 및
Figure 112017029180765-pat00040
Figure 112017029180765-pat00041
3.1%로
Figure 112017029180765-pat00042
Figure 112017029180765-pat00043
를 제외하고 양호한 예측결과를 나타냈다.
[표 3]
Figure 112017029180765-pat00044
[표 3]의 Case-2는 TCOD를 측정이 가능하다고 가정하고, 시뮬레이션 한 결과이다. Case-2는
Figure 112017029180765-pat00045
Figure 112017029180765-pat00046
,
Figure 112017029180765-pat00047
Figure 112017029180765-pat00048
및
Figure 112017029180765-pat00049
Figure 112017029180765-pat00050
예측오차가 8.9%, 22.9% 및 3.8%로 Case-1에 비하여 감소하였으나,
Figure 112017029180765-pat00051
Figure 112017029180765-pat00052
는 12.0%로 오차가 Case-1에 비하여 다소 증가하였다. 실험실 OUR test의 분석오차를 고려할 때 두 가지 Case 모두 활성슬러지 공정 시뮬레이션에 적용이 가능할 것으로 판단되며, COD를 측정할 수 있는 경우 오차를 더욱 줄일 수 있다.
Figure 112017029180765-pat00053
Figure 112017029180765-pat00054
의 경우 두 Case에서 모두 오차가 큰 이유는 다른 state variables에 비하여 측정값이 낮기 때문에 오차가 증폭된 결과이며, 절대오차는 Case-1 및 Case-2에서 3.3mg/L 및 3.0mg./L로 TCOD의 약 1.8% 및 1.6% 수준으로 낮은 수준이므로 시뮬레이션 결과에 큰 영향을 주지 않을 것으로 판단된다.
도 3에서 보는 바와 같이, 본 발명을 이용하여 분석한 대한민국 D시 7개 하수처리시설 총 9개 침전폐수(settled wastewater)의 평균 COD 분율은
Figure 112017029180765-pat00055
Figure 112017029180765-pat00056
27.6%,
Figure 112017029180765-pat00057
Figure 112017029180765-pat00058
8.4%,
Figure 112017029180765-pat00059
Figure 112017029180765-pat00060
48.5%,
Figure 112017029180765-pat00061
Figure 112017029180765-pat00062
15.5%로 예측되었다. 하수관거 및 도시특성이 유사한 조건의 대한민국 S시의 실측 COD fraction 분석결과는 평균
Figure 112017029180765-pat00063
Figure 112017029180765-pat00064
25.6%,
Figure 112017029180765-pat00065
Figure 112017029180765-pat00066
7.5%,
Figure 112017029180765-pat00067
Figure 112017029180765-pat00068
52.2%,
Figure 112017029180765-pat00069
Figure 112017029180765-pat00070
15.5%로 본 IFA에 의한 평균결과와 유사한 COD fraction을 나타낼 수 있다.
D시 9시 하수처리시설의 상태변수(state variables)의 분율들은 동일 처리시설 내에서도 차이가 발생하고 있다. P1 처리시설의 경우 P1-A와 P1-B는 유사한 COD fraction을 나타내고 있는 반면, P1-C의 경우
Figure 112017029180765-pat00071
Figure 112017029180765-pat00072
비율이 P1-A, B에 비하여 8.7% 낮고,
Figure 112017029180765-pat00073
Figure 112017029180765-pat00074
의 비율이 9.3% 높은 것으로 분석되었다. 이러한 이유는 P1 처리시설의 경우 P1-C 계열로 산업폐수(industrial wastewater)가 유입되기 때문이다. 나머지 처리시설의 경우에도 P2와 P7의 경우 다른 처리시설에 비하여
Figure 112017029180765-pat00075
Figure 112017029180765-pat00076
가 높고, P6의 경우
Figure 112017029180765-pat00077
Figure 112017029180765-pat00078
가 상대적으로 높게 분석되었다. 이러한 이유는 각 하수처리시설에 음식물 폐기물 (food wastewater)의 반입량에 차이가 있기 때문이다. 대한민국의 경우 대부분 가정에서 발생하는 음식물을 처리기(disposer)를 이용하여 하수관거로 유입하지 않고, 별도로 수거하여 전처리 한 후 발생하는 폐수를 하수처리시설로 연계처리하고 있다. 이러한 이유로 하수처리장별 유입 COD fraction에 차이가 발생하고 있으며, 시뮬레이션 수행시 평균 COD fraction을 적용하는 경우 시뮬레이션 결과오차가 크게 발생 할 수 있다.
유입수 성상을 조사하기 어려운 설계 단계 또는 시간과 비용문제로 인하여 COD fraction 분석을 할 수 없는 경우 많은 엔지니어들이 COD fraction을 인근지역 조사자료 혹은 관련 문헌을 참고하여 COD fraction을 적용하는 경우가 많다. 이 경우에도 유입수 성상을 고려하지 못한 COD fraction 적용으로 인하여 시뮬레이션 결과에 오차를 유발 할 수 있다.
본 발명을 이용하는 경우 BOD 및 TSS 분석결과만을 이용하여 COD fraction을 추정하여 시뮬레이션 오차를 줄일 수 있다. IFA를 활용하는 경우 주의할 점은 각 COD fraction의 탐색범위가 적절히 설정되어야 한다는 점이다. 탐색하고자 하는 해당 COD fraction의 값이 COD fraction 탐색 범위에 포함되지 않는 경우 최적해(optimum value)를 얻을 수 없으며, 반대로 COD fraction 탐색 범위가 지나치게 넓은 경우 국소적 최적해(local optima)에 빠질 수 있기 때문에 최적해(optimum value)를 얻을 수 없다.
또한, 목적함수(objective function) 중
Figure 112017029180765-pat00079
Figure 112017029180765-pat00080
값은 민감도가 높은 coefficient로써, 처리되지 않은 폐수(raw wastewater)의 침전효율에 따라 값이 달라지므로 본 발명의 적용시 보정하여 사용해야 한다.
[표 4]를 살펴보면, IFA를 이용하여 분석한 7개 하수처리시설 9개 활성슬러지 공정(activated sludge process)에 대한 동절기 정상상태(steady state) 시뮬레이션을 수행하였다.
[표 4]
Figure 112017029180765-pat00081
유입수 COD fraction은 도 3을 적용하였고, NH4+-N은 총질소(total nitrogen)에서
Figure 112017029180765-pat00082
Figure 112017029180765-pat00083
를 제외한 값으로 적용하였다.
Figure 112017029180765-pat00084
Figure 112017029180765-pat00085
는 계산한
Figure 112017029180765-pat00086
Figure 112017029180765-pat00087
및
Figure 112017029180765-pat00088
Figure 112017029180765-pat00089
에서
Figure 112017029180765-pat00090
Figure 112017029180765-pat00091
의 비율 0.04을 각각 적용하여 계산하였고,
Figure 112017029180765-pat00092
Figure 112017029180765-pat00093
및
Figure 112017029180765-pat00094
Figure 112017029180765-pat00095
는 0으로 가정하였다.
Steady state 시뮬레이션은 IWA ASM no.1을 이용하였으며, Kinetic coefficient는 모두 내정값(default value)만을 사용하였다. 실측자료와 시뮬레이션 자료와의 캘리브레이션은 호기성 영역(aerobic zone)에서의 자동탈질화(simultaneous denitrification) 비율만을 조절하였다. ASM no.1에는 자동탈질화(simultaneous denitrification)는 포함되지 않으나, 본 발명에 적용한 MassFlow™에는 호기성 자동 탈질화(aerobic simultaneous denitrification)을 고려할 수 있으므로 캘리브레이션을 위하여 P1-B 2.4%, P1-C 2.0%, P3 2.5%, P5 10% 및 P7 12%을 적용하였다. 시뮬레이션 결과 처리수 TSS의 경우 실측자료와의 절대오류가 최대 0.7%, 총질소(total nitrogen)의 경우 3.3%, NH4+-N은 0.1mg/L 이내, NO3-―N은 3.9% 이내에서 양호한 수준으로 예측가능 하였다. 시뮬레이션 결과에서와 같이 유입 COD분율(influent COD fraction) 조절과 호기성 자동탈질화(aerobic simultaneous denitrification) 조절만으로도 우수한 정상상태(steady state) 시뮬레이션 결과를 얻을 수 있었다. 이러한 결과는 설계 시 IFA를 이용한 분율평가 결과를 활용한 공정설계에 활용될 수 있음을 시사한다.
도 4는 일실시예에 따른 유입하수 상태변수 평가 기술을 적용한 폐수 총질소량(폐수 총질소 다이나믹 시뮬레이션)에 대한 동적 시뮬레이션 결과를 나타내는 도면이다.
본 발명의 성능을 평가하기 위하여 D시 서부하수처리시설을 대상으로 2014년 9월부터 12월까지 122일동안 매일 IFA를 적용하는 조건과 (D-IFA) 유입 COD 분율이 일정하다는 조건 (A-IFA)으로 dynamic 시뮬레이션을 수행하였다. 서부 하수처리시설은 요하네스버그 공정(Johannesburg process)로 운영되고 있으며, 설계용량(design capacity)가 520,000CMD로 시뮬레이션 기간 동안의 일평균 유입하수량은 420,634CMD로 설계용량(design capacity)의 약 81%로 유입되고 있었다.
유입 BOD 및 TSS는 각각 89mg/L 및 56mg/L이며, BOD값으로부터 환산한 유입 COD는 174mg/L이다. 총질소(total nitrogen)은 55.8mg/L로 COD에 비하여 상대적으로 높은 편이며, C/N비가 3.1로 생물학적 질소제거(biological nitrogen removal)에 유리한 조건은 아니다. 하지만, 유입 COD가 낮고, 시뮬레이션 기간의 평균수온이 약 20도로 비교적 높아 질산화에 유리하고, 시설용량에 여유가 있어 질소제거에 양호한 조건이었다. 시뮬레이터는 MassFlow™를 이용하였다. 하수처리시설 운영자료를 이용하여 model 캘리브레이션을 수행한 결과 종속영양생물 온도보정계수 (temperature coefficient)를 1.01로, 독립영양생물 온도보정계수를 각각 1.05로,
Figure 112017029180765-pat00096
온도보정계수를 1.007로 보정하였으며, 폭기탱크(aeration tank)의 동시탈질화율(simultaneous denitrification rate)을 3.0%로 적용하였다.
두 가지 조건에 대한 동적 시뮬레이션 결과 RMSE 값에서 D-IFA가 BOD, TSS, 총질소(total nitrogen) 및 MLSS 모두 D-IFA가 우수하였다(아래 [표 5] 참고).
[표 5]
Figure 112017029180765-pat00097
BOD 및 TSS는 두 조건에서 큰 차이가 없었으나, 총질소(total nitrogen) 및 MLSS에서는 D-IFA가 우수하였다.
총질소(total nitrogen)의 경우 시뮬레이션 초기 2일에 A-IFA 시뮬레이션 결과가 운영자료에 비하여 급격히 상승하였는데, 이러한 이유는 A-IFA의 경우 steady-state조건에서 IFA를 이용하여 산출한 COD/BOD를 1.766으로 고정하여 사용하였기 때문이다. D-IFA를 이용한 이 시기의 적정 COD/BOD 비율은 약 1.633인 반면, A-IFA의 경우 COD/BOD를 1.766으로 사용함에 따라 유입 COD가 과대 산출되었고, 그 결과 높은 COD로 인하여 질화(nitrification) 효율이 낮아지게 되어 폐수(effluent)의 총질소(total nitrogen) 농도가 운영자료에 비하여 급격히 상승하게 되었다. 반면, 매일 유입수 분율(influent fraction)을 수행하는 D-IFA의 경우 유입 COD 농도를 BOD 및 TSS 농도에 따라 재 산정함으로써 실제 운영자료와 유사한 결과를 얻을 수 있었다. 이러한 이유로 RMSE 값은 두 결과가 0.32mg/L로 차이가 없으나 R^2의 경우에는 D-IFA의 0.68 인 반면, A-IFA는 R^2가 0.47로 D-IFA가 운영자료와의 상관관계가 우수한 시뮬레이션 결과를 나타내고 있다.
