KR102199905B1 - Complex odor prediction system using meteorological field and artificial neural network - Google Patents
Complex odor prediction system using meteorological field and artificial neural network Download PDFInfo
- Publication number
- KR102199905B1 KR102199905B1 KR1020200124368A KR20200124368A KR102199905B1 KR 102199905 B1 KR102199905 B1 KR 102199905B1 KR 1020200124368 A KR1020200124368 A KR 1020200124368A KR 20200124368 A KR20200124368 A KR 20200124368A KR 102199905 B1 KR102199905 B1 KR 102199905B1
- Authority
- KR
- South Korea
- Prior art keywords
- odor
- origin
- neural network
- artificial neural
- time
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 94
- 235000019645 odor Nutrition 0.000 claims abstract description 496
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 90
- 239000012855 volatile organic compound Substances 0.000 claims description 87
- 238000005259 measurement Methods 0.000 claims description 83
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 47
- 229910021529 ammonia Inorganic materials 0.000 claims description 45
- 230000001419 dependent effect Effects 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 7
- 230000008520 organization Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 239000000809 air pollutant Substances 0.000 claims description 5
- 231100001243 air pollutant Toxicity 0.000 claims description 5
- 239000003344 environmental pollutant Substances 0.000 claims description 4
- 239000000383 hazardous chemical Substances 0.000 claims description 4
- 231100000719 pollutant Toxicity 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 239000003570 air Substances 0.000 description 18
- 238000013480 data collection Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 244000144972 livestock Species 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 150000001412 amines Chemical class 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 244000213578 camo Species 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000005339 levitation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W2001/006—Main server receiving weather information from several sub-stations
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Disinfection, Sterilisation Or Deodorisation Of Air (AREA)
Abstract
Description
본 발명은 여러 악취 원점과 하나의 악취 기준점에서 수집된 데이터와 악취연계지역의 기상장을 이용하여 인공신경망 악취예측모델을 생성하고, 이를 이용하여 악취 원점의 악취 농도를 실시간으로 예측할 수 있는 기상장과 인공신경망을 이용한 복합 악취 예측 시스템에 관한 것이다.The present invention generates an artificial neural network odor prediction model using data collected from several odor origins and one odor reference point and a meteorological field in an odor-linked area, and uses this to create a meteorological field capable of predicting the odor concentration at the odor origin in real time. And a complex odor prediction system using artificial neural networks.
[이 발명을 지원한 국가연구개발사업]
[과제번호] F191907
[부처명] 경기도
[과제관리(전문)기관명] 차세대융합기술연구원
[연구사업명] 경기도 기술개발사업(특화분야 기술혁신개발)
[연구과제명] IoT기반 대기 모니터링 및 분석을 통한 이동형 정화서비스
[기여율] 1/1
[과제수행기관명] 주식회사 데?歷?블록체인
[연구기간] 2019.09.01 ~ 2020.11.30
도시가 확장되면서 주택단지 지역이 확대되고 그로 인해 시민들의 거주지역이 공장과 축사 등의 악취 원점과 거리가 가까워지면서 악취 민원이 증가하고 있으며, 일부 신도시에는 악취 문제로 거주지를 옮겨야 하는 문제까지 발생하고 있다.[National R&D project that supported this invention]
[Task number] F191907
[Ministry Name] Gyeonggi-do
[Name of project management (professional) institution] Next Generation Convergence Technology Research Institute
[Research project name] Gyeonggi-do technology development project (technology innovation development in specialized fields)
[Research Title] Mobile purification service through IoT-based air monitoring and analysis
[Contribution rate] 1/1
[Name of project performing organization] De?歷?Blockchain Co., Ltd.
[Research Period] 2019.09.01 ~ 2020.11.30
As the city expands, the housing complex area expands, and as a result, citizens' residence areas are closer to the origin of odors such as factories and livestock houses, increasing odor complaints, and some new towns have a problem of having to move their residence due to odor problems. have.
최근에는 악취의 복합적인 발생으로 인해 악취 발생지점 및 발생원인에 대한 규명이 점점 어려워지고 있다. 기기분석 측정값에 의하면 악취는 존재하지만, 악취 규제 대상이 아니라고 답변할 수 밖에 없는 상황 때문에 민원을 해소하기가 어렵다. 또한, 실제로 해로운 수준의 일산화탄소가 공기 중에 있을 때는 민원이 발생하지 않지만, 인체에 해롭지 않은 극소량의 황화수소 기체가 공기 중에 퍼져 있을 경우 민원이 급증하고 있다.In recent years, due to the complex occurrence of odors, it has become increasingly difficult to identify the location and cause of odors. According to the measured value of the device analysis, odor is present, but it is difficult to resolve civil complaints because of the situation where it is compelled to answer that odor is not subject to regulation. In addition, civil complaints do not occur when carbon monoxide at a harmful level is in the air, but civil complaints are increasing rapidly when a very small amount of hydrogen sulfide gas that is not harmful to the human body is spread in the air.
따라서 이와 같은 악취 민원의 근본적인 해결 방안이 필요하다. 현재 운영되는 무인 악취측정 방식은 축사, 공장 및 대기 중 다양한 물질들과 섞여있는 악취 발생원인의 추적이 어렵다.Therefore, a fundamental solution to such odor complaints is needed. In the unmanned odor measurement method currently in operation, it is difficult to trace the cause of odors mixed with various substances in livestock houses, factories and the atmosphere.
이를 해결하기 위해 도·농복합 도시에 특화된 악취 지도를 구성해야 하며, 악취 원점 및 악취 저감 장치의 모니터링 및 제어 기술이 필요하고, 이러한 내용이 반영된 지능형 IoT 기술 기반의 악취관리시스템의 구축이 필요하다.To solve this problem, it is necessary to construct an odor map specialized for urban and agricultural complex cities, and a monitoring and control technology for the odor origin and odor reduction device is required, and an odor management system based on intelligent IoT technology that reflects these contents is required. .
한편, 이와 같은 종래기술의 문제를 해결하기 위한 것으로 등록특허 제10-1500438호가 있다. 제10-1500438호는 악취 유발 물질을 감지하는 센서감지부와, 상기 센서감지부로부터 측정값을 수신받아 제어신호를 출력하는 제어 부와, 상기 제어부의 제어신호에 따라 측정값을 표시하는 표시장치부와, 상기 센서감지부의 측정값을 통신망을 통해서 전송하는 통신장치부와, 외부 환경으로부터 보호하기 위한 외함부를 포함하는 실시간 악취 측정기기와 상기 실시간 악취 측정기기가 설치된 지역의 기상 데이터를 측정하여 통신망을 통해서 출력하도록 하여 악취 발생원을 추적함에 있어 활용할 수 있도록 하는 기상 측정기기 그리고 상기 실시간 악취 측정기기와 상기 기상 측정기기에서 전송된 데이터를 수신받아 사용자가 모니터링할 수 있도록 사용자의 단말기로 통신망을 통해서 데이터를 표출하도록 함과 아울러 관리하도록 하는 중앙 서버 시스템을 포함하는 것을 특징으로 하는 실시간 악취 모니터링 시스템에 관한 것이다.On the other hand, there is a registered patent No. 10-1500438 for solving the problem of the prior art. No. 10-1500438 is a sensor detection unit that detects an odor-causing substance, a control unit that receives a measurement value from the sensor detection unit and outputs a control signal, and a display device that displays a measurement value according to a control signal from the control unit The communication network is configured by measuring the weather data of the area where the real-time odor measuring device and the real-time odor measuring device are installed, including a communication device that transmits the measured value of the buwa and the sensor detection unit through a communication network, and an enclosure for protecting from external environments. A meteorological measurement device that outputs it through the device so that it can be used to track the source of odor, and the data transmitted from the real-time odor measurement device and the meteorological measurement device is received and transmitted to the user's terminal through a communication network so that the user can monitor it. It relates to a real-time odor monitoring system comprising a central server system to be expressed and managed.
제10-1500438호는 기상 측정기기를 이용하여 기상데이터를 측정하고 있으나, 기상데이터는 악취 민원의 발생이 예상되는 기상 상황을 사전에 대비하기 위한 것일 뿐이며, 토지 피복 및 고도에 대한 고려도 하고 있지 않기 때문에 악취 지역의 토지 피복 및 고도 그리고 기상상황에 따른 악취 확산을 종합적으로 예측하는데 한계가 있다.No. 10-1500438 uses a meteorological measuring device to measure meteorological data, but the meteorological data is only to prepare in advance for weather conditions in which odor complaints are expected, and land cover and altitude are not considered. Therefore, there is a limit to comprehensively predicting the spread of odors according to the land cover and altitude of the odor area and weather conditions.
본 발명은 상기의 종래 기술의 문제를 해결하기 위한 것으로, 악취발생원의 악취정보와 기상정보를 IoT 센서로 수집하고, 유관기관의 기상정보를 수집하고, 수집한 기상정보를 이용하여 악취지역의 격자별 기상장을 생성하며, 기상장정보 및 악취기준점과 악취원점 사이의 악취 관계를 인공신경망 모델을 통해 학습하여 최적의 악취원점 악취종류 및 농도 예측모델을 생성한다.The present invention is to solve the problems of the prior art described above, by collecting odor information and meteorological information of an odor generating source with an IoT sensor, collecting meteorological information of related organizations, and using the collected meteorological information to a grid of odor areas. A separate meteorological field is created, and an optimal malodor origin point odor type and concentration prediction model is generated by learning the odor relationship between the meteorological field information and the odor control point and the odor origin point through an artificial neural network model.
이와 같이 인공신경망 기반으로 생성된 최적의 악취원점 악취종류 및 농도 예측모델에 실시간으로 생성된 기상장 및 실시간으로 수집되는 악취기준점의 악취정보를 적용하여 악취원점의 악취종류 및 농도를 실시간으로 모니터링 할 수 있는 기상장과 인공신경망을 이용한 복합 악취 예측 시스템을 제공하기 위한 것이다.In this way, by applying the odor information of the meteorological field generated in real time and the odor control point collected in real time to the optimal odor origin point odor type and concentration prediction model created based on the artificial neural network, the odor type and concentration of the odor origin point can be monitored in real time. It is to provide a complex odor prediction system using a possible meteorological field and artificial neural network.
상기 목적을 달성하기 위한 본 발명의 기상장과 인공신경망을 이용한 복합 악취 예측 시스템은, 표본측정기간 동안 악취기준점의 기상정보와 유관기관에서 수집한 유관기관 기상정보를 이용하여 악취지역에 대한 표본측정 격자별 기상장을 생성하고, 악취기준점의 악취정보와 서로 다른 위치에 있는 복수의 악취원점의 악취정보를 수집하고, 기상장정보 및 악취기준점과 각 악취원점 사이의 악취 관계를 인공신경망을 통해 학습하여 악취기준점의 악취정보에 의해 악취원점의 악취종류 및 농도를 예측하는 악취원점 인공신경망 모델을 생성하는 악취원점 예측모델 생성부; 및 악취기준점의 실시간 기상정보와 유관기관의 실시간 기상정보를 이용하여 악취지역에 대한 격자별 실시간 기상장을 생성하고, 악취기준점의 실시간 악취정보와 격자별 실시간 기상장정보를 상기 악취원점 인공신경망 모델에 적용하여 서로 다른 위치에 있는 복수의 악취원점의 악취종류 및 농도를 예측하는 실시간 악취원점 악취예측부;를 포함한다.The complex odor prediction system using a meteorological field and an artificial neural network of the present invention to achieve the above object measures a sample for an odor area by using the meteorological information of the odor control point and the meteorological information of the relevant institution collected from the relevant institution during the sample measurement period. Generates a meteorological field for each grid, collects odor information of the odor control point and odor information of a plurality of odor origins at different locations, and learns the odor relationship between the meteorological field information and the odor control point and each odor source point through artificial neural networks. Thus, the malodor origin point prediction model generating unit for generating an odor origin artificial neural network model for predicting the type and concentration of the odor of the odor origin point based on the odor information of the odor reference point; And real-time meteorological information of the odor control point and real-time weather information of related organizations to create a real-time meteorological field for each grid of odor zones, and real-time odor information of the odor control point and real-time meteorological field information for each grid of the odor origin point artificial neural network model. It includes; a real-time odor origin point odor prediction unit for predicting the type and concentration of odors of a plurality of odor origin points in different locations by applying to.
상기 악취원점 예측모델 생성부는 표본측정기간 동안 표본측정 데이터의 확보를 위해 악취기준점에서의 풍향, 풍속, 온/습도, 기압, 강수량의 기상정보를 수집하고, 표본측정기간 동안 표본측정 데이터의 확보를 위해 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 수집하는 표본측정 악취기준점 수집부; 표본측정기간 동안 유관기관에서 제공하는 AWS(Automatic Weather System, 자동기상관측시스템)의 지표기상정보와 고층기상정보를 수집하는 표본측정 유관기관 기상 수집부; 표본측정기간 동안 표본측정 데이터로서 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 수집하는 표본측정 악취원점 수집부; 악취지역의 격자별 지형고도 및 토지피복도를 생성하고, 상기 표본측정 악취기준점 수집부에서 수신한 악취기준점의 지표기상정보와 상기 표본측정 유관기관 기상 수집부에서 수신한 유관기관의 지표기상정보와 유관기관의 고층기상정보와 상기 악취지역의 격자별 지형고도 및 토지피복도를 가지고 바람장 모델링을 수행하여 3차원 격자 모델링 영역별 바람의 방향과 세기 및 대류온도를 나타내는 바람장 정보를 소정의 단위로 나누어지는 미소공간 격자로 생성하는 표본측정 기상장 생성부; 및 상기 표본측정 악취기준점 수집부에서 수신한 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질과 상기 표본측정 기상장 생성부가 생성한 악취기준점에서의 바람장 및 복수의 악취원점에서의 바람장 정보와 표본측정요일, 표본측정시간을 독립변수로 하고, 상기 표본측정 악취원점 수집부에서 수신한 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 종속변수로 하여 악취원점의 악취종류 및 농도를 예측하는 악취원점 인공신경망 모델을 생성하는 악취원점 인공신경망 모델 생성부;를 포함하는 것을 특징으로 한다.The odor origin prediction model generation unit collects weather information of the wind direction, wind speed, temperature/humidity, air pressure, and precipitation at the odor control point to secure sample measurement data during the sample measurement period, and secures sample measurement data during the sample measurement period. A sample measurement odor control point collection unit for collecting atmospheric harmful substances including ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at the hazardous odor control point; A weather collection unit related to sample measurement, which collects surface weather information and high-rise weather information of AWS (Automatic Weather System) provided by related organizations during the sample measurement period; A sample measurement odor origin point collection unit for collecting atmospheric pollutants including ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) from a plurality of odor origins as sample measurement data during the sampling measurement period; Generates topographic elevation and land cover map for each grid of odor areas, and is related to the surface weather information of the odor control point received from the sample measurement odor control point collection unit and the surface weather information of the related organization received from the sample measurement-related organization meteorological collection unit. Wind field modeling is performed with the high-rise weather information of the institution and the topographic elevation and land cover of the odor zones, and the wind field information representing the wind direction, strength and convection temperature for each three-dimensional grid modeling area is divided into predetermined units. A sample measurement meteorological field generation unit that generates a ground micro-space grid; And atmospheric harmful substances including ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at the odor control point received from the sample measurement odor control point collection unit, and the sample measurement meteorological field generated The wind field at the odor control point and the wind field information at the plurality of odor origin points, the day of the sample measurement, and the sample measurement time are independent variables, and ammonia (NH 3) at the plurality of odor origin points received from the sample measurement odor origin point collection unit ), hydrogen sulfide (H 2 S), VOCs (volatile organic compounds) as a dependent variable to predict the type and concentration of odor at the odor origin. Create a odor origin artificial neural network model. It characterized in that it includes;
그리고 상기 악취원점 인공신경망 모델 생성부는 악취기준점 및 악취원점의 바람장 정보 중 풍향, 풍속을 벡터로 전처리하여 악취기준점과 악취원점 사이의 풍향, 풍속에 대한 세기 및 각도를 구하고, 범주형 변수인 표본측정요일과 표본측정시간을 전처리하는 악취 데이터 전처리부; 상기 전처리 된 독립변수와 종속변수를 가지고 학습하여 악취원점의 악취종류 및 농도를 예측하는 악취원점 인공신경망 모델을 악취기준점과 각 악취원점에 대해 악취종류별로 생성하는 인공신경망 모델 생성부; 및 상기 인공신경망 모델 생성부가 생성하는 악취종류별 악취원점 인공신경망 모델에 대해 악취기준점과 각 악취원점 두 개의 변수간 상관계수(Correlation coefficient)와 공분산(Covariance) 결과를 분석하여 최적의 악취원점 인공신경망 모델을 선정하는 인공신경망 모델 분석부;를 포함하는 것을 특징으로 한다.In addition, the odor origin point artificial neural network model generator pre-processes the wind direction and wind speed among the wind field information of the odor reference point and the odor origin as vectors to obtain the wind direction between the odor reference point and the odor origin point, and the intensity and angle for the wind speed, An odor data preprocessing unit that preprocesses the measurement day and sample measurement time; An artificial neural network model generator for generating an odor origin artificial neural network model for predicting the odor type and concentration of the odor origin by learning with the preprocessed independent and dependent variables for each odor type for the odor reference point and each odor origin; And an optimal odor origin artificial neural network model by analyzing the correlation coefficient and covariance results between the two variables of the odor reference point and each odor origin for the artificial neural network model, which is generated by the artificial neural network model generator. It characterized in that it comprises a; artificial neural network model analysis unit for selecting.
상기 실시간 악취원점 악취예측부는 악취기준점에서의 풍향, 풍속, 온/습도, 기압, 강수량의 기상정보를 실시간으로 수집하고, 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 실시간으로 수집하는 실시간 악취기준점 수집부; 유관기관에서 제공하는 AWS(Automatic Weather System, 자동기상관측시스템)의 지표기상정보 및 고층기상정보를 실시간으로 수집하고, 동네예보자료를 수집하는 실시간 유관기관 기상 수집부; 악취지역의 격자별 지형고도 및 토지피복도를 생성하고, 상기 실시간 악취기준점 수집부에서 수신한 악취기준점의 지표기상정보와 상기 실시간 유관기관 기상 수집부에서 수신한 유관기관의 지표기상정보와 유관기관의 고층기상정보와 상기 악취지역의 격자별 지형고도 및 토지피복도를 가지고 바람장 모델링을 수행하여 3차원 격자 모델링 영역별 바람의 방향과 세기 및 대류온도를 나타내는 바람장 정보를 소정의 단위로 나누어지는 미소공간 격자로 생성하고, 상기 동네예보자료에 의해 예보 기상장 정보를 생성하는 실시간/예보 기상장 생성부; 및 상기 실시간 악취기준점 수집부에서 수신한 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질과 상기 실시간/예보 기상장 생성부가 생성한 악취기준점에서의 바람장 및 복수의 악취원점에서의 바람장 정보와 요일, 시간을 독립변수로 하고, 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 종속변수로 하고, 상기 악취원점 예측모델 생성부에서 생성한 악취원점 인공신경망 모델에 적용하여 악취원점의 악취종류 및 농도를 실시간으로 예측하고, 상기 실시간 악취기준점 수집부에서 수신한 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질과 상기 실시간/예보 기상장 생성부가 생성한 악취기준점에서의 예보 기상장 정보와 요일, 시간을 독립변수로 하고, 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 종속변수로 하고, 상기 악취원점 예측모델 생성부에서 생성한 악취원점 인공신경망 모델에 적용하여 악취원점의 악취종류 및 농도를 예보하는 악취원점 악취 예측/예보부;를 포함하는 것을 특징으로 한다.The real-time odor origin point odor prediction unit collects weather information of wind direction, wind speed, temperature/humidity, air pressure, and precipitation at the odor reference point in real time, and collects ammonia (NH 3 ), hydrogen sulfide (H 2 S), VOCs ( A real-time odor control point collection unit for collecting air-hazardous substances including volatile organic compounds) in real time; Real-time weather collection unit of related organizations that collects surface weather information and high-rise weather information of AWS (Automatic Weather System) provided by related organizations in real time, and collects neighborhood forecast data; The topographic elevation and land cover of each grid of the odor area are generated, and the surface weather information of the odor control point received from the real-time odor control point collection unit, the surface weather information of the related institution and the related institution’s Wind field modeling is performed with the high-rise weather information and the topographic elevation and land cover of each grid of the malodorous region, and the wind field information indicating the wind direction, strength, and convection temperature for each three-dimensional grid modeling region is divided into predetermined units. A real-time/forecast meteorological field generating unit that generates a spatial grid and generates forecast meteorological field information based on the neighborhood forecast data; And atmospheric harmful substances including ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at the odor control point received from the real-time odor control point collection unit, and the real-time/forecast meteorological field generation unit generated The wind field at the odor reference point and the information on the wind field at the plurality of odor sources, the day of the week, and time are independent variables, and ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at the plurality of odor sources ) As a dependent variable, and applying it to the odor origin artificial neural network model generated by the odor origin prediction model generation unit to predict the odor type and concentration of the odor origin in real time, and the real-time odor reference point collection unit Atmospheric harmful substances including ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at the odor control point received from and the forecast meteorological field at the odor control point generated by the real-time/forecast meteorological field generator Information, day of the week, and time are independent variables, and atmospheric harmful substances including ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at multiple odor origins are used as dependent variables. It characterized in that it comprises a; odor origin point odor prediction/prediction unit for predicting the type and concentration of the odor of the odor origin point by applying the odor origin point artificial neural network model generated by the origin prediction model generation unit.
그리고 상기 악취원점 악취 예측/예보부는 악취기준점 및 악취원점의 바람장 정보 중 풍향, 풍속을 벡터로 전처리하여 악취기준점과 악취원점 사이의 풍향, 풍속에 대한 세기 및 각도를 구하고, 범주형 변수인 요일과 시간을 전처리하는 악취 데이터 전처리부; 상기 악취원점 예측모델 생성부에서 생성한 악취원점 인공신경망 모델에 상기 전처리 된 독립변수와 종속변수 그리고 상기 실시간/예보 기상장 생성부에서 생성한 악취기준점 및 악취원점에서의 바람장을 적용하여 악취원점의 실시간 농도를 예측하고, 상기 악취원점 예측모델 생성부에서 생성한 악취원점 인공신경망 모델에 상기 전처리 된 독립변수와 종속변수 그리고 상기 실시간/예보 기상장 생성부에서 생성한 예보 기상장 정보를 적용하여 악취원점의 예보 예측 농도를 생성하는 악취원점 예측/예보 농도 생성부; 및 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물) 악취변수들간의 상관관계를 고려하는 다변량 통계적 회귀분석 방법을 통해서 악취원점의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물) 각 센서 별 계수값을 산출하고, 각 센서에서 측정되는 개별 악취에 계수값을 적용하여 복합악취도를 생성하는 악취원점 예측/예보 복합악취도 생성부;를 포함하되,In addition, the odor origin point odor prediction/prediction unit pre-processes the wind direction and wind speed from the odor reference point and the wind field information of the odor origin point into a vector to obtain the wind direction between the odor reference point and the odor origin point, and the intensity and angle for the wind speed, and An odor data preprocessing unit that preprocesses over time; The odor origin point by applying the pre-processed independent variable and dependent variable to the odor origin point artificial neural network model generated by the odor origin prediction model generation unit, and the odor reference point and the wind field at the odor origin point generated by the real-time/forecast meteorological field generation unit. Pre-processed independent and dependent variables and forecast meteorological field information generated by the real-time/forecast meteorological field generator are applied to the malodor origin artificial neural network model generated by the malodor origin prediction model generation unit. An odor origin prediction/prediction concentration generator for generating a forecast prediction concentration of the odor origin; And ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) through a multivariate statistical regression analysis method that considers the correlation between odor variables, ammonia (NH 3 ), hydrogen sulfide (H 2 S) at the origin of the odor. ), VOCs (Volatile Organic Compounds) calculates a count value for each sensor, and applies the count value to individual odors measured by each sensor to generate a complex odor level, including; ,
상기 복합악취도는 상수항과 3개(암모니아(NH3), 황화수소(H2S), VOCs)에 의해 Y(Odor, 복합악취도) = β1(NH3) + β2(H2S) + β3(VOCs)+(α), 각 센서별 계수값은 β1 = 0.5, β2 = 1, β3 = 1 그리고 α = 4.9 인 것을 특징으로 한다.The complex odor is Y (Odor, complex odor) = β1 (NH 3 ) + β2 (H 2 S) + β3 by the constant term and three (ammonia (NH 3 ), hydrogen sulfide (H 2 S), VOCs). (VOCs)+(α), the coefficient values for each sensor are characterized by β1 = 0.5, β2 = 1, β3 = 1 and α = 4.9.
본 발명에 따른 기상장과 인공신경망을 이용한 복합 악취 예측 시스템에 의하면, 중소 규모의 악취사업장에서 발생하는 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)와 같은 악취정보를 적은 비용으로 합리적으로 관리하고 예측할 수 있다. According to the complex odor prediction system using a meteorological field and an artificial neural network according to the present invention, odor information such as ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) generated in small and medium-sized odor workplaces It can be managed and predicted rationally at low cost.
또한, 지능형 IoT 기반 기술과 인공신경망을 도입하고, 악취지역의 토지 피복 및 고도에 따른 확산까지 계산함으로써, 도농복합도시에 특화된 악취 지도를 구성할 수 있다.In addition, by introducing intelligent IoT-based technology and artificial neural networks, and calculating the spread of the odor area according to the land cover and altitude, it is possible to construct an odor map specialized for urban and rural complex cities.
본 발명에 의하면 악취 민원에 효과적인 대응이 가능하여 지역환경(돼지축사, 분뇨처리장, 쓰레기매립소각장, 각종 산업단지, 하천) 및 주민의 거주환경을 개선할 수 있는 효과가 있다.According to the present invention, it is possible to effectively respond to odor complaints, thereby improving the local environment (pig house, manure treatment plant, landfill incineration plant, various industrial complexes, rivers) and the living environment of residents.
도 1은 본 발명에 따른 기상장과 인공신경망을 이용한 복합 악취 예측 시스템의 구성도
도 2는 악취지역에서 악취기준점과 복수의 악취원점과의 악취 확산 방향 그리고 악취기준점, 악취원점, 민원원점의 악취 관계를 보여주는 예시도
도 3은 본 발명에서 3차원 기상장 모델링에 사용되는 CALMET 모델의 구성도
도 4는 본 발명에서 층별 바람장 모델링의 결과를 나타내는 예시도
도 5는 악취원점의 인공신경망 모델의 분석 결과를 나타내는 데이터시트 예시도
도 6은 악취원점 인공신경망 모델을 이용하여 악취원점의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)를 실시간으로 예측하는 결과를 나타내는 예시도
도 7은 도 6의 악취원점 인공신경망 모델을 이용하여 실시간으로 예측한 결과값을 실제값과 비교한 그래프 예시도1 is a block diagram of a complex odor prediction system using a meteorological field and an artificial neural network according to the present invention
2 is an exemplary view showing the odor diffusion direction between the odor reference point and a plurality of odor origin points in an odor area, and the odor relationship between the odor reference point, the odor origin point, and the civil complaint point.
3 is a block diagram of a CALMET model used for modeling a three-dimensional meteorological field in the present invention
4 is an exemplary view showing the result of modeling the wind field for each floor in the present invention
5 is an exemplary view of a data sheet showing an analysis result of an artificial neural network model of an odor origin
6 is an exemplary view showing the result of real-time prediction of ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at the origin of the odor using an artificial neural network model of the odor origin.
7 is an exemplary graph comparing a result value predicted in real time with an actual value using the odor origin artificial neural network model of FIG. 6
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시예를 참조하면 명확해질 것이다.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.
그러나, 본 발명은 이하에서 개시되는 실시예로 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.However, the present invention is not limited to the embodiments disclosed below, but will be implemented in various different forms.
본 명세서에서 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다.In the present specification, the present embodiment is provided to complete the disclosure of the present invention, and to completely inform the scope of the invention to those of ordinary skill in the art to which the present invention belongs.
그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다.And the invention is only defined by the scope of the claims.
따라서, 몇몇 실시예에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.Thus, in some embodiments, well-known components, well-known operations, and well-known techniques have not been described in detail in order to avoid obscuring interpretation of the present invention.
또한, 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭하고, 본 명세서에서 사용된(언급된) 용어들은 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.In addition, throughout the specification, the same reference numerals refer to the same constituent elements, and terms used in the present specification (referred to) are intended to describe embodiments and are not intended to limit the present invention.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함하며, '포함(또는, 구비)한다'로 언급된 구성 요소 및 동작은 하나 이상의 다른 구성요소 및 동작의 존재 또는 추가를 배제하지 않는다.In this specification, the singular form also includes the plural form unless specifically stated in the phrase, and the components and actions referred to as'include (or, have)' do not exclude the presence or addition of one or more other components and actions. .
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다.Unless otherwise defined, all terms (including technical and scientific terms) used in the present specification may be used as meanings that can be commonly understood by those of ordinary skill in the art to which the present invention belongs.
또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.In addition, terms defined in a commonly used dictionary are not interpreted ideally or excessively unless defined.
이하, 첨부된 도면을 참고로 본 발명의 바람직한 실시 예에 대하여 설명한다.Hereinafter, preferred embodiments of the present invention will be described with reference to the accompanying drawings.
도 1 및 도 2를 참조하면, 본 발명에 따른 기상장과 인공신경망을 이용한 복합 악취 예측 시스템은 악취원점 예측모델 생성부(100)와 실시간 악취원점 악취예측부(200)로 구성된다. 악취원점 예측 모델 생성부(100)에서 여러 악취 데이터들을 가지고 학습하여 인공신경망(Artificial Neural Network, ANN) 모델을 생성하면, 실시간 악취원점 악취예측부(200)는 생성된 인공신경망 모델을 가지고 악취지역의 악취원점에 대해 실시간으로 악취의 종류 및 농도를 예측한다.1 and 2, a complex odor prediction system using a meteorological field and an artificial neural network according to the present invention includes an odor origin prediction
악취원점 예측모델 생성부(100)는 표본측정기간 동안 악취기준점의 기상정보와 유관기관에서 수집한 유관기관 기상정보를 이용하여 악취지역에 대한 표본측정 격자별 기상장을 생성하고, 악취기준점의 악취정보와 서로 다른 위치에 있는 복수의 악취원점의 악취정보를 수집하고, 기상장정보 및 악취기준점과 각 악취원점 사이의 악취 관계를 인공신경망을 통해 학습하여 악취기준점의 악취정보에 의해 악취원점의 악취종류 및 농도를 예측하는 악취원점 인공신경망 모델(ANN_M)을 생성한다.The odor origin prediction
표본측정기간은 악취 데이터를 수집하여 인공신경망을 학습하기 위한 기간을 말하며 악취지역의 조건에 따라 유동적으로 설정할 수 있다. 도 2를 참고하면, 악취지역에 악취기준점[00]은 하나를 설치한 경우를 나타낸다. 악취기준점은 악취지역의 크기 및 악취원점의 개수에 따라 여러 개를 설치하여 구성할 수 있다. 악취기준점[00]에는 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물), 미세먼지(PM 10), 초미세먼지(PM 2.5), 풍향/풍속, 온도/습도, 기압, 강수량을 측정할 수 있는 IoT 기반 센서들이 설치된다. 악취원점[07-15]은 축사, 하천, 분뇨처리장, 쓰레기매립소각장 등과 같이 악취가 발생하는 원인이 있는 지점이다. 민원악취원점[01-06]은 주민 거주지역이며, 악취가 발생하는 오염원이 아닌 지점이다. 본 발명에서 '악취원점'은 악취원점[07-15]과 민원악취원점[01-06] 모두를 포함하는 용어이다.The sampling period refers to the period for learning the artificial neural network by collecting odor data and can be set flexibly according to the conditions of the odor area. 2, the odor reference point [00] represents a case where one is installed in the odor area. The odor control points can be configured by installing several according to the size of the odor area and the number of odor origin points. The odor reference point [00] includes ammonia (NH 3 ), hydrogen sulfide (H 2 S), VOCs (volatile organic compounds), fine dust (PM 10), ultrafine dust (PM 2.5), wind direction/wind speed, temperature/humidity, air pressure. , IoT-based sensors that can measure precipitation are installed. The origin of odor [07-15] is a point where odors are generated, such as livestock houses, rivers, manure treatment plants, and landfill incineration plants. The civil odor origin point [01-06] is a residential area for residents, and is a point that is not a pollutant source that generates odor. In the present invention, the'odor origin point' is a term that includes both the malodor origin point [07-15] and the civil odor origin point [01-06].
실시간 악취원점 악취예측부(200)는 악취기준점의 실시간 기상정보와 유관기관의 실시간 기상정보를 이용하여 악취지역에 대한 격자별 실시간 기상장을 생성하고, 악취기준점의 실시간 악취정보와 격자별 실시간 기상장정보를 악취원점 인공신경망 모델(ANN_M)에 적용하여 서로 다른 위치에 있는 복수의 악취원점의 악취종류 및 농도를 예측한다. 악취원점 예측모델 생성부(100)에서 표본측정기간 동안 악취 데이터를 가지고 학습하여 악취원점에 대한 인공신경망 모델(ANN_M)을 생성하면, 실시간 악취원점 악취예측부(200)는 생성된 악취원점 인공신경망 모델(ANN_M)을 적용하여 서로 다른 위치에 있는 복수의 악취원점에 대한 악취종류 및 농도를 실시간으로 예측할 수 있다.Real-time odor origin point The
악취원점 예측모델 생성부(100)는 표본측정 악취기준점 수집부(110), 표본측정 유관기관 기상 수집부(120), 표본측정 악취원점 수집부(130), 표본측정 기상장 생성부(140) 및 악취원점 인공신경망 모델 생성부(150)를 포함한다.The odor origin prediction
표본측정 악취기준점 수집부(110)는 표본측정기간 동안 표본측정 데이터의 확보를 위해 표본측정 기준점 기상 데이터 수집부(111)가 악취기준점에서의 풍향, 풍속, 온/습도, 기압, 강수량의 기상정보를 수집하고, 표본측정기간 동안 표본측정 데이터의 확보를 위해 표본측정 기준점 악취 데이터 수집부(112)가 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 수집한다. IoT 기반 센서들을 설치하여 대기유해물질 및 각종 기상정보를 수집하는 내용에 대해서는 상기에서 설명하였다.The sample measurement odor control
표본측정 유관기관 기상 수집부(120)는 표본측정 유관기관 지표기상 데이터 수집부(121)와 표본측정 유관기관 고층기상 데이터 수집부(122)로 구성되며, 각각 표본측정기간 동안 유관기관에서 제공하는 AWS(Automatic Weather System, 자동기상관측시스템)의 지표기상정보와 고층기상정보를 수집한다. 지표기상정보는 시간별 풍향, 기온, 습도, 기압, 일사량 등의 정보를 포함하며, 고층기상정보는 고도별 기온, 습도, 풍향, 풍속, 기압을 포함하고 이는 대기중 연직층의 기상을 파악하고, 대기중 혼합고를 추정하는데 이용된다.The sample measurement-related institution
표본측정 악취원점 수집부(130)는 표본측정기간 동안 표본측정 데이터로서 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 수집한다. 상기에서 설명한 바와 같이 복수의 악취원점은 도 2에서의 악취원점[07-15]과 민원악취원점[01-06] 모두를 포함한다. IoT 기반의 센서들을 이용하여 각 악취원점에서 대기유해물질을 수집한다.The sample measurement odor
표본측정 기상장 생성부(140)는 격자별 지형 피복/고도 생성부(141)가 유관기관으로부터 수집한 정보를 바탕으로 악취지역의 격자별 지형고도 및 토지피복도를 생성하고, 표본측정 격자별 3차원 기상장 생성부(142)가 표본측정 악취기준점 수집부(110)에서 수신한 악취기준점의 지표기상정보와 표본측정 유관기관 기상 수집부(120)에서 수신한 유관기관의 지표기상정보 및 유관기관의 고층기상정보와 격자별 지형 피복/고도 생성부(141)가 생성한 악취지역의 격자별 지형고도 및 토지피복도를 가지고 바람장 모델링을 수행하여 3차원 격자 모델링 영역별 바람의 방향과 세기 및 대류온도를 나타내는 바람장 정보를 소정의 단위로 나누어지는 미소공간 격자로 생성한다.The sample measurement meteorological
도 3은 본 발명에서 3차원 기상장을 생성하기 위해 이용하는 CALMET 모델의 구조를 나타낸다.3 shows the structure of a CALMET model used to generate a three-dimensional meteorological field in the present invention.
육지와 바다는 비열, 표면 거칠기 등이 다르므로 공기흐름도 당연히 다르다. 따라서 이를 실제 기상 현상에 가깝게 구현해 주기 위하여 각 그리드 마다 지형정보를 다르게 입력하여 바람장 모델링을 수행해야 한다. ISC3 모델을 비롯한 가우시안 plume 모델에서는 도시와 시골만 나누었으나, CALMET에서는 육지와 바다, 도시, 숲, 맨땅, 설원 등을 구분할 수 있다.Since land and sea have different specific heat and surface roughness, airflow is of course different. Therefore, in order to implement this close to the actual meteorological phenomenon, it is necessary to perform wind field modeling by inputting different terrain information for each grid. In the Gaussian plume model including the ISC3 model, only the city and the countryside are divided, but in CALMET, land, sea, city, forest, bare land, and snow fields can be classified.
CALMET 모델의 지형자료는 각 지점의 해수면 고도를 입력하게 된다. 정량화된 자료는 일반적으로 환경부의 환경지리정보시스템에서 제공하는 자료를 적용할 수 있는데, 본 발명에서는 30 m x 30m를 활용한다.The topographic data of the CALMET model inputs the sea level altitude of each point. As for the quantified data, generally, data provided by the Environmental Geographic Information System of the Ministry of Environment can be applied. In the present invention, 30 m x 30 m is used.
CALMET의 지형자료 입력형태는 가로 세로 그리드(격자)의 개수, 시작, 끝의 좌표, 그리고 격자별 지형고도 자료가 들어가게 된다.The terrain data input form of CALMET includes the number of horizontal and vertical grids (grids), the coordinates of the start and end, and the topographic elevation data for each grid.
CALMET에서 사용하는 토지피복도는 14등급 시스템을 택하였다. 도시, 숲, 물, 설원 등으로 나뉘는데, 이에 따라 보우엔비, 알베도, 지표거칠기, 인공열 등의 변수가 결정된다.The 14 grade system was selected for the land cover map used by CALMET. It is divided into cities, forests, water, and snow fields, and variables such as Bowenby, albedo, surface roughness, and artificial heat are determined accordingly.
환경부 환경공간정보서비스에서 제공하는 지형(고도/피복)를 미소공간 모델링에 맞게 적정하게 30m X 30m 격자를 구성하여 토지지형정보를 구축한다. 미소공간 모델링 도메인 설정시 자동으로 CALMET 모델링에서 요구하는 토지피복자료와 지형고도 파일을 자동 생성한다.Land topography information is constructed by constructing a 30m X 30m grid appropriately for the microspace modeling of the terrain (altitude/cover) provided by the Ministry of Environment's environmental spatial information service. When setting a microspace modeling domain, land cover data and topographic elevation files required by CALMET modeling are automatically generated.
토지피복 세분류(단독주거시설, 공동주거시설, 공업시설, 상업시설, 체육시설, 도로, 공공환경시설, 자연초지, 습지, 운동장, 하천 등)으로 구분하여 30m X 30m 격자로 기상장 모델링을 적용함으로써 기상장 예측정보를 상세 분석할 수가 있다.The meteorological field modeling is applied to a 30m X 30m grid by dividing it into subdivisions of land cover (single housing facility, common housing facility, industrial facility, commercial facility, sports facility, road, public environment facility, natural grassland, wetland, playground, river, etc.) This allows detailed analysis of weather forecast information.
표본측정 격자별 3차원 기상장 생성부(142)가 일정 주기 시간대 별로 기상장 CALMET 모델링에 의해 표본측정 격자별 3차원 기상장을 생성하면, 격자별 풍향, 풍속, 온도, 안정도, 혼합고를 생성하게 된다. When the three-dimensional meteorological field generation unit 142 for each sample measurement grid generates a three-dimensional meteorological field for each sample measurement grid by CALMET modeling of the meteorological field for each period of time, it generates wind direction, wind speed, temperature, stability, and mixing height for each grid. do.
안정도는 6단계로 구분하며, 대기의 안정 및 불안정 상태를 의미하는 대기의 안정도는 상승 공기 덩어리의 온도를 주위 온도와 비교하여 판단하게 된다. 만약 상승하려는 공기의 온도가 주위 공기보다 낮으면 밀도가 상대적으로 크므로 본래의 고도로 다시 하강하려 할 것이다. 이 경우에 공기 덩어리는 제자리에 머물려는 성질을 보이기 때문에 안정하다고 할 수 있다. 반대로 상승하려는 공기의 온도가 주위 공기보다 높아 밀도가 상대적으로 작으면 주위 온도와 같아질 때까지 계속 상승할 것이다. 이 경우에 공기는 매우 불안정한 상태에 있다. Stability is divided into 6 stages, and the stability of the atmosphere, which means the stability and instability of the atmosphere, is determined by comparing the temperature of the rising air mass with the ambient temperature. If the temperature of the air to be raised is lower than the ambient air, the density is relatively high and it will try to descend back to its original altitude. In this case, the air mass can be said to be stable because it shows the property of staying in place. Conversely, if the temperature of the air to be raised is higher than the surrounding air and the density is relatively small, it will continue to rise until it is equal to the ambient temperature. In this case, the air is in a very unstable state.
혼합고는 지표로부터 불안정한 층까지의 높이 또는 공중역전층 저부까지의 높이를 말하고, 최대혼합깊이는 열부상효과에 의해 대류가 유발되는 혼합층의 깊이를 말한다. 실제는 온도 종단도를 작성하여 지표의 최고 예상온도에서 시작한 건조 단열감율선과 환경감율선까지의 교차점까지의 깊이로서 설정된다. 1개월 평균치를 사용하며, 하루 중에는 한 낮, 계절로는 여름이 높다.The mixing height refers to the height from the surface to the unstable layer or the bottom of the air reversal layer, and the maximum mixing depth refers to the depth of the mixed layer in which convection is induced by the thermal levitation effect. In practice, a temperature profile is drawn up and is set as the depth to the intersection of the dry insulation loss rate line and the environmental loss rate line starting from the highest expected temperature of the surface. The average value is used for a month, and during the day, during the day, the season is high in summer.
혼합고가 낮을수록 확산효과가 낮아지고, 환경용량이 낮아지며, 대기오염도가 증가한다. 악취 확산에 대한 인자로서 지점에 따른 풍향/풍속(바람장)과 대기안정도와 혼합고는 매우 중요한 인자이다.The lower the mixing height, the lower the diffusion effect, the lower the environmental capacity, and the higher the air pollution. As factors for the spread of odor, the wind direction/wind speed (wind field) according to the point, atmospheric stability and mixing height are very important factors.
도 4를 참고하면, 1층부터 6층까지 층별 바람장 모델링의 결과를 확인할 수 있다. 다시 말해서, 높이에 따라 바람장 모델링의 결과는 다르게 나타난다.Referring to FIG. 4, the results of wind field modeling for each floor from the first floor to the sixth floor can be confirmed. In other words, the results of wind field modeling appear differently depending on the height.
악취원점 인공신경망 모델 생성부(150)는 표본측정 악취기준점 수집부(110)에서 수신한 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질과 표본측정 기상장 생성부(140)가 생성한 악취기준점에서의 바람장 및 복수의 악취원점에서의 바람장 정보와 표본측정요일, 표본측정시간을 독립변수로 하고, 표본측정 악취원점 수집부(130)에서 수신한 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 종속변수로 하여 악취원점의 악취종류 및 농도를 예측하는 악취원점 인공신경망 모델을 생성한다.The odor origin artificial neural network
구체적으로, 악취원점 인공신경망 모델 생성부(150)는 악취 데이터 전처리부(151), 인공신경망 모델 생성부(152) 및 인공신경망 모델 분석부(153)로 구성된다.Specifically, the odor origin artificial neural network
악취 데이터 전처리부(151)는 악취기준점 및 악취원점의 바람장 정보 중 풍향, 풍속을 벡터로 전처리하여 악취기준점과 악취원점 사이의 풍향, 풍속에 대한 세기 및 각도를 구하고, 범주형 변수인 표본측정요일(월, 화, 수, 목, 금, 토, 일)과 표본측정시간(00 ~ 23)을 전처리한다. 악취원점 인공신경망 모델(ANN_M)에서 사용하기 위해서 전처리 과정을 거치는 것이다.The odor
인공신경망 모델 생성부(152)는 전처리 된 독립변수와 종속변수를 가지고 학습하여 악취원점의 악취종류 및 농도를 예측하는 악취원점 인공신경망 모델(ANN_M)을 악취기준점과 각 악취원점에 대해 악취종류별로 생성한다.The artificial neural network
독립변수는 요일, 시간, 악취기준점의 악취(암모니아(NH3), 황화수소(H2S), VOCs), 악취기준점의 바람장(풍향, 풍속, 온도, 안정도, 혼합고)와 악취원점의 바람장(풍향, 풍속, 온도, 안정도, 혼합고)을 포함하고, 종속변수는 악취원점의 악취(암모니아(NH3), 황화수소(H2S), VOCs)를 포함한다. 도 4에서 확인한 바와 같이 층별 바람장 모델링의 결과, 악취기준점과 악취원점에 대해 층별 풍향, 풍속, 온도를 독립변수로 반영한다.Independent variables are the day of the week, time, odor at the odor control point (ammonia (NH 3 ), hydrogen sulfide (H 2 S), VOCs), wind field at the odor control point (wind direction, wind speed, temperature, stability, mixing height) and wind at the odor origin. It includes the field (wind direction, wind speed, temperature, stability, mixing height), and the dependent variable includes the odor of the odor origin (ammonia (NH 3 ), hydrogen sulfide (H 2 S), VOCs). As shown in FIG. 4, as a result of modeling the wind field for each layer, the wind direction, wind speed, and temperature of each layer are reflected as independent variables for the odor reference point and the odor origin point.
악취원점 인공신경망 모델(ANN_M)은 입력층(input layer)을 통해 독립변수를 입력 받으며, 은닉층(hidden layer)에서 입력층으로부터 받은 정보를 계산 및 학습하고, 출력층(output layer)에서 처리된 신경망의 결과 값을 내보내는 구조로 구성되어 있으며 뉴런들 사이는 가중치(weight)의 강도로 상호 연결되어 있다. 출력층에서 처리된 결과 값은 악취원점의 악취 종류 및 농도에 대한 결과로 나타날 것이다.The odor origin artificial neural network model (ANN_M) receives independent variables through the input layer, calculates and learns information received from the input layer in the hidden layer, and analyzes the neural network processed in the output layer. It is composed of a structure that outputs the result value, and neurons are interconnected by the strength of the weight. The result value processed in the output layer will be the result of the type and concentration of the odor at the odor origin.
인공신경망 모델 분석부(153)는 인공신경망 모델 생성부(152)가 생성하는 악취종류별 악취원점 인공신경망 모델(ANN_M)에 대해 악취기준점[00]과 각 악취원점[01-15] 두 개의 변수간 상관계수(Correlation coefficient)와 공분산(Covariance) 결과를 분석하여 최적의 악취원점 인공신경망 모델(ANN_M)을 선정한다.The artificial neural network
일반적으로 상관계수(Correlation coefficient)는 아래와 같이 분석한다.In general, the correlation coefficient is analyzed as follows.
-1.0과 -0.7 사이이면, 강한 음적 선형관계,If it is between -1.0 and -0.7 , strong negative linear relationship,
-0.7과 -0.3 사이이면, 뚜렷한 음적 선형관계,If it is between -0.7 and -0.3 , clear negative linear relationship,
-0.3과 -0.1 사이이면, 약한 음적 선형관계,If it is between -0.3 and -0.1 , weak negative linear relationship,
-0.1과 +0.1 사이이면, 거의 무시될 수 있는 선형관계,If it is between -0.1 and +0.1 , almost can be ignored linear relationship,
+0.1과 +0.3 사이이면, 약한 양적 선형관계,If it is between +0.1 and +0.3 , weak quantitative linear relationship,
+0.3과 +0.7 사이이면, 뚜렷한 양적 선형관계,If it is between +0.3 and +0.7 , clear quantitative linear relationship,
+0.7과 +1.0 사이이면, 강한 양적 선형관계Between +0.7 and +1.0 , strong quantitative linear relationship
도 5를 참고하면, 인공신경망 모델 분석부(153)가 분석한 결과를 보여주고 있다. 상관계수는 평균 0.87로 다소 높은 편이며, 일부 0.544로 낮은 관계성이 있으나 대부분 0.8이상의 다양한 변수에 대한 관계성이 높음을 알 수 있으며, 변수간의 상관관계를 알아보기 위한 공분산(Covariance) 결과를 분석한다. 또한 오차제곱합(SSE, Sum of Squared Error), 평균 오차제곱(MSE, Mean Squared Error), 평균제곱근오차(root mean square error), 결정계수 등을 활용하여 분석한다.Referring to FIG. 5, the result of analysis by the artificial neural network
최적의 악취원점 인공신경망 모델(ANN_M) 선택방법은 결정계수, 상관계수의 20% 상위 중에서 공분산 계수가 10%에 해당하는 상위 계수 결과에 의한 모델을 최적의 모델로 선정한다.The optimal odor origin artificial neural network model (ANN_M) selection method selects a model based on the result of the higher coefficient corresponding to 10% of the coefficient of determination and the coefficient of correlation among 20% higher than the coefficient of determination and correlation.
실시간 악취원점 악취예측부(200)는 실시간 악취기준점 수집부(210), 실시간 유관기관 기상 수집부(220), 실시간/예보 기상장 생성부(240) 및 악취원점 악취 예측/예보부(250)를 포함한다. 상기에서 설명한 내용과 중복되는 부분에 대해서는 자세한 설명을 생략하였다.The real-time odor origin point
실시간 악취기준점 수집부(210)는 실시간 기준점 기상 데이터 수집부(211)가 악취기준점에서의 풍향, 풍속, 온/습도, 기압, 강수량의 기상정보를 실시간으로 수집하고, 실시간 기준점 악취 데이터 수집부(212)가 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 실시간으로 수집한다.The real-time odor control
실시간 유관기관 기상 수집부(220)는 실시간 유관기관 지표기상 수집부(221)와 실시간 유관기관 고층기상 수집부(222)로 구성되며, 실시간 유관기관 지표기상 수집부(221)는 유관기관에서 제공하는 AWS(Automatic Weather System, 자동기상관측시스템)의 지표기상정보와 동네예보자료를 수집하고, 실시간 유관기관 고층기상 수집부(222)는 고층기상정보를 실시간으로 수집한다.The real-time related institution
실시간/예보 기상장 생성부(240)는 격자별 지형 피복/고도 생성부(241)가 유관기간으로부터 실시간으로 수집한 정보를 바탕으로 악취지역의 격자별 지형고도 및 토지피복도를 생성하고, 격자별 3차원 기상장 생성부(242)가 실시간 악취기준점 수집부(210)에서 수신한 악취기준점의 지표기상정보와 실시간 유관기관 기상 수집부(220)에서 수신한 유관기관의 지표기상정보 및 유관기관의 고층기상정보와 격자별 지형 피복/고도 생성부(241)가 생성한 악취지역의 격자별 지형고도 및 토지피복도를 가지고 바람장 모델링을 수행하여 3차원 격자 모델링 영역별 바람의 방향과 세기 및 대류온도를 나타내는 바람장 정보를 소정의 단위로 나누어지는 미소공간 격자로 생성하고, 상기 동네예보자료에 의해 예보 기상장 정보를 생성한다. 여기서는 실시간 3차원 기상장 정보뿐만 아니라, 동네예보자료에 의하 3차원 예보 기상장 정보도 생성한다. 3차원 기상장을 생성하는 CALMET 모델에 대해서는 상기에서 자세하게 설명하였으므로 생략한다.The real-time/forecast meteorological
악취원점 악취 예측/예보부(250)는 실시간 악취기준점 수집부(210)에서 수신한 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질과 실시간/예보 기상장 생성부(240)가 생성한 악취기준점에서의 바람장 및 복수의 악취원점에서의 바람장 정보와 요일, 시간을 독립변수로 하고, 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 종속변수로 하고, 악취원점 예측모델 생성부(100)의 악취원점 인공신경망 모델 생성부(150)에서 생성한 악취원점 인공신경망 모델(ANN_M)에 적용하여 악취원점의 악취종류 및 농도를 실시간으로 예측한다.The odor origin odor prediction/
또한, 악취원점 악취 예측/예보부(250)는 실시간 악취기준점 수집부(210)에서 수신한 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질과 실시간/예보 기상장 생성부(240)가 생성한 악취기준점에서의 예보 기상장 정보와 요일, 시간을 독립변수로 하고, 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 종속변수로 하고, 악취원점 예측모델 생성부(100)의 악취원점 인공신경망 모델 생성부(150)에서 생성한 악취원점 인공신경망 모델에 적용하여 악취원점의 악취종류 및 농도를 예보한다. 즉, 상기와 같이 악취원점의 악취종류 및 농도를 실시간으로 예측하는 것 외에 예보 기상장 정보를 이용하여 악취원점의 악취종류 및 농도를 예보하는 것도 가능하다.In addition, the odor origin point odor prediction/
구체적으로, 악취원점 악취 예측/예보부(250)는 악취 데이터 전처리부(251), 악취원점 인공신경망 모델 실행부(252), 악취원점 예측/예보 농도 생성부(253) 및 악취원점 예측/예보 복합악취도 생성부(254)로 구성된다.Specifically, the odor origin point odor prediction/
악취 데이터 전처리부(251)는 악취기준점 및 악취원점의 바람장 정보 중 풍향, 풍속을 벡터로 전처리하여 악취기준점과 악취원점 사이의 풍향, 풍속에 대한 세기 및 각도를 구하고, 범주형 변수인 요일(월, 화, 수, 목, 금, 토, 일)과 시간(00 ~ 23)을 전처리한다.The odor
악취원점 인공신경망 모델 실행부(252)는 상기의 인공신경망 모델 생성부(152)가 생성하고 인공신경망 모델 분석부(153)에서 분석하여 선정한 최적의 악취원점 인공신경망 모델(ANN_M)을 실행한다.The odor origin artificial neural network
악취원점 예측/예보 농도 생성부(253)는 악취원점 인공신경망 모델 실행부(252)가 실행한 악취원점 인공신경망 모델(ANN_M)에 상기 전처리 된 독립변수와 종속변수 그리고 실시간/예보 기상장 생성부(240)에서 생성한 악취기준점 및 악취원점에서의 바람장을 적용하여 악취원점의 실시간 농도를 예측한다.The odor origin prediction/prediction
또한, 악취원점 예측/예보 농도 생성부(253)는 악취원점 인공신경망 모델 실행부(252)가 실행한 악취원점 인공신경망 모델(ANN_M)에 상기 전처리 된 독립변수와 종속변수 그리고 실시간/예보 기상장 생성부(240)에서 생성한 예보 기상장 정보를 적용하여 악취원점의 예보 예측 농도를 생성한다. 즉, 동네예보 기상장에 의해 악취원점의 농도를 예보하는 것이다.In addition, the odor origin prediction/prediction
복합악취는 황화수소, 아민류 같은 두 가지 이상의 냄새 유발 물질이 반응할 때 발생하여 사람에게 거북하고 혐오감을 느끼게 하는 냄새로서, 악취원점 예측/예보 복합악취도 생성부(254)는 각 개별 악취는 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물) 센서와 농도값과의 상관 관계를 통해서 y = ax + b 방정식으로 암모니아의 기기농도는 y = (0.12)x - 11, 황화수소 기기농도는 y = (0.15)x - 15, VOCs센서 기기농도는 y = (0.22)x - 5 이며, 복합센서 장치 검정으로 각 가스별 값을 Offset 한 결과는 다음과 같이 보정한 식으로 암모니아는 y = ((0.12)x - 11) / 5, 황화수소 기기농도는 y = ((0.15)x - 15) / 4, VOCs센서 기기농도는 y = ((0.22)x - 5) / 25 의 관계식을 가지며, Partial Least Squares(PLS) 등과 같은 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물) 악취변수들간의 상관관계를 고려한 다변량 통계적 회귀분석 방법을 통해서 악취원점의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물) 각 센서 별 계수값을 산출한다.Complex odor is a odor that occurs when two or more odor-causing substances such as hydrogen sulfide and amines react and makes people feel uncomfortable and disgusting.The odor origin prediction/prediction complex
종속변수 복합악취도는 상수항과 3개(암모니아, 황화수소, VOCs) 에 의해 다중회귀모형의 기본모형으로 Yi(종속변수) = α + β1 X1i + β2 X2i + β3 X3i 식으로 CAMO Unscrambler software(Camo, USA)를 사용하여 계수값을 유도하였다. 그 결과값은 각 센서별 계수값은 β1 = 0.5, β2 = 1, β3 = 1 그리고 α 값은 4.9 로 되었다.The dependent variable complex odor is the basic model of the multiple regression model by a constant term and three (ammonia, hydrogen sulfide, VOCs). Yi (dependent variable) = α + β1 X1i + β2 X2i + β3 X3i CAMO Unscrambler software USA) was used to derive the count values. As for the result, the coefficient values for each sensor were β1 = 0.5, β2 = 1, β3 = 1, and α values were 4.9.
Y(Odor)= β1(NH3) + β2(H2S) + β3(VOCs)+(α)Y(Odor)= β1(NH 3 ) + β2(H 2 S) + β3(VOCs)+(α)
개별 악취는 악취원점의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물) 각 센서에 의해 각각 별도로 측정하고, 복합 악취는 세 개의 악취 센서값의 연관성을 갖게 하기 위해 세 개의 개별 악취 연관식을 사용하여 복합악취식을 유도한다. Individual odors are measured separately by each sensor of ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at the odor origin, and the complex odor is measured by three odor sensor values. The complex malodor equation is derived using the individual malodor association equation.
복합악취도 = (0.5* NH3) + (1* H2S) + (1*VOCs) + 4.9Complex odor = (0.5* NH 3 ) + (1* H 2 S) + (1*VOCs) + 4.9
복합악취도 결과값은 0 ~ 10(악취를 감지하지 못함), 10 ~ 12(보통 악취도, 12 ~ 15(강한 악취도), 15 ~ 20(매우 강한 악취도), 20 이상(참기 어려운 악취도)으로 구분하여 악취를 모니터링한다.Complex odor results are 0 to 10 (no odor detection), 10 to 12 (normal odor, 12 to 15 (strong odor), 15 to 20 (very strong odor), 20 or more (unbearable odor (Fig.) to monitor odor.
도 6은 악취원점 예측/예보 농도 생성부(253)가 악취원점 인공신경망 모델(ANN_M)을 이용하여 악취원점의 (1) 황화수소(H2S), (2) 암모니아(NH3), (3) VOCs(휘발성유기화합물)를 실시간으로 예측하는 결과를 나타낸 것이다.6 shows the odor origin prediction/
도 7은 도 6의 악취원점 인공신경망 모델(ANN_M)을 이용하여 실시간으로 예측한 결과값을 비교한 그래프이다. 각 그래프에서 파란색은 악취기준점의 실제 측정값이며, 붉은색은 악취원점의 실제 측정값이고, 초록색은 악취원점의 악취농도를 예측한 결과값이다. 악취원점의 실제값(붉은색)과 예측결과값(초록색)이 상당히 높은 수준으로 근사한 것을 확인하였다.7 is a graph comparing result values predicted in real time using the malodor origin artificial neural network model (ANN_M) of FIG. 6. In each graph, blue is the actual measured value of the odor reference point, red is the actual measured value of the odor origin, and green is the result of predicting the odor concentration at the odor origin. It was confirmed that the actual value of the odor origin (red) and the predicted result (green) were approximated to a fairly high level.
본 발명은 상기한 특정의 바람직한 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 되는 것임은 자명하다.The present invention is not limited to the specific preferred embodiments described above, and any person having ordinary knowledge in the technical field to which the present invention pertains without departing from the gist of the present invention claimed in the claims can implement various modifications Of course, it is obvious that such a change will fall within the scope of the description of the claims.
100: 악취원점 예측모델 생성부
110: 표본측정 악취기준점 수집부
120: 표본측정 유관기관 기상 수집부
130: 표본측정 악취원점 수집부
140: 표본측정 기상장 생성부
150: 악취원점 인공신경망 모델 생성부
200: 실시간 악취원점 악취예측부
210: 실시간 악취기준점 수집부
220: 실시간 유관기관 기상 수집부
240: 실시간/예보 기상장 생성부
250: 악취원점 악취 예측/예보부100: odor origin prediction model generation unit
110: sample measurement odor control point collection unit
120: Meteorological collection unit of an organization related to sample measurement
130: sample measurement odor origin collection unit
140: sample measurement meteorological field generation unit
150: odor origin artificial neural network model generation unit
200: Real-time odor origin odor prediction unit
210: Real-time odor control point collection unit
220: Real-time weather collection unit of related organizations
240: Real-time/forecast meteorological field generation unit
250: odor origin point odor prediction/prediction unit
Claims (5)
악취기준점의 실시간 기상정보와 유관기관의 실시간 기상정보를 이용하여 악취지역에 대한 격자별 실시간 기상장을 생성하고, 악취기준점의 실시간 악취정보와 격자별 실시간 기상장정보를 상기 악취원점 인공신경망 모델에 적용하여 서로 다른 위치에 있는 복수의 악취원점의 악취종류 및 농도를 예측하는 실시간 악취원점 악취예측부;를 포함하는 것을 특징으로 하는 기상장과 인공신경망을 이용한 복합 악취 예측 시스템.
During the sample measurement period, a meteorological field for each sample measurement grid is created using the weather information of the odor control point and the meteorological information collected by the relevant organizations, and a plurality of odors located at different locations from the odor information of the odor control point An artificial neural network at the origin of odor that collects the odor information of the origin, learns the relationship between the meteorological field information and the odor control point and each odor through an artificial neural network, and predicts the type and concentration of the odor at the odor control point based on the odor information at the odor control point. An odor origin prediction model generation unit that generates a model; And
Real-time weather information of the odor control point and real-time weather information of related organizations are used to create a real-time meteorological field for each grid of odor areas, and real-time odor information of the odor control point and real-time meteorological information for each grid are added to the artificial neural network model of the odor origin point. A complex odor prediction system using a meteorological field and an artificial neural network, comprising: a real-time odor origin odor prediction unit that predicts the types and concentrations of odors of a plurality of odor origins located at different locations by applying.
상기 악취원점 예측모델 생성부는,
표본측정기간 동안 표본측정 데이터의 확보를 위해 악취기준점에서의 풍향, 풍속, 온/습도, 기압, 강수량의 기상정보를 수집하고, 표본측정기간 동안 표본측정 데이터의 확보를 위해 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 수집하는 표본측정 악취기준점 수집부;
표본측정기간 동안 유관기관에서 제공하는 AWS(Automatic Weather System, 자동기상관측시스템)의 지표기상정보와 고층기상정보를 수집하는 표본측정 유관기관 기상 수집부;
표본측정기간 동안 표본측정 데이터로서 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 수집하는 표본측정 악취원점 수집부;
악취지역의 격자별 지형고도 및 토지피복도를 생성하고, 상기 표본측정 악취기준점 수집부에서 수신한 악취기준점의 지표기상정보와 상기 표본측정 유관기관 기상 수집부에서 수신한 유관기관의 지표기상정보와 유관기관의 고층기상정보와 상기 악취지역의 격자별 지형고도 및 토지피복도를 가지고 바람장 모델링을 수행하여 3차원 격자 모델링 영역별 바람의 방향과 세기 및 대류온도를 나타내는 바람장 정보를 소정의 단위로 나누어지는 미소공간 격자로 생성하는 표본측정 기상장 생성부; 및
상기 표본측정 악취기준점 수집부에서 수신한 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질과 상기 표본측정 기상장 생성부가 생성한 악취기준점에서의 바람장 및 복수의 악취원점에서의 바람장 정보와 표본측정요일, 표본측정시간을 독립변수로 하고, 상기 표본측정 악취원점 수집부에서 수신한 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 종속변수로 하여 악취원점의 악취종류 및 농도를 예측하는 악취원점 인공신경망 모델을 생성하는 악취원점 인공신경망 모델 생성부;를 포함하는 것을 특징으로 하는 기상장과 인공신경망을 이용한 복합 악취 예측 시스템.
The method of claim 1,
The odor origin prediction model generation unit,
Weather information of wind direction, wind speed, temperature/humidity, air pressure, precipitation at the odor control point is collected to secure sample measurement data during the sample measurement period, and ammonia at the odor control point ( NH 3 ), hydrogen sulfide (H 2 S), a sample measurement odor control point collection unit for collecting air-hazardous substances including VOCs (volatile organic compounds);
A weather collection unit related to sample measurement, which collects surface weather information and high-rise weather information of AWS (Automatic Weather System) provided by related organizations during the sample measurement period;
A sample measurement odor origin point collection unit for collecting atmospheric pollutants including ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) from a plurality of odor origins as sample measurement data during the sampling measurement period;
Generates topographic elevation and land cover map for each grid of odor areas, and is related to the surface weather information of the odor control point received from the sample measurement odor control point collection unit and the surface weather information of the related organization received from the sample measurement-related organization meteorological collection unit. Wind field modeling is performed with the high-rise weather information of the institution and the topographic elevation and land cover of the odor zones, and the wind field information representing the wind direction, strength and convection temperature for each three-dimensional grid modeling area is divided into predetermined units. A sample measurement meteorological field generation unit that generates a ground microspace grid; And
Atmospheric harmful substances including ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at the odor control point received from the sample measurement odor control point collection unit, and the odor generated by the sample measurement meteorological field generator Ammonia (NH 3 ) at a plurality of odor origins received from the sample measurement odor origin collection unit with the wind field information at the reference point and the wind field information at the plurality of odor origins, the day of the sample measurement, and the sample measurement time as independent variables , Hydrogen sulfide (H 2 S), VOCs (volatile organic compounds) as a dependent variable, the odor origin point that predicts the odor type and concentration of the odor origin odor origin point artificial neural network model generating unit Complex odor prediction system using a meteorological field and an artificial neural network comprising;
상기 악취원점 인공신경망 모델 생성부는,
악취기준점 및 악취원점의 바람장 정보 중 풍향, 풍속을 벡터로 전처리하여 악취기준점과 악취원점 사이의 풍향, 풍속에 대한 세기 및 각도를 구하고, 범주형 변수인 표본측정요일과 표본측정시간을 전처리하는 악취 데이터 전처리부;
상기 전처리 된 독립변수와 종속변수를 가지고 학습하여 악취원점의 악취종류 및 농도를 예측하는 악취원점 인공신경망 모델을 악취기준점과 각 악취원점에 대해 악취종류별로 생성하는 인공신경망 모델 생성부; 및
상기 인공신경망 모델 생성부가 생성하는 악취종류별 악취원점 인공신경망 모델에 대해 악취기준점과 각 악취원점 두 개의 변수간 상관계수(Correlation coefficient)와 공분산(Covariance) 결과를 분석하여 최적의 악취원점 인공신경망 모델을 선정하는 인공신경망 모델 분석부;를 포함하는 것을 특징으로 하는 기상장과 인공신경망을 이용한 복합 악취 예측 시스템.
The method of claim 2,
The odor origin artificial neural network model generation unit,
The wind direction and wind speed among the wind field information of the odor control point and the odor origin are pre-processed as vectors to obtain the intensity and angle of the wind direction and wind speed between the odor control point and the odor origin point, and preprocess the sample measurement day and sample measurement time, which are categorical variables. Odor data preprocessing unit;
An artificial neural network model generator for generating an odor origin artificial neural network model for predicting the odor type and concentration of the odor origin by learning with the preprocessed independent and dependent variables for each odor type for the odor reference point and each odor origin; And
The optimal odor origin artificial neural network model is analyzed by analyzing the correlation coefficient and covariance result between the two variables of the odor control point and each odor origin for the artificial neural network model, which is generated by the artificial neural network model generator. A complex odor prediction system using a meteorological field and an artificial neural network, comprising: an artificial neural network model analysis unit to select.
상기 실시간 악취원점 악취예측부는,
악취기준점에서의 풍향, 풍속, 온/습도, 기압, 강수량의 기상정보를 실시간으로 수집하고, 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 실시간으로 수집하는 실시간 악취기준점 수집부;
유관기관에서 제공하는 AWS(Automatic Weather System, 자동기상관측시스템)의 지표기상정보 및 고층기상정보를 실시간으로 수집하고, 동네예보자료를 수집하는 실시간 유관기관 기상 수집부;
악취지역의 격자별 지형고도 및 토지피복도를 생성하고, 상기 실시간 악취기준점 수집부에서 수신한 악취기준점의 지표기상정보와 상기 실시간 유관기관 기상 수집부에서 수신한 유관기관의 지표기상정보와 유관기관의 고층기상정보와 상기 악취지역의 격자별 지형고도 및 토지피복도를 가지고 바람장 모델링을 수행하여 3차원 격자 모델링 영역별 바람의 방향과 세기 및 대류온도를 나타내는 바람장 정보를 소정의 단위로 나누어지는 미소공간 격자로 생성하고, 상기 동네예보자료에 의해 예보 기상장 정보를 생성하는 실시간/예보 기상장 생성부; 및
상기 실시간 악취기준점 수집부에서 수신한 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질과 상기 실시간/예보 기상장 생성부가 생성한 악취기준점에서의 바람장 및 복수의 악취원점에서의 바람장 정보와 요일, 시간을 독립변수로 하고, 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 종속변수로 하고, 상기 악취원점 예측모델 생성부에서 생성한 악취원점 인공신경망 모델에 적용하여 악취원점의 악취종류 및 농도를 실시간으로 예측하고,
상기 실시간 악취기준점 수집부에서 수신한 악취기준점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질과 상기 실시간/예보 기상장 생성부가 생성한 악취기준점에서의 예보 기상장 정보와 요일, 시간을 독립변수로 하고, 복수의 악취원점에서의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물)을 포함하는 대기유해물질을 종속변수로 하고, 상기 악취원점 예측모델 생성부에서 생성한 악취원점 인공신경망 모델에 적용하여 악취원점의 악취종류 및 농도를 예보하는 악취원점 악취 예측/예보부;를 포함하는 것을 특징으로 하는 기상장과 인공신경망을 이용한 복합 악취 예측 시스템.
The method of claim 1,
The real-time odor origin point odor prediction unit,
It collects weather information of wind direction, wind speed, temperature/humidity, air pressure and precipitation at the odor control point in real time, and includes ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at the odor control point. Real-time odor control point collection unit for collecting air-hazardous substances in real time;
Real-time weather collection unit of related organizations that collects surface weather information and high-rise weather information of AWS (Automatic Weather System) provided by related organizations in real time, and collects neighborhood forecast data;
The topographic elevation and land cover of each grid of the odor area are generated, and the surface weather information of the odor control point received from the real-time odor control point collection unit, the surface weather information of the related institution and the related institution’s Wind field modeling is performed with the high-rise weather information and the topographic elevation and land cover of each grid of the malodorous region, and the wind field information indicating the wind direction, strength, and convection temperature for each three-dimensional grid modeling region is divided into predetermined units. A real-time/forecast meteorological field generating unit that generates a spatial grid and generates forecast meteorological field information based on the neighborhood forecast data; And
Atmospheric harmful substances including ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at the odor control point received from the real-time odor control point collection unit, and the odor generated by the real-time/forecast meteorological field generator The wind field information at the reference point and the wind field information at the plurality of odor origins, the day of the week, and time are independent variables, and ammonia (NH 3 ), hydrogen sulfide (H 2 S), VOCs (volatile organic compounds) at the plurality of odor origins As a dependent variable, the air pollutant including the odor origin is applied to the odor origin artificial neural network model generated by the odor origin prediction model generation unit to predict the odor type and concentration of the odor origin in real time,
Atmospheric harmful substances including ammonia (NH 3 ), hydrogen sulfide (H 2 S), and VOCs (volatile organic compounds) at the odor control point received from the real-time odor control point collection unit, and the odor generated by the real-time/forecast meteorological field generator Forecast meteorological information at the reference point, day of the week, and time as independent variables, and depend on air pollutants including ammonia (NH 3 ), hydrogen sulfide (H 2 S) and VOCs (volatile organic compounds) at multiple odor sources. A meteorological field comprising: an odor origin point odor prediction/prediction unit configured as a variable and applied to the odor origin point artificial neural network model generated by the odor origin point prediction model generating unit to predict the type and concentration of the odor at the odor origin point; and Complex odor prediction system using artificial neural network.
상기 악취원점 악취 예측/예보부는,
악취기준점 및 악취원점의 바람장 정보 중 풍향, 풍속을 벡터로 전처리하여 악취기준점과 악취원점 사이의 풍향, 풍속에 대한 세기 및 각도를 구하고, 범주형 변수인 요일과 시간을 전처리하는 악취 데이터 전처리부;
상기 악취원점 예측모델 생성부에서 생성한 악취원점 인공신경망 모델에 상기 전처리 된 독립변수와 종속변수 그리고 상기 실시간/예보 기상장 생성부에서 생성한 악취기준점 및 악취원점에서의 바람장을 적용하여 악취원점의 실시간 농도를 예측하고, 상기 악취원점 예측모델 생성부에서 생성한 악취원점 인공신경망 모델에 상기 전처리 된 독립변수와 종속변수 그리고 상기 실시간/예보 기상장 생성부에서 생성한 예보 기상장 정보를 적용하여 악취원점의 예보 예측 농도를 생성하는 악취원점 예측/예보 농도 생성부; 및
암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물) 악취변수들간의 상관관계를 고려하는 다변량 통계적 회귀분석 방법을 통해서 악취원점의 암모니아(NH3), 황화수소(H2S), VOCs(휘발성유기화합물) 각 센서 별 계수값을 산출하고, 각 센서에서 측정되는 개별 악취에 계수값을 적용하여 복합악취도를 생성하는 악취원점 예측/예보 복합악취도 생성부;를 포함하는 것을 특징으로 하는 기상장과 인공신경망을 이용한 복합 악취 예측 시스템.The method of claim 4,
The odor origin point odor prediction/prediction unit,
The odor data preprocessing unit pre-processes the wind direction and wind speed among the wind field information of the odor control point and the odor origin as a vector to obtain the intensity and angle of the wind direction and wind speed between the odor control point and the odor origin point, and pre-processes the day and time of the categorical variables. ;
The odor origin point by applying the pre-processed independent variable and dependent variable to the odor origin point artificial neural network model generated by the odor origin prediction model generation unit, and the odor reference point and the wind field at the odor origin point generated by the real-time/forecast meteorological field generation unit. Pre-processed independent and dependent variables and forecast meteorological field information generated by the real-time/forecast meteorological field generator are applied to the malodor origin artificial neural network model generated by the malodor origin prediction model generation unit. An odor origin prediction/prediction concentration generator for generating a forecast prediction concentration of the odor origin; And
Ammonia (NH 3 ), hydrogen sulfide (H 2 S), VOCs (volatile organic compounds) Ammonia (NH 3 ), hydrogen sulfide (H 2 S) at the origin of odor through a multivariate statistical regression method that considers the correlation between odor variables , VOCs (Volatile Organic Compounds) calculating a coefficient value for each sensor, and applying the coefficient value to the individual odor measured by each sensor to generate a complex odor origin point prediction/prediction composite odor degree generator; A complex odor prediction system using a meteorological field and an artificial neural network.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200124368A KR102199905B1 (en) | 2020-09-25 | 2020-09-25 | Complex odor prediction system using meteorological field and artificial neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200124368A KR102199905B1 (en) | 2020-09-25 | 2020-09-25 | Complex odor prediction system using meteorological field and artificial neural network |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102199905B1 true KR102199905B1 (en) | 2021-01-11 |
Family
ID=74129275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200124368A KR102199905B1 (en) | 2020-09-25 | 2020-09-25 | Complex odor prediction system using meteorological field and artificial neural network |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102199905B1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102297183B1 (en) * | 2020-12-28 | 2021-09-02 | 주식회사 주빅스 | Heatwave prediction system using learning based on cluster analysis by land cover |
| KR102600107B1 (en) * | 2022-10-31 | 2023-11-07 | 주식회사 데카엔지니어링 | Method and apparatus of predicting sewage odor based on ai |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100951610B1 (en) * | 2009-09-10 | 2010-04-07 | 대한민국 | A system and method for climate change impact assessment using gis |
| KR101418262B1 (en) | 2012-11-05 | 2014-07-16 | 안산시 | Environment monitoring system |
| KR20150015328A (en) * | 2013-07-31 | 2015-02-10 | (주) 에이스엔 | Real-time odor monitoring system |
| KR20160097933A (en) * | 2015-02-10 | 2016-08-18 | 주식회사 주빅스 | Air quality prediction and management system for environment disaster early detection |
| KR20160121286A (en) * | 2015-04-10 | 2016-10-19 | 주식회사 태성환경연구소 | Method for tracking odor emission using unmanned air vehicle in real-time |
| KR20190119210A (en) * | 2018-03-30 | 2019-10-22 | 울산과학기술원 | Apparatus and method for sensor based realtime odor classification |
-
2020
- 2020-09-25 KR KR1020200124368A patent/KR102199905B1/en active IP Right Grant
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100951610B1 (en) * | 2009-09-10 | 2010-04-07 | 대한민국 | A system and method for climate change impact assessment using gis |
| KR101418262B1 (en) | 2012-11-05 | 2014-07-16 | 안산시 | Environment monitoring system |
| KR20150015328A (en) * | 2013-07-31 | 2015-02-10 | (주) 에이스엔 | Real-time odor monitoring system |
| KR101500438B1 (en) | 2013-07-31 | 2015-03-09 | (주) 에이스엔 | Real-time odor monitoring system |
| KR20160097933A (en) * | 2015-02-10 | 2016-08-18 | 주식회사 주빅스 | Air quality prediction and management system for environment disaster early detection |
| KR20160121286A (en) * | 2015-04-10 | 2016-10-19 | 주식회사 태성환경연구소 | Method for tracking odor emission using unmanned air vehicle in real-time |
| KR20190119210A (en) * | 2018-03-30 | 2019-10-22 | 울산과학기술원 | Apparatus and method for sensor based realtime odor classification |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102297183B1 (en) * | 2020-12-28 | 2021-09-02 | 주식회사 주빅스 | Heatwave prediction system using learning based on cluster analysis by land cover |
| KR102600107B1 (en) * | 2022-10-31 | 2023-11-07 | 주식회사 데카엔지니어링 | Method and apparatus of predicting sewage odor based on ai |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Elangasinghe et al. | Complex time series analysis of PM10 and PM2. 5 for a coastal site using artificial neural network modelling and k-means clustering | |
| Lauvaux et al. | Policy-relevant assessment of urban CO2 emissions | |
| Kormi et al. | Estimation of fugitive landfill methane emissions using surface emission monitoring and Genetic Algorithms optimization | |
| Voukantsis et al. | Intercomparison of air quality data using principal component analysis, and forecasting of PM10 and PM2. 5 concentrations using artificial neural networks, in Thessaloniki and Helsinki | |
| Nicolas et al. | Estimation of odor emission rate from landfill areas using the sniffing team method | |
| Kumar et al. | Evaluation of control strategies for industrial air pollution sources using American Meteorological Society/Environmental Protection Agency Regulatory Model with simulated meteorology by Weather Research and Forecasting Model | |
| KR102199905B1 (en) | Complex odor prediction system using meteorological field and artificial neural network | |
| Pérez et al. | Influence of the PBL scheme on high-resolution photochemical simulations in an urban coastal area over the Western Mediterranean | |
| Hendriks et al. | Ozone concentrations and damage for realistic future European climate and air quality scenarios | |
| Brancher et al. | Temporal variability in odour emissions: to what extent this matters for the assessment of annoyance using dispersion modelling | |
| Piringer et al. | Dispersion modelling for odour exposure assessment | |
| Hrad et al. | Comparison of forward and backward Lagrangian transport modelling to determine methane emissions from anaerobic digestion facilities | |
| Setiawan | Time series air quality forecasting with R Language and R Studio | |
| Figueroa et al. | A robust method for estimating landfill methane emissions | |
| Wojnarowska et al. | Identifying the location of odour nuisance emitters using spatial GIS analyses | |
| KR20060002324A (en) | Decision support system for air pollution source planning: apspdss | |
| Lisboa et al. | Dispersion of odorous gases in the atmosphere—Part I: Modeling approaches to the phenomenon | |
| Mlakar et al. | Zasavje canyon regional online air pollution modelling system in highly complex terrain–description and validation | |
| Pfeiffer et al. | Neural modelling of the spatial distribution of air pollutants | |
| Carnevale et al. | Impact of pollutant emission reductions on summertime aerosol feedbacks: A case study over the PO valley | |
| Onofrio et al. | A review on the use of air dispersion models for odour assessment | |
| Cui | Estimation of methane emissions from energy combustion based on wireless sensors and machine learning | |
| Castell et al. | Photochemical model evaluation of the surface ozone impact of a power plant in a heavily industrialized area of southwestern Spain | |
| Nicolas et al. | Odour annoyance assessments around landfill sites: methods and results | |
| Nahorski et al. | Consequences and Modeling Challenges Connected with Atmospheric Pollution |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |