KR102158286B1 - Apparatus and method for estimating flooding - Google Patents
Apparatus and method for estimating flooding Download PDFInfo
- Publication number
- KR102158286B1 KR102158286B1 KR1020180002304A KR20180002304A KR102158286B1 KR 102158286 B1 KR102158286 B1 KR 102158286B1 KR 1020180002304 A KR1020180002304 A KR 1020180002304A KR 20180002304 A KR20180002304 A KR 20180002304A KR 102158286 B1 KR102158286 B1 KR 102158286B1
- Authority
- KR
- South Korea
- Prior art keywords
- manhole
- cumulative
- information
- rainfall
- amount
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000001186 cumulative effect Effects 0.000 claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 claims description 37
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000010865 sewage Substances 0.000 claims description 8
- 238000007654 immersion Methods 0.000 claims description 4
- 230000003746 surface roughness Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 22
- 238000004141 dimensional analysis Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06N3/0454—
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
침수 예측 방법 및 침수 예측 장치가 개시된다. 본 발명의 실시예에 따른 침수 예측 방법은, 누적강우와 맨홀별 누적월류량 간의 관계 정보를 기반으로, 강우정보에 대한 맨홀별 누적월류량을 예측하여 총 누적월류량을 산출하는 단계; 복수개의 총 침수량에 대응되는 침수심 지도들 중 상기 총 누적월류량에 대응되는 하나 이상의 침수심 지도를 결정하는 단계; 그리고 상기 하나 이상의 침수심 지도를 기반으로, 상기 강우정보에 따른 침수 분포를 예측하는 단계;를 포함한다.A flood prediction method and a flood prediction apparatus are disclosed. Inundation prediction method according to an embodiment of the present invention, based on the relationship information between the cumulative rainfall and the cumulative amount of overflow per manhole, calculating a total cumulative overcurrent amount by predicting the cumulative overcurrent amount for each manhole for rainfall information; Determining at least one submerged depth map corresponding to the total accumulated overcurrent from among a plurality of submerged depth maps corresponding to the total amount of flooding; And predicting a distribution of inundation according to the rainfall information based on the at least one flooding depth map.
Description
본 발명은 침수 예측 방법 및 침수 예측 장치에 관한 것이다.The present invention relates to a flood prediction method and a flood prediction apparatus.
국지성 집중호우, 돌발성 호우에 의한 침수 피해가 증가하고 있으며, 도시화의 영향으로 인해 피해액 뿐 아니라 피해 복구에도 막대한 비용과 시간이 요구되고 있다. 특히 대도시의 경우, 불투수면의 급증과 배수시스템의 변화 및 통수능력 부족으로 인해 내수침수 피해가 증가하고 있다. 내수침수 피해를 최소화하기 위해서는 홍수 위험 지역과 침수량을 신속하고 정확하게 예측할 필요가 있다. 기존의 침수 예측 방법은 과거 홍수 자료를 수집하여 모형을 구축하는데 장시간이 소요되고, 집중호우 시에 내수침수 지도를 실시간으로 예측할 수 없는 문제가 있다.Inundation damage due to localized torrential rains and sudden heavy rains is increasing, and due to the impact of urbanization, enormous costs and time are required for damage recovery as well as damages. In particular, in the case of large cities, damage to water inundation is increasing due to the rapid increase of the impermeable surface, changes in the drainage system, and insufficient water supply capacity. It is necessary to quickly and accurately predict the flood risk area and the amount of inundation in order to minimize the inundation damage. Existing inundation prediction methods take a long time to build a model by collecting historical flood data, and there is a problem in that it is not possible to predict inland flooding maps in real time during heavy rain.
본 발명은 2차원 내수침수 지도를 실시간 예측할 수 있는 침수 예측 방법 및 침수 예측 장치를 제공하기 위한 것이다.An object of the present invention is to provide a flood prediction method and a flood prediction apparatus capable of predicting a two-dimensional flooding map in real time.
또한, 본 발명은 맨홀의 총 누적월류량을 산정하고, 이를 기반으로 2차원 침수심 지도를 보간하여 침수 분포를 예측하는 침수 예측 방법 및 침수 예측 장치를 제공하기 위한 것이다.In addition, the present invention is to provide a flood prediction method and a flood prediction apparatus for predicting a flood distribution by calculating a total cumulative overflow of a manhole and interpolating a 2D flood depth map based on this.
본 발명이 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않는다. 언급되지 않은 다른 기술적 과제들은 이하의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by the present invention is not limited to the problems mentioned above. Other technical problems that are not mentioned will be clearly understood by those of ordinary skill in the art from the following description.
본 발명의 일 측면에 따르면, 누적강우와 맨홀별 누적월류량 간의 관계 정보를 기반으로, 강우정보에 대한 맨홀별 누적월류량을 예측하여 총 누적월류량을 산출하는 단계; 복수개의 총 침수량에 대응되는 침수심 지도들 중 상기 총 누적월류량에 대응되는 하나 이상의 침수심 지도를 결정하는 단계; 그리고 상기 하나 이상의 침수심 지도를 기반으로, 상기 강우정보에 따른 침수 분포를 예측하는 단계;를 포함하는 침수 예측 방법이 제공된다.According to an aspect of the present invention, based on the relationship information between the cumulative rainfall and the cumulative overcurrent by manhole, calculating a total cumulative overcurrent by predicting the cumulative overcurrent for each manhole with respect to the rainfall information; Determining at least one submerged depth map corresponding to the total accumulated overcurrent from among a plurality of submerged depth maps corresponding to the total amount of flooding; And predicting a distribution of inundation according to the rainfall information based on the at least one flooding depth map.
상기 침수 예측 방법은, 수집된 하수관 정보, 유역별 불투수율 정보 및 유역경사 정보를 기반으로, 누적강우 별로 맨홀별 월류량을 예측하는 단계; 그리고 상기 누적강우 별로 예측된 맨홀별 월류량을 기반으로, 제 1 신경망에 의해 상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 학습하는 단계;를 더 포함할 수 있다.The inundation prediction method includes: predicting the amount of overflow per manhole for each cumulative rainfall, based on the collected sewer pipe information, impermeability per basin information, and basin slope information; And learning relationship information between the cumulative rainfall and the cumulative overflow of each manhole by using a first neural network, based on the estimated amount of overflow per manhole for each cumulative rainfall.
상기 제 1 신경망은, 상기 누적강우가 상기 제 1 신경망의 제 1 입력값으로 입력되고, 상기 맨홀별 월류량을 상기 제 1 신경망의 출력값으로 포함하고, 상기 맨홀별 월류량의 출력값이 상기 제 1 신경망의 제 2 입력값으로 피드백되도록 구성될 수 있다.In the first neural network, the cumulative rainfall is input as a first input value of the first neural network, and the amount of overflow per manhole is included as an output value of the first neural network, and the output value of the amount of overflow per manhole is the first It may be configured to be fed back as a second input value of the neural network.
상기 하수관 정보는 맨홀의 표고, 맨홀 깊이, 하수관의 관로 모양, 관로 길이, 관로 폭 및 관로 경사를 포함할 수 있다.The sewage pipe information may include the elevation of the manhole, the depth of the manhole, the shape of the sewer pipe, the length of the pipe, the width of the pipe, and the slope of the pipe.
상기 침수 예측 방법은, 지형 표고 정보, 건물 정보 및 지표면 조도를 포함하는 지표 정보를 기반으로, 2차원 침수 해석에 의해 k개의 누적강우 별로 k개의 침수심 지도를 생성하는 단계; 그리고 제 2 신경망의 학습에 의해 상기 k개의 침수심 지도를 군집화하여, 2보다 크고 k보다 작은 m개의 침수심 지도들을 생성하는 단계;를 더 포함할 수 있다.The inundation prediction method includes the steps of: generating k inundation depth maps for each k cumulative rainfall based on indicator information including topographic elevation information, building information, and surface illuminance; And clustering the k flood depth maps by learning of the second neural network to generate m flood depth maps greater than 2 and less than k.
상기 하나 이상의 침수심 지도를 결정하는 단계는, 상기 m개의 침수심 지도들 중 상기 총 누적월류량에 가장 가까운 2개의 총 침수량에 대응하는 2개의 침수심 지도를 보간하여 상기 침수 분포를 예측할 수 있다.The determining of the at least one submerged depth map may include interpolating two submerged depth maps corresponding to two total submerged amounts closest to the total accumulated overcurrent among the m submerged depth maps to predict the submersion distribution. have.
본 발명의 다른 측면에 따르면, 상기 침수 예측 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공된다.According to another aspect of the present invention, there is provided a computer-readable recording medium in which a program for executing the immersion prediction method is recorded.
본 발명의 또 다른 측면에 따르면, 누적강우와 맨홀별 누적월류량 간의 관계 정보와, 복수개의 총 침수량에 대응되는 침수심 지도들을 저장하는 저장부; 상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 기반으로, 강우정보에 대한 맨홀별 누적월류량을 예측하여 총 누적월류량을 산출하는 제 1 예측부; 상기 복수개의 총 침수량에 대응되는 침수심 지도들 중 상기 총 누적월류량에 대응되는 하나 이상의 침수심 지도를 결정하는 결정부; 및 상기 하나 이상의 침수심 지도를 기반으로, 상기 강우정보에 따른 침수 분포를 예측하는 제 2 예측부;를 포함하는 침수 예측 장치가 제공된다.According to another aspect of the present invention, there is provided a storage unit for storing relationship information between cumulative rainfall and cumulative overcurrent for each manhole, and flood depth maps corresponding to a plurality of total flooded amounts; A first predictor for calculating a total cumulative moon flow by predicting the cumulative moon flow for each manhole with respect to the rainfall information, based on the relationship information between the cumulative rainfall and the cumulative moon flow for each manhole; A determination unit for determining at least one submerged depth map corresponding to the total accumulated overcurrent from among the plurality of submerged depth maps corresponding to the total amount of flooding; And a second prediction unit that predicts a distribution of inundation according to the rainfall information based on the at least one flooding depth map.
상기 침수 예측 장치는, 수집된 하수관 정보, 유역별 불투수율 정보 및 유역경사 정보를 기반으로, 누적강우 별로 맨홀별 월류량을 산정하는 산정부; 및 상기 누적강우 별로 예측된 맨홀별 월류량을 기반으로, 제 1 신경망에 의해 상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 학습하는 제 1 학습부;를 더 포함할 수 있다.The inundation prediction apparatus includes: a calculation unit that calculates the amount of overflow per manhole for each cumulative rainfall, based on the collected sewage pipe information, water impermeability information for each basin, and basin slope information; And a first learning unit that learns relationship information between the cumulative rainfall and the cumulative overflow per manhole by a first neural network, based on the estimated amount of overflow per manhole for each cumulative rainfall.
상기 침수 예측 장치는, 지형 표고 정보, 건물 정보 및 지표면 조도를 포함하는 지표 정보를 기반으로, 2차원 침수 해석에 의해 k개의 누적강우 별로 k개의 침수심 지도를 생성하는 2차원 해석부; 및 제 2 신경망의 학습에 의해 상기 k개의 침수심 지도를 군집화하여, 2보다 크고 k보다 작은 m개의 상기 침수심 지도들을 생성하는 제 2 학습부;를 더 포함할 수 있다.The inundation prediction apparatus includes: a two-dimensional analysis unit that generates k maps of inundation depth for each k cumulative rainfall by two-dimensional inundation analysis, based on indicator information including topographic elevation information, building information, and surface roughness; And a second learning unit that clusters the k flood depth maps by learning of a second neural network to generate m flood depth maps greater than 2 and less than k.
상기 결정부는 상기 m개의 침수심 지도들 중 상기 총 누적월류량에 가장 가까운 2개의 총 침수량에 대응하는 2개의 침수심 지도를 선택하고, 상기 제 2 예측부는 선택된 상기 2개의 침수심 지도를 보간하여 상기 침수 분포를 예측할 수 있다.The determination unit selects two submerged depth maps corresponding to two total submerged amounts closest to the total accumulated overcurrent among the m submerged depth maps, and the second prediction unit interpolates the selected two submerged depth maps. Thus, it is possible to predict the flooding distribution.
본 발명의 실시예에 의하면, 2차원 내수침수 지도를 실시간 예측할 수 있는 침수 예측 방법 및 침수 예측 장치가 제공된다.According to an embodiment of the present invention, a flood prediction method and a flood prediction apparatus capable of real-time prediction of a two-dimensional flooded flood map are provided.
또한, 본 발명의 실시예에 의하면, 맨홀의 총 누적월류량을 산정하고, 이를 기반으로 2차원 침수심 지도를 보간하여 침수 분포를 예측하는 침수 예측 방법 및 침수 예측 장치가 제공된다.In addition, according to an embodiment of the present invention, there is provided a flood prediction method and a flood prediction apparatus for predicting a flood distribution by calculating a total cumulative overcurrent amount of a manhole and interpolating a two-dimensional flood depth map based on this.
본 발명의 효과는 상술한 효과들로 제한되지 않는다. 언급되지 않은 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.The effect of the present invention is not limited to the above-described effects. Effects not mentioned will be clearly understood by those of ordinary skill in the art from the present specification and the accompanying drawings.
도 1은 본 발명의 일 실시예에 따른 침수 예측 방법의 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 침수 예측 장치의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 침수 예측 방법을 설명하기 위한 개념도이다.
도 4는 침수를 일으킨 실제 강우 데이터를 예시한 도면이다.
도 5는 가상으로 생성된 강우 시나리오를 예시한 도면이다.
도 6은 본 발명의 실시예에 따른 침수 예측 장치를 구성하는 제 1 신경망의 개념도이다.
도 7은 본 발명의 실시예에 따른 침수 예측 방법에 사용된 누적강우의 입력값을 예시한 도면이다.
도 8은 본 발명의 실시예에 따른 침수 예측 방법에 사용된 맨홀의 누적월류량 출력값(목표값)을 예시한 도면이다.
도 9는 본 발명의 실시예에 따라 특정 누적강우로부터 생성된 침수심 지도를 예시한 도면이다.
도 10은 본 발명의 실시예에 따라 생성된 침수심 지도들을 예시한 도면이다.
도 11은 본 발명의 실시예에 따라 36개의 침수심 지도(최적 최대침수심 지도)를 생성한 결과를 예시한 도면이다.
도 12는 본 발명의 실시예에 따른 침수 예측 방법에 사용된 강우정보를 예시한 도면이다.
도 13은 본 발명의 실시예에 따라 침수 예측을 위해 산출된 맨홀의 누적월류량을 예시한 도면이다.
도 14 및 도 15는 본 발명의 실시예에 따라 산출된 맨홀의 월류량을 시뮬레이션 결과와 비교한 그래프이다.1 is a flow chart of a flood prediction method according to an embodiment of the present invention.
2 is a block diagram of an apparatus for predicting flooding according to an embodiment of the present invention.
3 is a conceptual diagram illustrating a flooding prediction method according to an embodiment of the present invention.
4 is a diagram illustrating actual rainfall data that caused flooding.
5 is a diagram illustrating a virtually generated rainfall scenario.
6 is a conceptual diagram of a first neural network constituting a flood prediction apparatus according to an embodiment of the present invention.
7 is a diagram illustrating an input value of cumulative rainfall used in a flood prediction method according to an embodiment of the present invention.
8 is a diagram illustrating an output value (target value) of a manhole's cumulative overcurrent used in a method for predicting flooding according to an embodiment of the present invention.
9 is a diagram illustrating a flood depth map generated from a specific cumulative rainfall according to an embodiment of the present invention.
10 is a diagram illustrating submerged depth maps generated according to an embodiment of the present invention.
11 is a diagram illustrating a result of generating 36 submerged depth maps (optimal maximum submerged depth map) according to an embodiment of the present invention.
12 is a diagram illustrating rainfall information used in a flood prediction method according to an embodiment of the present invention.
13 is a diagram illustrating a cumulative overcurrent amount of a manhole calculated for flood prediction according to an embodiment of the present invention.
14 and 15 are graphs comparing the amount of overflow of a manhole calculated according to an embodiment of the present invention with a simulation result.
본 발명의 다른 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술하는 실시예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되지 않으며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 만일 정의되지 않더라도, 여기서 사용되는 모든 용어들(기술 혹은 과학 용어들을 포함)은 이 발명이 속한 종래 기술에서 보편적 기술에 의해 일반적으로 수용되는 것과 동일한 의미를 갖는다. 공지된 구성에 대한 일반적인 설명은 본 발명의 요지를 흐리지 않기 위해 생략될 수 있다. 본 발명의 도면에서 동일하거나 상응하는 구성에 대하여는 가급적 동일한 도면부호가 사용된다. 본 발명의 이해를 돕기 위하여, 도면에서 일부 구성은 다소 과장되거나 축소되어 도시될 수 있다.Other advantages and features of the present invention, and a method of achieving them will become apparent with reference to embodiments to be described later in detail together with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, and the present invention is only defined by the scope of the claims. Even if not defined, all terms (including technical or scientific terms) used herein have the same meaning as commonly accepted by universal technology in the prior art to which this invention belongs. General descriptions of known configurations may be omitted so as not to obscure the subject matter of the present invention. In the drawings of the present invention, the same reference numerals are used as much as possible for the same or corresponding configurations. In order to help the understanding of the present invention, some configurations in the drawings may be somewhat exaggerated or reduced.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다", "가지다" 또는 "구비하다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 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.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present application, terms such as "comprise", "have" or "have" are intended to designate the presence of features, numbers, steps, actions, components, parts, or a combination thereof described in the specification. It is to be understood that the possibility of the presence or addition of other features, numbers, steps, actions, elements, parts, or combinations thereof, or further other features, is not precluded.
본 명세서 전체에서 사용되는 '~부'는 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있다. 그렇지만 '~부'가 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.The'~ unit' used throughout this specification is a unit that processes at least one function or operation, and may mean, for example, a hardware component such as software, FPGA, or ASIC. However,'~ part' is not limited to software or hardware. The'~ unit' may be configured to be in an addressable storage medium, or may be configured to reproduce one or more processors.
일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함할 수 있다. 구성요소와 '~부'에서 제공하는 기능은 복수의 구성요소 및 '~부'들에 의해 분리되어 수행될 수도 있고, 다른 추가적인 구성요소와 통합될 수도 있다.As an example,'~ unit' refers to components such as software components, object-oriented software components, class components, and task components, processes, functions, properties, procedures, and subs. Routines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables. The components and functions provided by the'~ unit' may be performed separately by a plurality of elements and the'~ units', or may be integrated with other additional elements.
도 1은 본 발명의 일 실시예에 따른 침수 예측 방법의 흐름도이다. 도 2는 본 발명의 일 실시예에 따른 침수 예측 장치의 구성도이다. 도 3은 본 발명의 일 실시예에 따른 침수 예측 방법을 설명하기 위한 개념도이다. 이하에서 도 1 내지 도 3을 참조하여 본 발명의 실시예에 따른 침수 예측 방법 및 침수 예측 장치를 설명한다.1 is a flowchart of a method for predicting flooding according to an embodiment of the present invention. 2 is a block diagram of an apparatus for predicting flooding according to an embodiment of the present invention. 3 is a conceptual diagram illustrating a flood prediction method according to an embodiment of the present invention. Hereinafter, a flood prediction method and a flood prediction apparatus according to an embodiment of the present invention will be described with reference to FIGS. 1 to 3.
본 발명의 실시예에 따른 침수 예측 장치(100)는 산정부(110), 제 1 학습부(120), 2차원 해석부(130), 제 2 학습부(140), 저장부(150), 제 1 예측부(160), 결정부(170) 및 제 2 예측부(180)를 포함한다.
산정부(110)는 침수 분석 대상 지역의 하수관 정보, 유역별 불투수율 정보 및 유역경사 정보를 기반으로, 누적강우 별로 맨홀별 월류량을 예측한다(도 1의 단계 S10).The
하수관 정보는 맨홀들 각각의 표고와 깊이, 하수관의 관로 모양, 관로 길이, 관로 폭 및 관로 경사를 포함할 수 있다. 불투수율 정보는 흙, 아스팔트 등에 따라 변화되는 빗물의 투수율을 나타낼 수 있다. 유역경사는 유역별 최대 표고와 최저 표고의 차이일 수 있다.The sewer pipe information may include an elevation and depth of each manhole, a pipe shape of a sewer pipe, a pipe length, a pipe width, and a pipe slope. The impermeability information may indicate the permeability of rainwater that changes according to soil, asphalt, and the like. The watershed slope may be the difference between the maximum and minimum elevations for each watershed.
산정부(110)는 하수관 관리 시스템에 구축되어 있는 데이터베이스로부터 침수 분석 대상 지역의 하수관 정보, 유역별 불투수율 정보, 유역경사 정보를 제공받을 수 있다. 이를 위해, 침수 예측 장치(100)에는 침수 예측을 위해 필요한 각종 데이터를 송수신하기 위한 유/무선 통신부(도시생략)가 구비될 수 있다.The
누적강우는 제 1 학습부(120)의 학습을 위한 입력값에 해당한다. 누적강우는 시간별 강우량 변화를 나타내는 데이터로 제공될 수 있다. 누적강우는 도 4의 예와 같이, 침수 분석 대상 지역에 침수를 일으킨 실제 강우 데이터일 수도 있고, 도 5의 예와 같이 가상으로 생성된 강우 시나리오일 수도 있다.The cumulative rainfall corresponds to an input value for learning by the
맨홀별 월류량은 각 맨홀에서 빗물이 월류하는 유량을 나타낸다. 누적강우 자료가 입력되면, 산정부(110)는 각종 하수관 정보, 유역별 불투수율 정보 및 유역경사 정보를 기반으로 맨홀 월류지점과, 맨홀별 월류량을 산정한다.The amount of overflow per manhole represents the flow rate that rainwater overflows in each manhole. When the cumulative rainfall data is input, the
누적강우 별로 맨홀별 월류량이 산정되면, 제 1 학습부(120)는 누적강우 별로 예측된 맨홀별 월류량을 기반으로 제 1 신경망(10)에 의해 누적강우와 맨홀별 누적월류량 간의 관계 정보를 학습한다(도 1의 단계 S20).When the amount of overflow per manhole is calculated for each cumulative rainfall, the
도 6은 본 발명의 실시예에 따른 침수 예측 장치를 구성하는 제 1 신경망(도 3의 도면부호 10)의 개념도이다. 도 7은 본 발명의 실시예에 따른 침수 예측 방법에 사용된 누적강우의 입력값을 예시한 도면이다. 도 8은 본 발명의 실시예에 따른 침수 예측 방법에 사용된 맨홀의 누적월류량 출력값(목표값)을 예시한 도면이다.6 is a conceptual diagram of a first neural network (
도 3, 도 6 내지 도 8을 참조하면, 제 1 신경망(10)은 누적강우가 제 1 입력값으로 입력되고, 맨홀별 월류량을 출력값(목표값)으로 포함하고, 맨홀별 월류량의 출력값이 제 2 입력값으로 피드백되도록 구성될 수 있다.3, 6 to 8, the first
맨홀별 월류량의 출력값 z(t+n)은 t 시점까지의 누적강우에 따른 t+n 시점에서의 맨홀별 월류량을 나타낸다. 맨홀별 월류량의 이전 출력값 z(t+n-1)은 제 1 신경망(10)의 제 2 입력값으로 피드백된다.The output value z(t+n) of the amount of overflow by manhole represents the amount of overflow by manhole at the time t+n according to the cumulative rainfall up to the time t. The previous output value z(t+n-1) of the amount of overflow per manhole is fed back to the second input value of the first
제 1 신경망(10)은 맨홀별 월류량의 직전 출력값 z(t+n-1)을 포함하여 q개(q는 1 이상의 정수)의 이전 출력값이 제 2 입력값으로 피드백될 수 있다. 입력값과 출력값(목표값) 사이에는 복수층의 은닉층이 포함될 수 있다.The first
일 실시예로, 제 1 신경망(10)은 외생변수의 입력을 가지는 비선형 순환형 자기회귀 신경망(nonlinear autoregressive neural network with exougeneous inputs)으로 제공될 수 있다.In one embodiment, the first
다시 도 1 내지 도 3을 참조하면, 2차원 해석부(130)는 지형 표고 정보, 건물 정보 및 지표면 조도를 포함하는 지표 정보를 기반으로, 2차원 침수 해석에 의해 k개의 누적강우 별로 k개의 침수심 지도(40)를 생성한다(도 1의 단계 S30).Referring back to FIGS. 1 to 3, the two-
2차원 해석부(130)는 2차원 지도에서 지형 표고와 건물을 추출하고, 토지이용도, 토양도를 이용하여 조도계수를 산정하여 지표면 거칠기에 따른 상수값을 산정하고, 지형 표고 정보, 건물 정보, 지표면 조도에 따른 상수값을 기반으로 침수심 지도(40)를 생성할 수 있다.The two-
도 9는 본 발명의 실시예에 따라 특정 누적강우로부터 생성된 침수심 지도를 예시한 도면이다. 도 9의 예에서, 침수심 지도는 약 25만개의 격자에 대한 침수심 정보를 포함하고 있다.9 is a diagram illustrating a flood depth map generated from a specific cumulative rainfall according to an embodiment of the present invention. In the example of FIG. 9, the immersion depth map includes immersion depth information for about 250,000 grids.
도 1 내지 도 3, 도 9를 참조하면, 제 2 학습부(140)는 제 2 신경망(50)의 학습에 의해 k개(k는 누적강우의 개수)의 2차원 침수심 지도(40)를 군집화하여, 미리 설정된 개수(2보다 크고 k보다 작은 m개)의 2차원 침수심 지도들(60)을 생성한다(도 1의 단계 S40).1 to 3 and 9, the
일 실시예로, 제 2 신경망(50)은 입력벡터 자료만으로 학습이 가능하고 고차원의 위상 데이터로부터 저차원의 위상으로 정리된 출력 데이터를 형성하는 자기조직화 신경망(self-organizing map neural network)으로 제공될 수 있다.In one embodiment, the second
제 1 학습부(120)의 학습에 의해 생성된 누적강우와 맨홀별 누적월류량 간의 관계 정보, 제 2 학습부(140)의 학습에 의해 생성된 복수개(k개)의 침수심 지도들은 저장부(150)에 저장된다.Information on the relationship between the cumulative rainfall generated by the learning of the
또한, 침수심 지도들에 각각 대응되는 k개의 총 침수량(70) 정보도 저장부(150)에 저장된다. 이때 총 침수량(70)은 학습에 사용된 각 침수심 지도에 대한 누적강우에 따른 맨홀의 총 누적월류량에 상응하는 값일 수 있다.In addition, information on k total flooded amounts 70 corresponding to each of the flood depth maps is also stored in the
도 10은 본 발명의 실시예에 따라 생성된 침수심 지도들을 예시한 도면이다. 도 10에는 1024개의 침수심 지도를 군집화하여 각각 16개, 25개, 36개의 침수심 지도를 생성한 결과가 도시되어 있다.10 is a diagram illustrating submerged depth maps generated according to an embodiment of the present invention. FIG. 10 shows the results of creating 16, 25, and 36 flood depth maps by clustering 1024 flood depth maps.
도 11은 본 발명의 실시예에 따라 36개의 침수심 지도(최적 최대침수심 지도)를 생성한 결과를 예시한 도면이다. 침수심 지도를 2차원 해석 결과와 비교한 결과, 36개(6×6)의 침수심 지도를 생성하였을 때의 침수 면적 적합도가 78.47%로 가장 높았다. 16개, 25개의 침수심 지도를 생성한 경우의 침수 면적 적합도는 각각 76.01%, 73.73%였다.11 is a diagram illustrating a result of generating 36 submerged depth maps (optimal maximum submerged depth map) according to an embodiment of the present invention. As a result of comparing the submerged depth map with the two-dimensional analysis results, when 36 (6×6) submerged depth maps were generated, the fit of the submerged area was the highest at 78.47%. When 16 and 25 submerged depth maps were generated, the degree of fit of submerged area was 76.01% and 73.73%, respectively.
다시 도 1 내지 도 3을 참조하면, 제 1 예측부(160)는 제 1 학습부(120)에 의해 생성된 누적강우와 맨홀별 누적월류량 간의 관계 정보를 기반으로, 강우정보에 대한 맨홀별 월류량(20)을 예측하여 총 누적월류량을 산출한다(도 1의 단계 S50).Referring back to FIGS. 1 to 3, the
강우정보는 침수 분석 대상 지역에 대해 침수를 예측하기 위한 강우 자료를 의미한다. 제 1 예측부(160)는 강우정보를 제 1 신경망(10)의 입력값에 적용하여 그 출력값(목표값)에 해당하는 맨홀별 월류량(20)을 산출하고, 맨홀별 월류량(20)을 모두 합산하여 맨홀의 총 누적월류량(30)을 산출할 수 있다.Rainfall information refers to rainfall data for predicting inundation in the area subject to inundation analysis. The
도 12는 본 발명의 실시예에 따른 침수 예측 방법에 사용된 강우정보를 예시한 도면이다. 도 13은 본 발명의 실시예에 따라 침수 예측을 위해 산출된 맨홀의 월류량을 예시한 도면이다. 도 14 및 도 15는 본 발명의 실시예에 따라 산출된 맨홀의 월류량을 시뮬레이션 결과와 비교한 그래프이다.12 is a diagram illustrating rainfall information used in a flood prediction method according to an embodiment of the present invention. 13 is a diagram illustrating an overflow amount of a manhole calculated to predict flooding according to an embodiment of the present invention. 14 and 15 are graphs comparing the amount of overflow of a manhole calculated according to an embodiment of the present invention with a simulation result.
도 14 및 도 15의 도시와 같이, 본 발명의 실시예에 따라 산출되는 맨홀의 월류량은 시뮬레이션 결과와 유사하다. 예측 모델의 예측력을 평가하기 위한 효율계수(NSE; Nash-Sutcliffe Efficiency)는 0.98로 측정되었다.As shown in FIGS. 14 and 15, the amount of overflow of the manhole calculated according to the embodiment of the present invention is similar to the simulation result. Nash-Sutcliffe Efficiency (NSE) for evaluating the predictive power of the predictive model was measured to be 0.98.
다시 도 1 내지 도 3을 참조하면, 결정부(170)는 제 1 예측부(160)로부터 맨홀의 총 누적월류량을 입력받고, 복수개(k개)의 총 침수량에 대응되는 침수심 지도들 중 맨홀의 총 누적월류량에 대응되는 하나 이상의 침수심 지도를 결정한다(도 1의 단계 S60). 결정부(170)는 m개의 침수심 지도들(60) 중, 맨홀의 총 누적월류량(30)에 가장 가까운 2개의 총 침수량에 대응하는 2개의 침수심 지도를 선택할 수 있다.Referring back to FIGS. 1 to 3, the
다음으로, 제 2 예측부(180)는 결정부(170)에 의해 결정된 침수심 지도를 기반으로, 강우정보에 따른 침수 분포를 예측한다(도 1의 단계 S70). 제 2 예측부(180)는 m개의 침수심 지도들(60) 중 맨홀의 총 누적월류량에 가장 가까운 2개의 총 침수량에 대응하는 2개의 침수심 지도를 보간(80)하여 침수 분포를 예측할 수 있다.Next, the
제 2 예측부(180)에 의해 생성되는 침수 분포는 2차원 침수심 지도(90) 형태로 제공될 수 있다. 결정부(170)에 의해 선택된 2개의 침수심 지도의 i번째 셀(cell)의 침수심이 각각 f_i1, f_i2 이고, 2개의 침수심 지도의 총 침수량이 각각 F_i1, F_i2 이고, 맨홀의 총 누적월류량이 M 인 경우, 제 2 예측부는 i번째 셀의 침수심(mi)을 수식 mi = {f_i1(F_i2-M)+f_i2(M-F_i1)}/(F_i2-F_i1)에 따라 산정할 수 있다.The flood distribution generated by the
본 발명의 실시예에 의하면, 순환형 인공신경망(제 1 신경망)과 제 2 신경망에 의해 생성된 자기조직화 침수심 지도를 이용하여 새로운 강우에 대한 실시간 예측이 가능하며, 1차원 도시침수 해석 결과가 주어지지 않더라도, 강우정보만으로 내수 침수의 예측이 가능하다.According to an embodiment of the present invention, real-time prediction of new rainfall is possible by using a self-organizing submerged depth map generated by a circular artificial neural network (first neural network) and a second neural network, and a one-dimensional urban flood analysis result is Even if not given, it is possible to predict the inundation of domestic water only with rainfall information.
본 발명의 실시예에 의하면, 비선형 자기회귀 신경망과 자기조직화 지도 신경망을 연계함으로써 2차원 내수 침수를 대략 10초 내에 실시간으로 예측할 수 있다. 또한, 맨홀의 월류 지점 및 각 맨홀별 월류량의 예측이 가능하다.According to an embodiment of the present invention, by linking the nonlinear autoregressive neural network and the self-organizing map neural network, it is possible to predict the 2-dimensional inland water inundation in real time within approximately 10 seconds. In addition, it is possible to predict the overflow point of the manhole and the amount of overflow for each manhole.
본 발명의 실시예에 따른 방법은 예를 들어 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 컴퓨터로 읽을 수 있는 기록매체는 SRAM(Static RAM), DRAM(Dynamic RAM), SDRAM(Synchronous DRAM) 등과 같은 휘발성 메모리, ROM(Read Only Memory), PROM(Programmable ROM), EPROM(Electrically Programmable ROM), EEPROM(Electrically Erasable and Programmable ROM), 플래시 메모리 장치, PRAM(Phase-change RAM), MRAM(Magnetic RAM), RRAM(Resistive RAM), FRAM(Ferroelectric RAM)과 같은 불휘발성 메모리, 플로피 디스크, 하드 디스크 또는 광학적 판독 매체 예를 들어 시디롬, 디브이디 등과 같은 형태의 저장매체일 수 있으나, 이에 제한되지는 않는다.The method according to an embodiment of the present invention can be written as a program that can be executed on a computer, and can be implemented in a general-purpose digital computer that operates the program using a computer-readable recording medium. Computer-readable recording media include volatile memories such as SRAM (Static RAM), DRAM (Dynamic RAM), SDRAM (Synchronous DRAM), Read Only Memory (ROM), Programmable ROM (PROM), Electrically Programmable ROM (EPROM), Nonvolatile memory such as Electrically Erasable and Programmable ROM (EEPROM), flash memory device, phase-change RAM (PRAM), magnetic RAM (MRAM), resistive RAM (RRAM), ferroelectric RAM (FRAM), floppy disk, hard disk, or The optical reading medium may be, for example, a storage medium in the form of a CD-ROM or a DVD, but is not limited thereto.
이상의 실시예들은 본 발명의 이해를 돕기 위하여 제시된 것으로, 본 발명의 범위를 제한하지 않으며, 이로부터 다양한 변형 가능한 실시예들도 본 발명의 범위에 속하는 것임을 이해하여야 한다. 본 발명의 기술적 보호범위는 특허청구범위의 기술적 사상에 의해 정해져야 할 것이며, 본 발명의 기술적 보호범위는 특허청구범위의 문언적 기재 그 자체로 한정되는 것이 아니라 실질적으로는 기술적 가치가 균등한 범주의 발명까지 미치는 것임을 이해하여야 한다.It should be understood that the above embodiments have been presented to aid the understanding of the present invention, and do not limit the scope of the present invention, and various deformable embodiments are also within the scope of the present invention. The technical protection scope of the present invention should be determined by the technical idea of the claims, and the technical protection scope of the present invention is not limited to the literal description of the claims itself, but a scope that has substantially equal technical value. It should be understood that it extends to the invention of.
100: 침수 예측 장치
110: 산정부
120: 제 1 학습부
130: 2차원 해석부
140: 제 2 학습부
150: 저장부
160: 제 1 예측부
170: 결정부
180: 제 2 예측부100: flood prediction device
110: mountain government
120: first learning department
130: two-dimensional analysis unit
140: second learning unit
150: storage unit
160: first prediction unit
170: decision part
180: second prediction unit
Claims (13)
상기 적어도 하나의 프로세서에 의해, 상기 누적강우 별로 예측된 맨홀별 월류량을 기반으로, 제 1 신경망에 의해 상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 학습하는 단계;
상기 적어도 하나의 프로세서에 의해, 누적강우와 맨홀별 누적월류량 간의 관계 정보를 기반으로, 강우정보에 대한 맨홀별 누적월류량을 예측하여 총 누적월류량을 산출하는 단계;
상기 적어도 하나의 프로세서에 의해, 지형 표고 정보, 건물 정보 및 지표면 조도를 포함하는 지표 정보를 기반으로, 2차원 침수 해석에 의해 k개의 누적강우 별로 k개의 2차원 침수심 지도를 생성하는 단계;
상기 적어도 하나의 프로세서에 의해, 제 2 신경망의 학습에 의해 상기 k개의 2차원 침수심 지도를 군집화하여, 2보다 크고 상기 k보다 작은 m개의 총 침수량에 대응되는 2차원 침수심 지도들을 생성하는 단계; 그리고
상기 적어도 하나의 프로세서에 의해, 상기 m개의 2차원 침수심 지도들 중 상기 총 누적월류량에 가장 가까운 2개의 총 침수량에 대응하는 2개의 2차원 침수심 지도를 보간하여 상기 침수 분포를 예측하는 단계;를 포함하고,
상기 2차원 침수심 지도는 2차원 지도의 격자들의 침수심 정보를 포함하는 침수 예측 방법.Predicting, by at least one processor, the amount of overflow per manhole for each cumulative rainfall, based on sewer pipe information, watershed impermeability information, and watershed slope information;
Learning, by the at least one processor, relationship information between the cumulative rainfall and the cumulative overcurrent by manhole by a first neural network, based on the estimated amount of overflow per manhole for each cumulative rainfall;
Calculating, by the at least one processor, a total cumulative overcurrent amount by predicting the cumulative overcurrent amount for each manhole with respect to the rainfall information, based on relationship information between the cumulative rainfall and the cumulative overcurrent amount for each manhole;
Generating, by the at least one processor, k 2D flood depth maps for each k cumulative rainfall based on indicator information including topographic elevation information, building information, and surface illuminance;
Clustering the k two-dimensional submerged depth maps by learning of a second neural network by the at least one processor to generate two-dimensional submerged depth maps corresponding to m total submerged amounts greater than 2 and less than k step; And
Predicting the inundation distribution by interpolating two two-dimensional submerged depth maps corresponding to two total submerged amounts closest to the total accumulated overcurrent among the m two-dimensional submerged depth maps by the at least one processor Includes;
The 2D flooding depth map includes flooding depth information of grids of the 2D map.
상기 제 1 신경망은,
상기 누적강우가 상기 제 1 신경망의 제 1 입력값으로 입력되고, 상기 맨홀별 월류량을 상기 제 1 신경망의 출력값으로 포함하고, 상기 맨홀별 월류량의 출력값이 상기 제 1 신경망의 제 2 입력값으로 피드백되도록 구성되는 침수 예측 방법.The method of claim 1,
The first neural network,
The cumulative rainfall is input as a first input value of the first neural network, and the amount of overflow per manhole is included as an output value of the first neural network, and an output value of the amount of overflow per manhole is a second input value of the first neural network Inundation prediction method configured to be fed back into
상기 하수관 정보는 맨홀의 표고, 맨홀 깊이, 하수관의 관로 모양, 관로 길이, 관로 폭 및 관로 경사를 포함하는 침수 예측 방법.The method of claim 1,
The sewage pipe information includes a manhole elevation, a manhole depth, a pipe shape of a sewer pipe, a pipe length, a pipe width, and a pipe slope.
적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는,
하수관 정보, 유역별 불투수율 정보 및 유역경사 정보를 기반으로, 누적강우 별로 맨홀별 월류량을 산정하고;
상기 누적강우 별로 예측된 맨홀별 월류량을 기반으로, 제 1 신경망에 의해 상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 학습하고;
상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 기반으로, 강우정보에 대한 맨홀별 누적월류량을 예측하여 총 누적월류량을 산출하고;
지형 표고 정보, 건물 정보 및 지표면 조도를 포함하는 지표 정보를 기반으로, 2차원 침수 해석에 의해 k개의 누적강우 별로 k개의 2차원 침수심 지도를 생성하고;
제 2 신경망의 학습에 의해 상기 k개의 2차원 침수심 지도를 군집화하여, 2보다 크고 k보다 작은 m개의 총 침수량에 대응되는 상기 2차원 침수심 지도들을 생성하고;
상기 m개의 2차원 침수심 지도들 중 상기 총 누적월류량에 가장 가까운 2개의 총 침수량에 대응하는 2개의 2차원 침수심 지도를 선택하고; 그리고
선택된 상기 2개의 2차원 침수심 지도를 보간하여 상기 침수 분포를 예측하도록 구성되고,
상기 2차원 침수심 지도는 2차원 지도의 격자들의 침수심 정보를 포함하는 침수 예측 장치.A storage unit for storing relationship information between cumulative rainfall and cumulative monthly flow for each manhole, and two-dimensional flooding depth maps corresponding to a plurality of total flooded amounts; And
Including at least one processor,
The at least one processor,
Based on sewer pipe information, watershed impermeability information, and watershed slope information, the amount of monthly flow per manhole is calculated for each cumulative rainfall;
Learning relationship information between the cumulative rainfall and the cumulative overflow of each manhole by using a first neural network, based on the estimated amount of overflow per manhole for each cumulative rainfall;
Calculating a total cumulative moon flow by predicting the cumulative moon flow for each manhole for rainfall information, based on the relationship information between the cumulative rainfall and the cumulative moon flow for each manhole;
On the basis of indicator information including topographic elevation information, building information and surface roughness, k 2D flood depth maps are generated for each k cumulative rainfall by 2D flood analysis;
Clustering the k two-dimensional submerged depth maps by learning of a second neural network to generate the two-dimensional submerged depth maps corresponding to m total submerged amounts greater than 2 and less than k;
Selecting two two-dimensional submerged depth maps corresponding to two total submerged amounts closest to the total accumulated overcurrent from among the m two-dimensional submerged depth maps; And
It is configured to predict the flooding distribution by interpolating the selected two 2D flooding depth maps,
The 2D flooding depth map includes flooding depth information of grids of the 2D map.
상기 제 1 신경망은,
상기 누적강우가 상기 제 1 신경망의 제 1 입력값으로 입력되고, 상기 맨홀별 월류량을 상기 제 1 신경망의 출력값으로 포함하고, 상기 맨홀별 월류량의 출력값이 상기 제 1 신경망의 제 2 입력값으로 피드백되도록 구성되는 침수 예측 장치.The method of claim 8,
The first neural network,
The cumulative rainfall is input as a first input value of the first neural network, and the amount of overflow per manhole is included as an output value of the first neural network, and an output value of the amount of overflow per manhole is a second input value of the first neural network Inundation prediction device configured to be fed back.
상기 하수관 정보는 맨홀의 표고, 맨홀 깊이, 하수관의 관로 모양, 관로 길이, 관로 폭 및 관로 경사를 포함하는 침수 예측 장치.The method according to claim 8 or 10,
The sewage pipe information includes a manhole elevation, a manhole depth, a pipe shape of a sewage pipe, a pipe length, a pipe width, and a pipe slope.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180002304A KR102158286B1 (en) | 2018-01-08 | 2018-01-08 | Apparatus and method for estimating flooding |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180002304A KR102158286B1 (en) | 2018-01-08 | 2018-01-08 | Apparatus and method for estimating flooding |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190098774A KR20190098774A (en) | 2019-08-23 |
| KR102158286B1 true KR102158286B1 (en) | 2020-09-22 |
Family
ID=67763728
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180002304A KR102158286B1 (en) | 2018-01-08 | 2018-01-08 | Apparatus and method for estimating flooding |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102158286B1 (en) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102108790B1 (en) | 2019-11-18 | 2020-05-11 | 대한민국 | Flooding Pridiction System of lower area and Driving method thereof |
| KR102365591B1 (en) * | 2020-04-03 | 2022-02-22 | 한국과학기술정보연구원(Kisti) | Apparatus and method for estimating flooding |
| KR102314013B1 (en) * | 2020-04-24 | 2021-10-18 | 대한민국 | Urban flood limit rainfall forecasting method based on deep learning |
| CN111931330B (en) * | 2020-06-19 | 2024-01-05 | 西安理工大学 | Generalized calculation method for pipe network drainage process of non-pipe network data urban area |
| KR102263963B1 (en) * | 2020-11-13 | 2021-06-10 | 오영재 | Multiplex Prevention System of Disaster |
| KR102343736B1 (en) * | 2021-10-05 | 2021-12-27 | 중원대학교 산학협력단 | Flooding prediction system and method for environmental facilities |
| KR102518554B1 (en) * | 2022-04-27 | 2023-04-06 | 주식회사세오 | Method and system for predicting water level |
| KR102543203B1 (en) * | 2022-08-25 | 2023-06-15 | 주식회사 홍익기술단 | Apparatus for simulating flood for flood response |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100522129B1 (en) * | 2002-12-17 | 2005-10-18 | 차희원 | The method and system for real time monitoring flow and pollution load in sewer system and storm sewer system during rainfall |
| KR101703981B1 (en) * | 2016-03-31 | 2017-02-08 | 광주과학기술원 | Control methods of sewage processing facilities using rainfall forecasting |
| KR101815581B1 (en) * | 2016-10-26 | 2018-01-05 | 연세대학교 산학협력단 | Judgement system and method for flooding road area using gis and information model of sewer pipe network |
-
2018
- 2018-01-08 KR KR1020180002304A patent/KR102158286B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100522129B1 (en) * | 2002-12-17 | 2005-10-18 | 차희원 | The method and system for real time monitoring flow and pollution load in sewer system and storm sewer system during rainfall |
| KR101703981B1 (en) * | 2016-03-31 | 2017-02-08 | 광주과학기술원 | Control methods of sewage processing facilities using rainfall forecasting |
| KR101815581B1 (en) * | 2016-10-26 | 2018-01-05 | 연세대학교 산학협력단 | Judgement system and method for flooding road area using gis and information model of sewer pipe network |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190098774A (en) | 2019-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102158286B1 (en) | Apparatus and method for estimating flooding | |
| Luo et al. | Urban flood numerical simulation: Research, methods and future perspectives | |
| KR102225241B1 (en) | Apparatus and method for real-time flooding prediction | |
| CN109657841B (en) | Deep extraction method for urban rainstorm waterlogging | |
| Castellarin et al. | Identifying robust large-scale flood risk mitigation strategies: A quasi-2D hydraulic model as a tool for the Po river | |
| KR20170127087A (en) | Method for Management of River Facility through River Diagnosis and System thereof | |
| Ahn et al. | Development of two-dimensional inundation modelling process using MIKE21 model | |
| CN115471078B (en) | Flood risk point assessment method and device based on urban water affair system | |
| Tavakol-Davani et al. | Green infrastructure optimization to achieve pre-development conditions of a semiarid urban catchment | |
| CN111062125B (en) | Hydrological effect evaluation method for sponge type comprehensive pipe gallery | |
| CN116362419B (en) | Urban flood control early warning system and method | |
| KR20210077228A (en) | Flooding Prediction System | |
| Niyonkuru et al. | Calibration and validation of EPA SWMM for stormwater runoff modelling in Nyabugogo catchment, Rwanda | |
| JP7133940B2 (en) | Flood prediction evaluation device | |
| William et al. | Artificial Intelligence based Performance Models to Support Hydrologic Rainfall Conditions using Ensembling Approach | |
| Baby et al. | Finding areas at risk from floods in a downpour using the Lidar-based elevation model | |
| CN117764317A (en) | Hydropower station safe operation prediction method and system considering environmental disasters | |
| Qiu et al. | A rainwater control optimization design approach for airports based on a self-organizing feature map neural network model | |
| KR20140049187A (en) | Mobile and web-based three-dimensional fluid simulation system and method | |
| CN111985129A (en) | Urban rainstorm waterlogging fine simulation method | |
| JP6277018B2 (en) | Flood simulation apparatus and flood simulation program | |
| Li et al. | Exploring Cost-effective Implementation of Real-time Control to Enhance Flooding Resilience against Future Rainfall and Land Cover Changes | |
| Achhami et al. | Dynamic simulation of Lake Mead water levels in response to climate change and varying demands | |
| Russo et al. | Flood hazard assessment in the Raval District of Barcelona using a 1D/2D coupled model | |
| Gammoh et al. | Low impact development (LID) efficiency in mitigating urbanization and climate change impacts in Amman, Jordan |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment | ||
| J201 | Request for trial against refusal decision | ||
| J301 | Trial decision |
Free format text: TRIAL NUMBER: 2019101002108; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20190624 Effective date: 20200522 |
|
| GRNO | Decision to grant (after opposition) | ||
| GRNT | Written decision to grant |