도 5는 일실시예에 따른 유입하수 상태변수 평가 기술을 적용한 MLSS(mixed liquer suspended solid)의 동적 시뮬레이션 결과를 나타내는 도면이다.
도 5의 도면부호 500에서 보는 바와 같이, MLSS의 경우에도 D-IFA의 시뮬레이션 결과는 운영자료와 비슷한 추세를 나타낸 반면, A-IFA는 지속적으로 감소하는 추세를 나타내고 있다. 이러한 이유는 MLSS 농도에 민감한 유입수
Figure 112017029180765-pat00098
Figure 112017029180765-pat00099
비율이 초기 23일까지는 평균 30% 였으나, 시간이 경과함에 따라 지속적으로 감소하여 40일 이후에는
Figure 112017029180765-pat00100
Figure 112017029180765-pat00101
비율이 약 20% 수준으로 낮아졌기 때문이다. A-IFA의 경우 평균
Figure 112017029180765-pat00102
Figure 112017029180765-pat00103
를 25.6%를 적용하였기 때문에 반응조 MLSS가 지속적으로 낮아지게 되었다.
결국, 유입하수의 BOD, TSS 및 TCOD 측정자료와 유사한 특성을 나타내는 지역의 상태변수의 범위 정보를 가지고 있는 경우, 본 발명을 활용하여 ASM no.1 model의 유입수 COD 분율(fraction) 추정이 가능하며, COD 분율(fraction) 분석실험에 소요되는 시간과 비용을 줄일 수 있을 것으로 기대한다. 또한, 신규 하수처리장 건설 시 유입하수 유기물질 농도를 측정하지 못하는 경우 본 발명을 활용함으로써 설계 신뢰도를 향상시킬 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 상태변수 평가 시스템
110: 산출부
120: 상태변수분율 추정부

Claims (12)

  1. 최적화 알고리즘, 방류수질에 대한 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)과 부유 물질(Total Suspended Solids, TSS)의 관계가 반영된 복합변수(complex variables), 및 ASM no.1 모델에 기초하여 상태변수(state variables)와의 관계식을 산출하는 산출부; 및
    상기 산출된 관계식에 기초하여 하수 유입수 중의 상태변수분율(state variables fraction)을 추정하는 상태변수분율 추정부를 포함하고,
    상기 산출부는,
    합성변수(composite variables)를 설정하고, 상기 설정된 합성변수(composite variables)에 기초하여 상태변수(state variables) 추정범위를 설정하며, 상기 설정된 합성변수(composite variables) 및 상기 상태변수(state variables) 추정범위에 기초하여 최적해를 도출하고, 상기 도출된 최적해를 반영하여 상태변수 분율을 산출하는 상태변수 평가 시스템.
  2. 제1항에 있어서,
    상기 산출부는,
    상기 최적화 알고리즘으로서 하모닉 서치 알고리즘(Harmony search algorithm)을 이용하는 상태변수 평가 시스템.
  3. 삭제
  4. 제1항에 있어서,
    상기 산출부는,
    상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD) 및 상기 부유 물질(Total Suspended Solids, TSS) 중에서 적어도 하나에 대한 실측치와 모의치 비교 결과를 고려하여 상기 최적해를 도출하는 과정을 반복하는 상태변수 평가 시스템.
  5. 제1항에 있어서,
    상기 산출부는,
    상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)에 대한 측정치 및 모의치의 BOD 차이값을 산출하고,
    상기 산출된 BOD 차이값에 대한 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)의 측정치 BOD 비율을 계산하되, 계산결과의 최소값을 산출하는 상태변수 평가 시스템.
  6. 제5항에 있어서,
    상기 산출부는,
    상기 부유 물질(Total Suspended Solids, TSS)에 대한 측정치 및 모의치의 TSS 차이값을 산출하고,
    상기 산출된 TSS 차이값에 대한 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)의 측정치 TSS 비율을 계산하며,
    상기 계산된 계산결과의 최소값과 상기 계산된 측정치 TSS 비율을 합산하여 상기 상태변수(state variables)와의 관계식을 산출하는 상태변수 평가 시스템.
  7. 최적화 알고리즘, 방류수질에 대한 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)과 부유 물질(Total Suspended Solids, TSS)의 관계가 반영된 복합변수(complex variables), 및 ASM no.1 모델에 기초하여 상태변수(state variables)와의 관계식을 산출하는 단계; 및
    상기 산출된 관계식에 기초하여 하수 유입수 중의 상태변수분율(state variables fraction)을 추정하는 단계를 포함하고,
    상기 산출하는 단계는,
    합성변수(composite variables)를 설정하는 단계;
    상기 설정된 합성변수(composite variables)에 기초하여 상태변수(state variables) 추정범위를 설정하는 단계;
    상기 설정된 합성변수(composite variables) 및 상기 상태변수(state variables) 추정범위에 기초하여 최적해를 도출하는 단계; 및
    상기 도출된 최적해를 반영하여 상태변수 분율을 산출하는 단계를 포함하는 상태변수 평가 시스템의 동작 방법.
  8. 제7항에 있어서,
    상기 산출하는 단계는,
    상기 최적화 알고리즘으로서 하모닉 서치 알고리즘(Harmony search algorithm)을 이용하는 단계를 포함하는 상태변수 평가 시스템의 동작 방법.
  9. 삭제
  10. 제7항에 있어서,
    상기 산출하는 단계는,
    상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD) 및 상기 부유 물질(Total Suspended Solids, TSS) 중에서 적어도 하나에 대한 실측치와 모의치 비교 결과를 고려하여 상기 최적해를 도출하는 과정을 반복하는 단계를 포함하는 상태변수 평가 시스템의 동작 방법.
  11. 제7항에 있어서,
    상기 산출하는 단계는,
    상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)에 대한 측정치 및 모의치의 BOD 차이값을 산출하는 단계; 및
    상기 산출된 BOD 차이값에 대한 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)의 측정치 BOD 비율을 계산하되, 계산결과의 최소값을 산출하는 단계를 더 포함하는 상태변수 평가 시스템의 동작 방법.
  12. 제11항에 있어서,
    상기 산출하는 단계는,
    상기 부유 물질(Total Suspended Solids, TSS)에 대한 측정치 및 모의치의 TSS 차이값을 산출하는 단계;
    상기 산출된 TSS 차이값에 대한 상기 생화학적 산소 요구량(Biochemical Oxygen Demand, BOD)의 측정치 TSS 비율을 계산하는 단계; 및
    상기 계산된 계산결과의 최소값과 상기 계산된 측정치 TSS 비율을 합산하여 상기 상태변수(state variables)와의 관계식을 산출하는 단계를 더 포함하는 상태변수 평가 시스템의 동작 방법.
KR1020170037417A 2017-03-24 2017-03-24 활성슬러지 모델링을 위한 유입하수 상태변수 평가 시스템 및 방법 KR101869011B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170037417A KR101869011B1 (ko) 2017-03-24 2017-03-24 활성슬러지 모델링을 위한 유입하수 상태변수 평가 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170037417A KR101869011B1 (ko) 2017-03-24 2017-03-24 활성슬러지 모델링을 위한 유입하수 상태변수 평가 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR101869011B1 true KR101869011B1 (ko) 2018-06-20

Family

ID=62769760

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170037417A KR101869011B1 (ko) 2017-03-24 2017-03-24 활성슬러지 모델링을 위한 유입하수 상태변수 평가 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR101869011B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100300820B1 (ko) 1999-05-03 2001-09-13 한상배 하수 및 폐수의 고도처리방법
JP2002062927A (ja) * 2000-08-22 2002-02-28 Hitachi Ltd 排水処理プロセスシミュレータ
JP2004121953A (ja) * 2002-10-01 2004-04-22 Fuji Electric Systems Co Ltd 下水処理プロセスのシミュレーション方法および下水処理プロセスシミュレータ
KR20090011513A (ko) * 2007-07-26 2009-02-02 주식회사 포스코건설 하수처리공정의 제어방법
KR101631188B1 (ko) 2015-11-06 2016-06-16 (주)썬텍엔지니어링 실시간 유량 자동연산장치를 탑재한 계측제어 시스템 및 방법
KR20160114211A (ko) * 2015-03-23 2016-10-05 대양엔바이오(주) 수 처리 시스템 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100300820B1 (ko) 1999-05-03 2001-09-13 한상배 하수 및 폐수의 고도처리방법
JP2002062927A (ja) * 2000-08-22 2002-02-28 Hitachi Ltd 排水処理プロセスシミュレータ
JP2004121953A (ja) * 2002-10-01 2004-04-22 Fuji Electric Systems Co Ltd 下水処理プロセスのシミュレーション方法および下水処理プロセスシミュレータ
KR20090011513A (ko) * 2007-07-26 2009-02-02 주식회사 포스코건설 하수처리공정의 제어방법
KR20160114211A (ko) * 2015-03-23 2016-10-05 대양엔바이오(주) 수 처리 시스템 및 방법
KR101631188B1 (ko) 2015-11-06 2016-06-16 (주)썬텍엔지니어링 실시간 유량 자동연산장치를 탑재한 계측제어 시스템 및 방법

Similar Documents

Publication Publication Date Title
Flores-Alsina et al. Including greenhouse gas emissions during benchmarking of wastewater treatment plant control strategies
Van Loosdrecht et al. Twenty-five years of ASM1: past, present and future of wastewater treatment modelling
Gernaey et al. Activated sludge wastewater treatment plant modelling and simulation: state of the art
Borzooei et al. Energy optimization of a wastewater treatment plant based on energy audit data: small investment with high return
Nuhoglu et al. Mathematical modelling of the activated sludge process—the Erzincan case
Lu et al. Automatic control and optimal operation for greenhouse gas mitigation in sustainable wastewater treatment plants: A review
Solon et al. Process schemes for future energy-positive water resource recovery facilities
Olsson Instrumentation, control and automation in the water industry–state-of-the-art and new challenges
Seco et al. Plant-wide modelling in wastewater treatment: showcasing experiences using the Biological Nutrient Removal Model
Dey et al. Fractional-order models identification and control within a supervisory control framework for efficient nutrients removal in biological wastewater treatment plants
Chen et al. An efficient approach based on bi-sensitivity analysis and genetic algorithm for calibration of activated sludge models
Rafati et al. Determine the most effective process control parameters on activated sludge based on particle swarm optimisation algorithm (Case Study: South wastewater treatment plant of Tehran)
Lee et al. Advances in distributed parameter approach to the dynamics and control of activated sludge processes for wastewater treatment
US20200262726A1 (en) Treatment of wastewater
KR101869011B1 (ko) 활성슬러지 모델링을 위한 유입하수 상태변수 평가 시스템 및 방법
Oleyiblo et al. Evaluation and improvement of wastewater treatment plant performance using BioWin
Ruiz et al. Practical review of modelling and simulation applications at full-scale wastewater treatment plants
Luca et al. Modelling and performance analysis of an urban wastewater treatment plant
Alwardy et al. Modelling and simulation of Al-muamirah wastewater treatment plant by GPS-X software
Beltrán et al. Advanced data management for optimising the operation of a full-scale WWTP
CN107720975A (zh) 一种乙醇类物质作为外加碳源的污水处理优化模拟方法
Haimi et al. Advanced operation and control methods of municipal wastewater treatment processes in Finland
Elshorbagy et al. Development of an ASM1 dynamic simulation model for an activated sludge process in United Arab Emirates
Abusam et al. Evaluation of control strategies using an oxidation ditch benchmark
Qi et al. An anoxic/oxic submerged constructed wetlands process for wastewater treatment: Modeling, simulation and evaluation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant