KR102343736B1 - 환경시설물 침수 예측 시스템 및 환경시설물 침수 예측 방법 - Google Patents
환경시설물 침수 예측 시스템 및 환경시설물 침수 예측 방법 Download PDFInfo
- Publication number
- KR102343736B1 KR102343736B1 KR1020210131435A KR20210131435A KR102343736B1 KR 102343736 B1 KR102343736 B1 KR 102343736B1 KR 1020210131435 A KR1020210131435 A KR 1020210131435A KR 20210131435 A KR20210131435 A KR 20210131435A KR 102343736 B1 KR102343736 B1 KR 102343736B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- preset
- module
- manhole
- analysis
- Prior art date
Links
- 230000007613 environmental effect Effects 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 100
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 189
- 238000004458 analytical method Methods 0.000 claims abstract description 119
- 238000012038 vulnerability analysis Methods 0.000 claims abstract description 81
- 238000009792 diffusion process Methods 0.000 claims description 112
- 238000003062 neural network model Methods 0.000 claims description 58
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 18
- 230000000903 blocking effect Effects 0.000 claims description 14
- 238000007654 immersion Methods 0.000 claims description 13
- 238000004062 sedimentation Methods 0.000 claims description 13
- 239000002352 surface water Substances 0.000 claims description 12
- 238000011144 upstream manufacturing Methods 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 10
- 238000005086 pumping Methods 0.000 claims description 9
- 238000005206 flow analysis Methods 0.000 claims description 8
- 239000000470 constituent Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
- 238000003911 water pollution Methods 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
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Environmental & Geological Engineering (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
일실시예에 따르면, 실시간 관측 강우 데이터 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터를 기초로 SWMM(Storm Water Management Model) 모델을 이용하여 n시간 후의 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 생성하고, 상기 실시간 관측 강우 데이터, 상기 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터 및 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 기초로 학습이 완료된 제1 신경망 모델을 이용하여 상기 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터를 생성하는 맨홀 수위 예측 모듈; 상기 실시간 관측 강우 데이터 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터를 기초로 학습이 완료된 제2 신경망 모델을 이용하여 상기 n시간 후의 상기 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 생성하는 하천 수위 예측 모듈; 상기 실시간 관측 강우 데이터, 상기 n시간 후의 상기 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터 및 상기 n시간 후의 상기 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 학습이 완료된 제3 신경망 모델을 이용하여 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 적어도 하나의 해석 기법을 결정하는 해석 기법 결정 모듈; 상기 결정한 적어도 하나의 해석 기법에 따라 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 생성하는 확산 예측 모듈; 및 상기 생성한 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 기초로 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 생성하고, 상기 생성한 침수심 발생 정도 데이터를 기초로 상기 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성하는 홍수 취약성 분석 모듈을 포함한다.
Description
아래의 실시예들은 환경시설물 침수 예측 시스템 및 환경시설물 침수 예측 방법에 관한 것이다.
최근 발생한 주요 환경시설물 관련 침수피해 사례를 조사한 결과, 대부분 집중호우로 인한 내수 및 외수범람에 따른 피해로 나타났으며 침수·파손 등 환경시설물에 대한 직접적 피해 뿐만 아니라 1차적 침수피해 발생 후 환경시설물 운영 중단에 따른 대규모 수질오염과 주변과 연계된 산업기반시설 마비 등과 같은 2차적 피해로 연결되고 있는 것으로 나타나고 있다.
따라서, 집중호우로 인한 환경시설물의 침수피해는 사회적 파급력이 크므로 높은 수준의 방재성능이 요구될 뿐만 아니라 효율적인 대응체계가 요구되고 있으나 침수피해에 대한 상황 대처능력은 극히 미흡한 실정이다.
또한 기후변화에 따른 발생가능한 극한 자연재해로 인해 환경시설물에 대한 침수피해 영향을 예측할 수 있는 시스템을 개발하고 이를 적용한 사례가 전무하며 대부분의 경우 내수와 외수를 별도로 해석하여 각각의 침수피해 영향을 예측하고 있는 실정이어서 방재대책 수립 시 피해예측의 정확성 확보에 어려움이 따르고 있다.
일실시예에 따르면, 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 기초로 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 생성하고, 상기 생성한 침수심 발생 정도 데이터를 기초로 미리 설정된 환경 시설물에 대한 홍수 취약성을 분석할 수 있는 환경시설물 침수 예측 시스템 및 환경시설물 침수 예측 방법을 제공할 수 있다.
또한, 다른 실시예에 따르면, 실시간 관측 강우 데이터, n 시간 후의 상기 미리 설정된 맨홀의 맨홀 수위 예측 데이터 및 n 시간 후의 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 학습이 완료된 신경망 모델을 이용하여 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 적어도 하나의 해석 기법을 결정할 수 있는 환경시설물 침수 예측 시스템 및 환경시설물 침수 예측 방법을 제공할 수 있다.
또한, 또 다른 실시예에 따르면, 실시간 관측 강우 데이터 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터를 기초로 SWMM(Storm Water Management Model) 모델을 이용하여 n시간 후의 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 생성하고, 상기 실시간 관측 강우 데이터, 상기 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터 및 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 기초로 학습이 완료된 신경망 모델을 이용하여 상기 n 시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터를 생성할 수 있는 환경시설물 침수 예측 시스템 및 환경시설물 침수 예측 방법을 제공할 수 있다.
일실시예에 따르면, 실시간 관측 강우 데이터 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터를 기초로 SWMM(Storm Water Management Model) 모델을 이용하여 n시간 후의 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 생성하고, 상기 실시간 관측 강우 데이터, 상기 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터 및 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 기초로 학습이 완료된 제1 신경망 모델을 이용하여 상기 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터를 생성하는 맨홀 수위 예측 모듈; 상기 실시간 관측 강우 데이터 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터를 기초로 학습이 완료된 제2 신경망 모델을 이용하여 상기 n시간 후의 상기 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 생성하는 하천 수위 예측 모듈; 상기 실시간 관측 강우 데이터, 상기 n시간 후의 상기 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터 및 상기 n시간 후의 상기 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 학습이 완료된 제3 신경망 모델을 이용하여 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 적어도 하나의 해석 기법을 결정하는 해석 기법 결정 모듈; 상기 결정한 적어도 하나의 해석 기법에 따라 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 생성하는 확산 예측 모듈; 및 상기 생성한 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 기초로 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 생성하고, 상기 생성한 침수심 발생 정도 데이터를 기초로 상기 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성하는 홍수 취약성 분석 모듈을 포함한다.
또한, 상기 확산 예측 모듈은, 상기 해석 기법 결정 모듈이 상기 결정한 적어도 하나의 해석 기법이 내수침수 해석 기법인 경우, 상기 내수 확산 예측 데이터를 생성하는 내수 확산 분석 모듈; 및 상기 해석 기법 결정 모듈이 상기 결정한 적어도 하나의 해석 기법이 외수범람 해석 기법인 경우, 상기 외수 확산 예측 데이터를 생성하는 외수 확산 분석 모듈을 포함할 수 있다.
또한, 상기 내수 확산 분석 모듈은, 상기 실시간 관측 강우 데이터, 미리 저장된 배수관거 데이터 및 미리 저장된 상기 미리 설정된 환경 시설물을 포함하는 영역의 유역 특성 데이터를 기초로 상기 SWMM(Storm Water Management Model) 모델을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역의 유출량을 계산하는 유출량 계산 모듈; 상기 계산한 유출량을 기초로 배수관거를 구성하는 연결관로의 동적 유동해석을 이용하여 상기 복수개의 맨홀 각각의 월류량을 계산하는 맨홀 월류랑 계산 모듈; 및 상기 계산한 상기 복수개의 맨홀 각각의 월류량을 기초로 2D 유한 요소 기법 모델을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역에 대한 내수 확산 예측 데이터를 생성하는 내수 확산 예측 모듈을 포함할 수 있다.
또한, 상기 외수 확산 분석 모듈은, 상기 미리 설정된 하천의 상기 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 상기 미리 설정된 하천의 범람유량을 계산하는 범람유랑 계산 모듈; 및 상기 계산한 상기 미리 설정된 하천의 범람유량을 기초로 2D 유한 요소 기법 모델을 이용하여 미리 설정된 환경 시설물을 포함하는 영역에 대한 외수 확산 예측 데이터를 생성하는 외수 확산 예측 모듈을 포함할 수 있다.
또한, 상기 미리 설정된 환경시설물의 구성 설비는, 변전실, 침사지, 저류조 및 유압 펌프장일 수 있다.
또한, 상기 홍수 취약성 분석 모듈은, 상기 변전실, 상기 침사지, 상기 저류조 및 상기 유압 펌프장의 침수 발생 유무를 기초로 구조적 점검 지표 점수를 생성하고, 상기 유압 펌프장 수위, 상기 배수관거를 구성하는 연결관로의 상태, 상기 복수개의 맨홀 각각의 상태, 유입 차단 수문의 가동 여부 및 비상 방류 수문의 가동여부를 기초로 내부인자 점검 지표 점수를 생성하고, 상기 생성한 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 제1 기준을 기초로 평가한 제1 점수와 상기 미리 설정된 환경시설물과 상기 미리 설정된 하천 간의 이격거리를 제2 기준을 기초로 평가한 제2 점수를 결합하여 외부인자 점검 지표 점수를 생성하고, 상기 구조적 점검 지표 점수, 상기 내부인자 점검 지표 점수 및 상기 외부인자 점검 지표 점수를 합산한 점수를 기초로 상기 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성할 수 있다.
다른 실시예에 따르면, 맨홀 수위 예측 모듈, 하천 수위 예측 모듈, 해석 기법 결정 모듈, 확산 예측 모듈 및 홍수 취약성 분석 모듈을 포함하는 환경시설물 침수 예측 시스템에서 수행되는 환경시설물 침수 예측 방법에 있어서, 상기 맨홀 수위 예측 모듈이 실시간 관측 강우 데이터 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터를 기초로 SWMM(Storm Water Management Model) 모델을 이용하여 n시간 후의 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 생성하고, 상기 실시간 관측 강우 데이터, 상기 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터 및 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 기초로 학습이 완료된 제1 신경망 모델을 이용하여 상기 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터를 생성하는 단계; 상기 하천 수위 예측 모듈이 상기 실시간 관측 강우 데이터 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터를 기초로 학습이 완료된 제2 신경망 모델을 이용하여 상기 n시간 후의 상기 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 생성하는 단계; 상기 해석 기법 결정 모듈이 상기 실시간 관측 강우 데이터, 상기 n시간 후의 상기 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터 및 상기 n시간 후의 상기 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 학습이 완료된 제3 신경망 모델을 이용하여 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 적어도 하나의 해석 기법을 결정하는 단계; 상기 확산 예측 모듈이 상기 결정한 적어도 하나의 해석 기법에 따라 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 생성하는 단계; 및 상기 홍수 취약성 분석 모듈이 상기 생성한 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 기초로 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 생성하고, 상기 생성한 침수심 발생 정도 데이터를 기초로 상기 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성하는 단계를 포함한다.
또한, 상기 확산 예측 모듈은, 상기 해석 기법 결정 모듈이 상기 결정한 적어도 하나의 해석 기법이 내수침수 해석 기법인 경우, 상기 내수 확산 예측 데이터를 생성하는 내수 확산 분석 모듈; 및 상기 해석 기법 결정 모듈이 상기 결정한 적어도 하나의 해석 기법이 외수범람 해석 기법인 경우, 상기 외수 확산 예측 데이터를 생성하는 외수 확산 분석 모듈을 포함할 수 있다.
또한, 상기 내수 확산 분석 모듈은, 상기 실시간 관측 강우 데이터, 미리 저장된 배수관거 데이터 및 미리 저장된 상기 미리 설정된 환경 시설물을 포함하는 영역의 유역 특성 데이터를 기초로 상기 SWMM(Storm Water Management Model) 모델을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역의 유출량을 계산하는 유출량 계산 모듈; 상기 계산한 유출량을 기초로 배수관거를 구성하는 연결관로의 동적 유동해석을 이용하여 상기 복수개의 맨홀 각각의 월류량을 계산하는 맨홀 월류랑 계산 모듈; 및 상기 계산한 상기 복수개의 맨홀 각각의 월류량을 기초로 2D 유한 요소 기법 모델을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역에 대한 내수 확산 예측 데이터를 생성하는 내수 확산 예측 모듈을 포함할 수 있다.
또한, 상기 외수 확산 분석 모듈은, 상기 미리 설정된 하천의 상기 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 상기 미리 설정된 하천의 범람유량을 계산하는 범람유랑 계산 모듈; 및 상기 계산한 상기 미리 설정된 하천의 범람유량을 기초로 2D 유한 요소 기법 모델을 이용하여 미리 설정된 환경 시설물을 포함하는 영역에 대한 외수 확산 예측 데이터를 생성하는 외수 확산 예측 모듈을 포함할 수 있다.
또한, 상기 미리 설정된 환경시설물의 구성 설비는, 변전실, 침사지, 저류조 및 유압 펌프장일 수 있다.
또한, 상기 홍수 취약성 분석 모듈은, 상기 변전실, 상기 침사지, 상기 저류조 및 상기 유압 펌프장의 침수 발생 유무를 기초로 구조적 점검 지표 점수를 생성하고, 상기 유압 펌프장 수위, 상기 배수관거를 구성하는 연결관로의 상태, 상기 복수개의 맨홀 각각의 상태, 유입 차단 수문의 가동 여부 및 비상 방류 수문의 가동여부를 기초로 내부인자 점검 지표 점수를 생성하고, 상기 생성한 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 제1 기준을 기초로 평가한 제1 점수와 상기 미리 설정된 환경시설물과 상기 미리 설정된 하천 간의 이격거리를 제2 기준을 기초로 평가한 제2 점수를 결합하여 외부인자 점검 지표 점수를 생성하고, 상기 구조적 점검 지표 점수, 상기 내부인자 점검 지표 점수 및 상기 외부인자 점검 지표 점수를 합산한 점수를 기초로 상기 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성할 수 있다.
일실시예에 따르면, 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 기초로 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 생성하고, 상기 생성한 침수심 발생 정도 데이터를 기초로 미리 설정된 환경 시설물에 대한 홍수 취약성을 분석할 수 있는 효과가 있다.
또한, 실시간 관측 강우 데이터, n 시간 후의 상기 미리 설정된 맨홀의 맨홀 수위 예측 데이터 및 n 시간 후의 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 학습이 완료된 신경망 모델을 이용하여 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 적어도 하나의 해석 기법을 결정할 수 있는 효과가 있다.
또한, 실시간 관측 강우 데이터 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터를 기초로 SWMM(Storm Water Management Model) 모델을 이용하여 n시간 후의 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 생성하고, 상기 실시간 관측 강우 데이터, 상기 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터 및 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 기초로 학습이 완료된 신경망 모델을 이용하여 상기 n 시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터를 생성할 수 있는 효과가 있다.
도 1은 일실시예에 따른 환경시설물 침수 예측 시스템의 구성을 나타내는 도면이다.
도 2는 일실시예에 따른 맨홀 수위 예측 모듈의 구성을 나타내는 도면이다.
도 3은 일실시예에 따른 내수 확산 분석 모듈의 구성을 나타내는 도면이다.
도 4는 일실시예에 따른 외수 확산 분석 모듈의 구성을 나타내는 도면이다.
도 5는 일실시예에 따른 환경시설물 침수 예측 방법을 나타내는 플로우 차트이다.
도 6은 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템의 블록도이다.
도 2는 일실시예에 따른 맨홀 수위 예측 모듈의 구성을 나타내는 도면이다.
도 3은 일실시예에 따른 내수 확산 분석 모듈의 구성을 나타내는 도면이다.
도 4는 일실시예에 따른 외수 확산 분석 모듈의 구성을 나타내는 도면이다.
도 5는 일실시예에 따른 환경시설물 침수 예측 방법을 나타내는 플로우 차트이다.
도 6은 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템의 블록도이다.
본 명세서에 개시되어 있는 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 실시예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 실시예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 실시예들의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 실시예들에 따른 권리 범위로부터 이탈되지 않은 채, 제1구성요소는 제2구성요소로 명명될 수 있고, 유사하게 제2구성요소는 제1구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하의 설명에서 동일한 식별 기호는 동일한 구성을 의미하며, 불필요한 중복적인 설명 및 공지 기술에 대한 설명은 생략하기로 한다.
이하, 첨부한 도면을 참조하여 바람직한 실시예를 설명함으로써, 상세히 설명한다.
도 1은 일실시예에 따른 환경시설물 침수 예측 시스템의 구성을 나타내는 도면이다.
도 1을 참조하면, 일실시예에 따른 환경시설물 침수 예측 시스템(100)은 실시간 관측 강우 데이터(101), 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102) 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터(103)를 획득할 수 있다.
일실시예에 따라, 환경시설물 침수 예측 시스템(100)은 획득한 실시간 관측 강우 데이터(101), 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102) 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터(103)를 기초로 홍수 취약성 분석 데이터(104)를 생성할 수 있다.
일실시예에 따라, 환경시설물 침수 예측 시스템(100)은 맨홀 수위 예측 모듈(110), 하천 수위 예측 모듈(120), 해석 기법 결정 모듈(130), 확산 예측 모듈(140) 및 홍수 취약성 분석 모듈(150)을 포함할 수 있다.
일실시예에 따라, 환경시설물 침수 예측 시스템(100)이 포함하는 맨홀 수위 예측 모듈(110), 하천 수위 예측 모듈(120), 해석 기법 결정 모듈(130), 확산 예측 모듈(140) 및 홍수 취약성 분석 모듈(150)은 상호 연결되어 있으며, 상호 데이터를 전송하는 것이 가능하다.
일실시예에 따라, 맨홀 수위 예측 모듈(110)은 실시간 관측 강우 데이터(101) 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102)를 기초로 SWMM(Storm Water Management Model, 이하 "SWMM"이라 한다) 모델을 이용하여 n시간 후의 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 생성할 수 있다. 여기서 n시간은 2시간 일 수 있으나, n시간이 이에 한정되는 것은 아니다. 또한, 실시간 관측 강우 데이터(101)는 강우 센서에 의해 획득한 강우 데이터 일 수 있으나, 이에 한정되는 것은 아니다. 또한, 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102)는 복수개의 맨홀 각각에 포함된 맨홀 수위 센서가 획득한 수위 데이터일 수 있으나, 이에 한정되는 것은 아니다.
일실시예에 따라, 맨홀 수위 예측 모듈(110)은 실시간 관측 강우 데이터(101) 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102)를 기초로 SWMM(Storm Water Management Model) 모델을 이용하여 실시간 관측 강우 데이터(101) 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102)를 획득한 각각의 연속적인 시각으로부터 n시간 후의 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 연속적으로 생성할 수 있다.
일실시예에 따라, 맨홀 수위 예측 모듈(110)은 실시간 관측 강우 데이터(101), 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102) 및 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 기초로 학습이 완료된 제1 신경망 모델을 이용하여 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터를 생성할 수 있다. 여기서 학습이 완료된 제1 신경망 모델은 학습이 완료된 순환 신경망(Recurrent Neural Network, RNN) 모델 또는 학습이 완료된 인공신경망(Artificial Neural Network, ANN) 모델일 수 있으나, 학습이 완료된 제1 신경망 모델이 이에 한정되는 것은 아니다. 또한, n시간은 2시간 일 수 있으나, n시간이 이에 한정되는 것은 아니다. 또한, 미리 설정된 맨홀은 미리 설정된 환경시설물의 구성 설비에 대한 침수를 일으킬 수 있는 맨홀일 수 있으나, 미리 설정된 맨홀이 이에 한정되는 것은 아니다.
일실시예에 따라, 맨홀 수위 예측 모듈(110)은 실시간 관측 강우 데이터(101), 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102) 및 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 기초로 학습이 완료된 제1 신경망 모델을 이용하여 실시간 관측 강우 데이터(101), 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102) 및 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 획득한 각각의 연속적인 시각으로부터 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터를 연속적으로 생성할 수 있다.
일실시예에 따라, 하천 수위 예측 모듈(120)은 실시간 관측 강우 데이터(101) 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터(103)를 기초로 학습이 완료된 제2 신경망 모델을 이용하여 n 시간 후의 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 생성할 수 있다. 여기서 학습이 완료된 제2 신경망 모델은 학습이 완료된 순환 신경망(Recurrent Neural Network, RNN) 모델 또는 학습이 완료된 인공신경망(Artificial Neural Network, ANN) 모델일 수 있으나, 학습이 완료된 제2 신경망 모델이 이에 한정되는 것은 아니다. 또한, n시간은 2시간 일 수 있으나, n시간이 이에 한정되는 것은 아니다. 또한, 미리 설정된 하천은 미리 설정된 환경시설물의 구성 설비에 대한 침수를 일으킬 수 있는 하천일 수 있으나, 미리 설정된 하천이 이에 한정되는 것은 아니다. 또한, 미리 설정된 지점은 미리 설정된 환경시설물의 구성 설비에 대한 침수를 일으킬 수 있는 미리 설정된 하천의 특정 지점일 수 있으나, 미리 설정된 지점이 이에 한정되는 것은 아니다. 또한, 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터(103)는 하천 수위 센서에 의해 획득한 하천 수위 데이터일 수 있으나, 이에 한정되는 것은 아니다.
일실시예에 따라, 하천 수위 예측 모듈(120)은 실시간 관측 강우 데이터(101) 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터(103)를 기초로 학습이 완료된 제2 신경망 모델을 이용하여 실시간 관측 강우 데이터(101) 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터(103)를 획득한 각각의 연속적인 시각으로부터 n시간 후의 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 연속적으로 생성할 수 있다.
일실시예에 따라, 해석 기법 결정 모듈(130)은 실시간 관측 강우 데이터(101), n시간 후의 상기 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터 및 n시간 후의 상기 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 학습이 완료된 제3 신경망 모델을 이용하여 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 적어도 하나의 해석 기법을 결정할 수 있다. 여기서, n시간은 2시간 일 수 있으나, n시간이 이에 한정되는 것은 아니다. 또한, 해석 기법은 내수침수 해석 기법 또는 외수범람 해석 기법일 수 있으나, 해석 기법이 이에 한정되는 것은 아니다.
일실시예에 따라, 해석 기법 결정 모듈(130)은 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 적어도 하나의 해석 기법을 결정할 수 있는 학습이 완료된 제3 신경망 모델을 포함할 수 있다. 여기서, 학습이 완료된 제3 신경망 모델은 순환 신경망(Recurrent Neural Network, RNN) 모델 또는 인공신경망(Artificial Neural Network, ANN) 모델일 수 있으나, 학습이 완료된 제3 신경망 모델이 이에 한정되는 것은 아니다.
일실시예에 따라, 해석 기법 결정 모듈(130)이 포함하는 학습이 완료된 제3 신경망 모델은 미리 설정된 함수(예컨대, softmax 함수 등)를 이용하여 내수침수 해석 기법 또는 외수범람 해석 기법이 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위하여 얼마나 적절한지에 관한 적절성을 수치로 출력할 수 있다. 예를 들면, 해석 기법 결정 모듈(130)이 포함하는 학습이 완료된 제3 신경망 모델은 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위하여 내수침수 해석 기법의 적절성은 65%, 외수범람 해석 기법의 적절성은 35%로 출력할 수 있다.
일실시예에 따라, 해석 기법 결정 모듈(130)은 학습이 완료된 제3 신경망 모델이 출력하는 내수침수 해석 기법의 적절성이 90%이상인 경우, 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 해석 기법을 내수침수 해석 기법으로 결정할 수 있다.
일실시예에 따라, 해석 기법 결정 모듈(130)은 학습이 완료된 제3 신경망 모델이 출력하는 외수범람 해석 기법의 적절성이 90%이상인 경우, 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 해석 기법을 외수범람 해석 기법으로 결정할 수 있다.
일실시예에 따라, 학습이 완료된 제3 신경망 모델이 출력하는 내수침수 해석 기법의 적절성이 90%미만이고, 외수범람 해석 기법의 적절성이 90%미만인 경우, 해석 기법 결정 모듈(130)은 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 해석 기법을 내수침수 해석 기법과 외수범람 해석 기법으로 결정할 수 있다. 예를 들면, 해석 기법 결정 모듈(130)은 학습이 완료된 제3 신경망 모델이 출력하는 내수침수 해석 기법의 적절성이 90%미만이고, 외수범람 해석 기법의 적절성이 90%미만인 경우, 내수침수 해석 기법과 외수범람 해석 기법을 동시에 이용하여 미리 설정된 환경시설물에 대한 침수범람 여부를 판단할 것을 결정할 수 있다.
일실시예에 따라, 확산 예측 모듈(140)은 해석 기법 결정 모듈(130)이 결정한 적어도 하나의 해석 기법에 따라 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 생성할 수 있다.
일실시예에 따라, 확산 예측 모듈(140)은 내수 확산 분석 모듈(141) 및 외수 확산 분석 모듈(142)를 포함할 수 있다.
일실시예에 따라, 확산 예측 모듈(140)은 해석 기법 결정 모듈(130)이 결정한 해석 기법이 내수침수 해석 기법인 경우, 내수 확산 분석 모듈(141)을 이용하여 내수 확산 예측 데이터를 생성할 수 있다.
일실시예에 따라, 확산 예측 모듈(140)은 해석 기법 결정 모듈(130)이 결정한 해석 기법이 외수범람 해석 기법인 경우, 외수 확산 분석 모듈(142)을 이용하여 외수 확산 예측 데이터를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 확산 예측 모듈(140)이 생성한 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 기초로 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 생성할 수 있다. 여기서, 미리 설정된 환경시설물의 구성 설비는 변전실, 침사지, 저류조 및 유압 펌프장일 수 있으나, 미리 설정된 환경시설물의 구성 설비가 이에 한정되는 것은 아니다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 생성한 침수심 발생 정도 데이터를 기초로 상기 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 변전실, 침사지, 저류조 및 유압 펌프장의 침수 발생 유무를 기초로 구조적 점검 지표 점수를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 변전실, 침사지, 저류조 및 유압 펌프장 각각의 침수와 관련하여 미리 설정된 점수(예컨대, 25점)을 결정할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 변전실, 침사지, 저류조 및 유압 펌프장의 침수 발생 유무 각각과 관련하여 결정한 점수를 합산하여 구조적 점검 지표 점수를 생성할 수 있다. 예를 들면, 변전실, 침사지, 저류조 및 유압 펌프장 모두가 침수되면 홍수 취약성 분석 모듈(150)은 변전실, 침사지, 저류조 및 유압 펌프장 각각에 대한 점수를 25점으로 결정하고, 결정한 점수를 합산하여 100점의 구조적 점검 지표 점수를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 유압 펌프장 수위, 배수관거를 구성하는 연결관로의 상태, 복수개의 맨홀 각각의 상태, 유입 차단 수문의 가동 여부 및 비상 방류 수문의 가동여부를 기초로 내부인자 점검 지표 점수를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 유압 펌프장 수위, 배수관거를 구성하는 연결관로의 상태, 복수개의 맨홀 각각의 상태, 유입 차단 수문의 가동 여부 및 비상 방류 수문의 가동여부 각각과 관련하여 미리 설정된 점수(예컨대, 20점)을 결정할 수 있다. 예를 들면, 홍수 취약성 분석 모듈(150)은 유압 펌프장 수위가 미리 설정된 수위보다 높은 경우에 대한 점수를 20점으로 결정할 수 있다. 또한, 배수관거를 구성하는 연결관로에 흐르는 물의 양이 미리 설정된 양보다 많은 경우에 대한 점수를 20점으로 결정할 수 있다. 또한, 복수개의 맨홀 각각의 수위가 미리 설정된 수위보다 높은 경우에 대한 점수를 20점으로 결정할 수 있다. 또한, 유입 차단 수문이 가동하는 경우에 대한 점수를 20점으로 결정할 수 있다. 또한, 비상 방류 수문이 가동하는 경우에 대한 점수를 20점으로 결정할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 유압 펌프장 수위, 배수관거를 구성하는 연결관로의 상태, 복수개의 맨홀 각각의 상태, 유입 차단 수문의 가동 여부 및 비상 방류 수문의 가동여부 각각과 관련하여 결정한 점수를 합산하여 내부인자 점검 지표 점수를 생성할 수 있다. 예를 들면, 유압 펌프장 수위가 미리 설정된 수위보다 높고, 배수관거를 구성하는 연결관로에 흐르는 물의 양이 미리 설정된 양보다 많고, 복수개의 맨홀 각각의 수위가 미리 설정된 수위보다 높지만, 유입 차단 수문과 비상 방류 수문이 가동하지 않는 경우, 홍수 취약성 분석 모듈(150)은 유압 펌프장 수위, 배수관거를 구성하는 연결관로의 상태, 복수개의 맨홀 각각의 상태 각각과 관련한 점수를 20점으로 결정하고, 결정한 점수를 합산하여 60점의 내부인자 점검 지표 점수를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 제1 기준을 기초로 평가한 제1 점수를 결정할 수 있다. 여기서 제1 기준은 행정 안전부의 재해지도작성기준등에관한지침에 의한 6단계(0.5m 미만, 0.5~1.0m 미만, 1.0~1.5m 미만, 1.5~2.0m 미만, 2.0~3.0m 미만, 3.0m 이상)일 수 있으나, 제1 기준이 이에 한정되는 것은 아니다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터에 포함된 침수심이 0.5m 미만인 경우, 제1 점수를 0으로 결정할 수 있다. 또한, 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터에 포함된 침수심이 0.5~1.0m 미만인 경우, 제1 점수를 10점으로 결정할 수 있다. 또한, 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터에 포함된 침수심이 1.0~1.5m 미만인 경우, 제1 점수를 20점으로 결정할 수 있다. 또한, 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터에 포함된 침수심이 1.5~2.0m 미만인 경우, 제1 점수를 30점으로 결정할 수 있다. 또한, 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터에 포함된 침수심이 2.0~3.0m 미만인 경우, 제1 점수를 40점으로 결정할 수 있다. 또한, 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터에 포함된 침수심이 3.0m 이상인 경우, 제1 점수를 50점으로 결정할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터에 포함된 침수심을 행정 안전부의 재해지도작성기준등에관한지침에 의한 6단계로 평가하여 제1 점수를 결정할 수 있다. 예를 들면, 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터에 포함된 침수심이 1.5~2.0m 미만인 경우, 홍수 취약성 분석 모듈(150)은 제1 점수를 30점으로 결정할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 미리 설정된 환경시설물과 미리 설정된 하천 간의 이격거리를 제2 기준을 기초로 평가한 제2 점수를 결정할 수 있다. 여기서 제2 기준은 50m 이하, 50-100m 이하 및 100m 이상일 수 있으나, 제2 기준이 이에 한정되는 것은 아니다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 미리 설정된 환경시설물과 미리 설정된 하천 간의 이격거리가 50m 이하인 경우, 제2 점수를 50점으로 결정할 수 있다. 또한, 미리 설정된 환경시설물과 미리 설정된 하천 간의 이격거리가 50-100m 이하인 경우, 제2 점수를 25점으로 결정할 수 있다. 또한, 미리 설정된 환경시설물과 미리 설정된 하천 간의 이격거리가 100m 이상인 경우, 제2 점수를 0점으로 결정할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 미리 설정된 환경시설물과 미리 설정된 하천 간의 이격거리를 50m 이하, 50-100m 이하 및 100m 이상으로 평가하여 제2 점수를 결정할 수 있다. 예를 들면, 미리 설정된 환경시설물과 미리 설정된 하천 간의 이격거리가 50m 이하인 경우, 홍수 취약성 분석 모듈(150)은 제2 점수를 50점으로 결정할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 제1 점수와 제2 점수를 결합하여 외부인자 점검 지표 점수를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 구조적 점검 지표 점수, 내부인자 점검 지표 점수 및 외부인자 점검 지표 점수를 합산한 점수를 기초로 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 구조적 점검 지표, 내부인자 점검 지표 및 외부인자 점검 지표 각각에 대해 100점 만점으로 점수를 결정할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 점수를 결정한 구조적 점검 지표, 내부인자 점검 및 외부인자 점검 지표 각각에 대해 50%의 가중치를 적용하고 합산하여 홍수취약성 지수(Flood Vulnerability Index, FVI)를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 [수학식 1]을 이용하여 홍수취약성 지수(Flood Vulnerability Index, FVI)를 생성할 수 있다.
여기서 
는 구조적 점검 지표 점수(100점 만점)이고, 
= 내부인자 점검 지표 점수(100점 만점)이고, 
= 외부인자 점검 지표 점수(100점 만점)이다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 [수학식 1]에 의해 생성한 홍수취약성 지수(Flood Vulnerability Index, FVI)를 재난및안전관리기본법 제34조의5(재난분야 위기관리 매뉴얼의 작성 및 운영)의 규정에 근거한 [표 1]과 비교하여 홍수 취약성 분석 데이터를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 홍수 취약성 지수(FIV)가 30미만인 경우, 관심 단계 홍수 취약성 분석 데이터를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 시설물 유지 관리 계획 확인과 상황전파 및 안전관리에 관한 비상 대처 방안을 포함하여 관심 단계 홍수 취약성 분석 데이터를 생성할 수 있다. 여기서, 시설물 유지 관리 계획 확인은 배후지형을 고려하여 침수가 발생할 가능성이 높은 환경설비에 대한 초기대응활동에 필요한 유지관리 활동을 사전에 실시하기 위한 것이고, 안전관리에 관한 비상 대처 방안은 시설관리 담당자에게 상황정보를 전파한 후 순찰을 강화하여 해당 시설에 대한 안전관리 계획을 선제적으로 고려할 수 있도록 하기 위한 것이다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 홍수 취약성 지수(FIV)가 30이상 50미만인 경우, 주의 단계 홍수 취약성 분석 데이터를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 경고와 보고, 시설물 점검 및 위험수준 평가에 관한 비상 대처 방안을 포함하여 주의 단계 홍수 취약성 분석 데이터를 생성할 수 있다. 여기서, 경고와 보고는 침수가 발생하기 시작하는 환경설비에 대한 대응활동으로 경고상황을 시설관리 담당자에게 보고하기 위한 것이고, 시설물 점검 및 위험수준 평가에 관한 비상 대처 방안은 피해발생 시설물의 점검 및 향후 피해확산 가능성에 대한 위험수준을 평가하기 위한 것이다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 홍수 취약성 지수(FIV)가 50이상 80미만인 경우, 경계 단계 홍수 취약성 분석 데이터를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 주요 시설물 접근 차단 및 운영인원 대피 권고에 관한 비상 대처 방안을 포함하여 경계 단계 홍수 취약성 분석 데이터를 생성할 수 있다. 여기서, 주요 시설물 접근 차단은 환경 시설물의 구성 설비인 변전실, 침사지, 저류조 및 유압 펌프장 등과 같은 주요 환경설비에 대한 접근을 차단하기 위한 것이고, 운영인원 대피 권고에 관한 비상 대처 방안은 주변으로의 피해확산 가능성을 사전에 예측하여 시설운영 담당자에게 비상대피를 권고하기 위한 것이다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 홍수 취약성 지수(FIV)가 80이상인 경우, 심각 단계 홍수 취약성 분석 데이터를 생성할 수 있다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 시설물 운영 중지 및 폐쇄 및 운영인원 즉각 대피 및 구조에 관한 비상 대처 방안을 포함하여 심각 단계 홍수 취약성 분석 데이터를 생성할 수 있다. 여기서, 시설물 운영 중지 및 폐쇄는 환경시설물의 운영 중지 및 폐쇄를 결정하는 것이고, 운영인원 즉각 대피 및 구조에 관한 비상 대처 방안은 시설운영 담당자를 즉각 계획된 경로로 대피시키고 환경시설물내의 고립된 인원에 대한 구조를 수행하기 위한 것이다.
일실시예에 따라, 홍수 취약성 분석 모듈(150)은 생성한 홍수 취약성 분석 데이터를 미리 설정된 장치(예컨대, 미리 설정된 환경 시설물의 관제 센터의 홍수 경고 장치 등)로 전송할 수 있다.
여기서 사용된 '장치 또는 모듈'이라는 용어는 논리적인 구성 단위를 나타내는 것으로서, 반드시 물리적으로 구분되는 구성 요소가 아니라는 점은 본 발명이 속하는 기술분야의 당업자에게 자명한 사항이다.
도 2는 일실시예에 따른 맨홀 수위 예측 모듈의 구성을 나타내는 도면이다.
도 2를 참조하면, 일실시예에 따른 맨홀 수위 예측 모듈(110)은 실시간 관측 강우 데이터(101) 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102)를 기초로 제2 맨홀 수위 예측 데이터(115)를 생성할 수 있다.
일실시예에 따라, 맨홀 수위 예측 모듈(110)은 SWMM 모델(111) 및 제1 신경망 모델(112)을 포함할 수 있다.
일실시예에 따라, 맨홀 수위 예측 모듈(110)이 포함하는 SWMM 모델(111) 및 제1 신경망 모델(112)은 상호 연결되어 있으며, 상호 데이터를 전송하는 것이 가능하다.
일실시예에 따라, SWMM 모델(111)은 실시간 관측 강우 데이터(101) 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102)를 기초로 n시간(예컨대, 2시간) 후의 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터(113)를 생성할 수 있다.
일실시예에 따라, SWMM 모델(111)은 생성한 n시간(예컨대, 2시간) 후의 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터(113)를 제1 신경망 모델(112)로 전송할 수 있다.
일실시예에 따라, SWMM 모델(111)은 실시간 관측 강우 데이터(101) 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102)를 기초로 실시간 관측 강우 데이터(101) 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102)를 획득한 각각의 연속적인 시각으로부터 n시간(예컨대, 2시간) 후의 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터(113)를 연속적으로 생성할 수 있다.
일실시예에 따라, SWMM 모델(111)은 연속적으로 생성한 n시간(예컨대, 2시간) 후의 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터(113)를 제1 신경망 모델(112)로 전송할 수 있다.
일실시예에 따라, 제1 신경망 모델(112)은 학습이 완료된 신경망 모델일 수 있다.
일실시예에 따라, 제1 신경망 모델(112)은 학습이 완료된 순환 신경망(Recurrent Neural Network, RNN) 모델 또는 학습이 완료된 인공신경망(Artificial Neural Network, ANN) 모델일 수 있으나, 제1 신경망 모델이 이에 한정되는 것은 아니다.
일실시예에 따라, 제1 신경망 모델(112)은 실시간 관측 강우 데이터(101)와 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102)와의 통계적 상관관계를 나타내도록 학습된 신경망 모델일 수 있다.
일실시예에 따라, 제1 신경망 모델(112)은 실시간 관측 강우 데이터(101), 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102) 및 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터(113)를 기초로 복수개의 맨홀 각각의 맨홀 수위 예측 데이터를 생성할 수 있다.
일실시예에 따라, 제1 신경망 모델(112)은 시간 지연 유닛(time-delay unit)(114)을 이용하여 생성한 복수개의 맨홀 각각의 맨홀 수위 예측 데이터를 n시간만큼 시간 지연(time-delay) 시켜 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터(115)를 생성할 수 있다.
일실시예에 따라, 제1 신경망 모델(112)은 실시간 관측 강우 데이터(101), 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102) 및 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터(113)를 기초로 실시간 관측 강우 데이터(101), 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102) 및 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터(113)를 획득한 각각의 연속적인 시각과 대응되는 복수개의 맨홀 각각의 맨홀 수위 예측 데이터를 연속적으로 생성할 수 있다.
일실시예에 따라, 제1 신경망 모델(112)은 시간 지연 유닛(time-delay unit)(114)을 이용하여 연속적으로 생성한 복수개의 맨홀 각각의 맨홀 수위 예측 데이터를 n시간만큼 시간 지연(time-delay) 시켜 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터(115)를 연속적으로 생성할 수 있다.
다른 실시예에 따라, 제1 신경망 모델(112)은 실시간 관측 강우 데이터(101), 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터(102) 및 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터(113)를 기초로 내부에 포함된 시간 지연 유닛(time-delay unit)(미도시)을 이용하여 현재 시각으로부터 n시간만큼 시간 지연(time-delay)시킨 복수개의 맨홀 각각의 맨홀 수위 예측 데이터인 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터(115)를 생성할 수 있다.
도 3은 일실시예에 따른 내수 확산 분석 모듈의 구성을 나타내는 도면이다.
도 3을 참조하면, 일실시예에 따른 내수 확산 분석 모듈(141)은 실시간 관측 강우 데이터(101)를 기초로 내수 확산 예측 데이터(1414)를 생성할 수 있다.
일실시예에 따라, 내수 확산 분석 모듈(141)은 유출량 계산 모듈(1411), 맨홀 월류량 계산 모듈(1412) 및 내수 확산 예측 모듈(1413)을 포함할 수 있다.
일실시예에 따라, 내수 확산 분석 모듈(141)이 포함하는 유출량 계산 모듈(1411), 맨홀 월류량 계산 모듈(1412) 및 내수 확산 예측 모듈(1413)은 상호 연결되어 있으며, 상호 데이터를 전송하는 것이 가능하다.
일실시예에 따라, 유출량 계산 모듈(1411)은 실시간 관측 강우 데이터(101), 미리 저장된 배수관거 데이터 및 미리 저장된 미리 설정된 환경 시설물을 포함하는 영역의 유역 특성 데이터를 기초로 SWMM 모델을 이용하여 미리 설정된 환경 시설물을 포함하는 영역의 유출량 데이터를 계산할 수 있다. 여기서, 미리 저장된 배수관거 데이터는 배수관거를 구성하는 연결관로의 제원 데이터, 배수관거를 구성하는 맨홀의 제원 데이터 및 배수관거를 구성하는 연결관로 경사 데이터 등을 포함할 수 있으나, 미리 저장된 배수관거 데이터가 포함할 수 있는 데이터가 이에 한정되는 것은 아니다. 또한, 유역 특성 데이터는 유역폭 데이터, 유역 경사 데이터, 불투수율 데이터 등을 포함할 수 있으나, 유역 특성 데이터가 포함할 수 있는 데이터가 이에 한정되는 것은 아니다.
일실시예에 따라, 유출량 계산 모듈(1411)은 SWMM 모델에 포함된 [수학식 2]를 이용하여 미리 설정된 환경 시설물을 포함하는 영역의 유역에서 발생하는 유출량을 계산할 수 있다.
여기서, 
= 소유역 폭[m]이고, 
= Manning 조도 계수이고, 
= 지표유량에 대한 수심[m]이고, 
= 지표면 저류 깊이 [m]이고, 
= 소유역 경사이다.
일실시예에 따라, 맨홀 월류량 계산 모듈(1412)은 계산한 유출량을 기초로 배수관거를 구성하는 연결관로의 동적 유동해석을 이용하여 상기 복수개의 맨홀 각각의 월류량을 계산할 수 있다.
일실시예에 따라, 맨홀 월류량 계산 모듈(1412)은 유출량 계산 모듈(1411)이 계산한 월류량을 배수관거의 구성요소인 맨홀과 연결관로의 동적 유동해석을 위한 입력 데이터로 이용할 수 있다.
일실시예에 따라, 맨홀 월류량 계산 모듈(1412)은 미리 저장된 배수관거 데이터를 이용하여 연결관로에서의 동적 유동을 해석하기 위해 연결관로와 관련된 [수학식 3]을 이용하여 연결관로 내의 시공간적 수위 변화를 예측할 수 있다.
여기서, 
= 단면적[m2]이고, 
= 연결관로 유량[m3/sec]이고, 
= 연결관로 유속[m/sec]이고, 
= 연결관로 수위[m]이고, 
= 중력가속도[m/sec2]이고, 
= 마찰(에너지) 경사이다.
일실시예에 따라, 맨홀 월류량 계산 모듈(1412)은 미리 저장된 배수관거 데이터를 이용하여 연결관로에서의 동적 유동을 해석하기 위해 맨홀과 관련된 [수학식 4]를 이용하여 맨홀 내의 시공간적 수위 변화를 예측할 수 있다.
여기서, 
는 시간 t에서의 맨홀 유량이고, 
= 맨홀에서의 수표면적[m2]이다.
일실시예에 따라, 맨홀 월류량 계산 모듈(1412)은 맨홀에서의 예측수위가 맨홀의 선단높이를 넘어서는 경우, 월류가 발생하였다고 결정하고, 월류 수심을 유량으로 산정하기 위한 [수학식 5]를 이용하여 월류량(
)을 계산할 수 있다.
여기서, 
= 위어 유량계수이고, 
= 위어 길이[m]이고, 
= 중력가속도[m/sec2]이고, 
= 맨홀의 월류수심[m]이다.
일실시예에 따라, 내수 확산 예측 모듈(1413)은 계산한 상기 복수개의 맨홀 각각의 월류량을 기초로 2D 유한 요소 기법 모델을 이용하여 미리 설정된 환경 시설물을 포함하는 영역에 대한 내수 확산 예측 데이터를 생성할 수 있다.
일실시예에 따라, 내수 확산 예측 모듈(1413)은 미리 설정된 환경 시설물을 포함하는 영역의 지표면 영역에 유한요소기법으로 공간적으로 이산화 된 2차원 수치격자를 생성하고, 복수개의 맨홀 각각의 위치정보를 수치격자 공간정보에 중첩시켜 해당 절점에서 계산된 월류량을 내부 절점의 경계조건으로 지정한 후 나머지 절점들에 대해 지표면 흐름과 관련된 [수학식 6]을 이용하여 시공간적인 수위변동을 계산하여 내수 확산 데이터를 생성할 수 있다.
여기서, 
= 지표면 수위[m]이고, 
= 확산계수이고, 
= 지표면 수심[m]이고, 
= 지표면 전단응력[N/m2]이고, 
= 물의 밀도[kg/m3]이고, 
= 강우에 의한 유입량[m3/sec/m2]이고, 
= 맨홀 월류량에 의한 유입량[m3/sec/m2]이다.
도 4는 일실시예에 따른 외수 확산 분석 모듈의 구성을 나타내는 도면이다.
도 4를 참조하면, 일실시예에 따른 외수 확산 분석 모듈(142)은 미리 설정된 지점의 하천 수위 예측 데이터(1421)를 기초로 외수 확산 예측 데이터를(1424)를 생성할 수 있다.
일실시예에 따라, 외수 확산 분석 모듈(142)은 범람유랑 계산 모듈(1422) 및 외수 확산 예측 모듈(1423)을 포함할 수 있다.
일실시예에 따라, 외수 확산 분석 모듈(142)이 포함하는 범람유랑 계산 모듈(1422) 및 외수 확산 예측 모듈(1423)은 상호 연결되어 있으며, 상호 데이터를 전송하는 것이 가능하다.
일실시예에 따라, 범람유랑 계산 모듈(1422)은 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 미리 설정된 하천의 범람유량을 계산할 수 있다.
일실시예에 따라, 범람유랑 계산 모듈(1422)은 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 [수학식 7]을 이용하여 미리 설정된 하천의 범람유량(
)을 계산할 수 있다.
여기서 
= 유량계수이고, 
= 제방의 월류부 폭[m]이고, 
= 하천예측수위 - 제방고인 범람수심이다.
일실시예에 따라, 외수 확산 예측 모듈(1423)은 계산한 상기 미리 설정된 하천의 범람유량을 기초로 2D 유한 요소 기법 모델을 이용하여 미리 설정된 환경 시설물을 포함하는 영역에 대한 외수 확산 예측 데이터를 생성할 수 있다.
일실시예에 따라, 외수 확산 예측 모듈(1423)은 미리 설정된 환경 시설물을 포함하는 영역의 지표면 영역에 유한요소기법으로 공간적으로 이산화 된 2차원 수치격자를 생성하고, 범람유량 발생지점에 대한 위치 정보를 수치격자 공간정보에 중첩시켜 내부절점에 대한 경계조건으로 지정한 후 나머지 절점들에 대해 지표면 흐름과 관련된 [수학식 8]을 이용하여 시공간적인 수위변동을 계산하여 외수 확산 데이터를 생성할 수 있다.
여기서, 
= 지표면 수위[m]이고, 
= 확산계수이고, 
= 지표면 수심[m]이고, 
= 지표면 전단응력[N/m2]이고, 
= 물의 밀도[kg/m3]이고, 
= 강우에 의한 유입량[m3/sec/m2]이고, 
= 제방 월류량에 의한 유입량[m3/sec/m2]이다.
도 5는 일실시예에 따른 환경시설물 침수 예측 방법을 나타내는 플로우 차트이다.
도 5를 참조하면, 일실시예에 따른 환경시설물 침수 예측 시스템이 실시간 관측 강우 데이터 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터를 기초로 SWMM(Storm Water Management Model) 모델을 이용하여 n시간 후의 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 생성하고, 상기 실시간 관측 강우 데이터, 상기 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터 및 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 기초로 학습이 완료된 제1 신경망 모델을 이용하여 상기 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터를 생성한다(500).
여기서, 환경시설물 침수 예측 시스템은 실시간 관측 강우 데이터 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터를 기초로 SWMM 모델을 이용하여 n시간 후의 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 생성할 수 있다.
또한, 환경시설물 침수 예측 시스템은 실시간 관측 강우 데이터, 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터 및 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 기초로 학습이 완료된 제1 신경망 모델을 이용하여 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터를 생성할 수 있다. 여기서 학습이 완료된 제1 신경망 모델은 학습이 완료된 순환 신경망(Recurrent Neural Network, RNN) 모델 또는 학습이 완료된 인공신경망(Artificial Neural Network, ANN) 모델일 수 있으나, 학습이 완료된 제1 신경망 모델이 이에 한정되는 것은 아니다. 또한, n시간은 2시간 일 수 있으나, n시간이 이에 한정되는 것은 아니다. 또한, 미리 설정된 맨홀은 미리 설정된 환경시설물의 구성 설비에 대한 침수를 일으킬 수 있는 맨홀일 수 있으나, 미리 설정된 맨홀이 이에 한정되는 것은 아니다.
환경시설물 침수 예측 시스템이 상기 실시간 관측 강우 데이터 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터를 기초로 학습이 완료된 제2 신경망 모델을 이용하여 상기 n시간 후의 상기 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 생성한다(510).
여기서, 환경시설물 침수 예측 시스템은 실시간 관측 강우 데이터 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터를 기초로 학습이 완료된 제2 신경망 모델을 이용하여 n 시간 후의 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 생성할 수 있다. 여기서 학습이 완료된 제2 신경망 모델은 학습이 완료된 순환 신경망(Recurrent Neural Network, RNN) 모델 또는 학습이 완료된 인공신경망(Artificial Neural Network, ANN) 모델일 수 있으나, 학습이 완료된 제2 신경망 모델이 이에 한정되는 것은 아니다. 또한, n시간은 2시간 일 수 있으나, n시간이 이에 한정되는 것은 아니다. 또한, 미리 설정된 하천은 미리 설정된 환경시설물의 구성 설비에 대한 침수를 일으킬 수 있는 하천일 수 있으나, 미리 설정된 하천이 이에 한정되는 것은 아니다. 또한, 미리 설정된 지점은 미리 설정된 환경시설물의 구성 설비에 대한 침수를 일으킬 수 있는 미리 설정된 하천의 특정 지점일 수 있으나, 미리 설정된 지점이 이에 한정되는 것은 아니다.
환경시설물 침수 예측 시스템이 상기 실시간 관측 강우 데이터, 상기 n시간 후의 상기 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터 및 상기 n시간 후의 상기 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 학습이 완료된 제3 신경망 모델을 이용하여 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 적어도 하나의 해석 기법을 결정한다(520).
여기서, 학습이 완료된 제3 신경망 모델은 순환 신경망(Recurrent Neural Network, RNN) 모델 또는 인공신경망(Artificial Neural Network, ANN) 모델일 수 있으나, 학습이 완료된 제3 신경망 모델이 이에 한정되는 것은 아니다.
또한, 환경시설물 침수 예측 시스템이 포함하는 학습이 완료된 제3 신경망 모델은 미리 설정된 함수(예컨대, softmax 함수 등)를 이용하여 내수침수 해석 기법 또는 외수범람 해석 기법이 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위하여 얼마나 적절한지에 관한 적절성을 수치로 출력할 수 있다.
환경시설물 침수 예측 시스템이 상기 결정한 적어도 하나의 해석 기법에 따라 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 생성한다(530).
여기서, 환경시설물 침수 예측 시스템은 실시간 관측 강우 데이터, 미리 저장된 배수관거 데이터 및 미리 저장된 미리 설정된 환경 시설물을 포함하는 영역의 유역 특성 데이터를 기초로 SWMM 모델을 이용하여 미리 설정된 환경 시설물을 포함하는 영역의 유출량 데이터를 계산할 수 있다. 여기서, 미리 저장된 배수관거 데이터는 배수관거를 구성하는 연결관로의 제원 데이터, 배수관거를 구성하는 맨홀의 제원 데이터 및 배수관거를 구성하는 연결관로 경사 데이터 등을 포함할 수 있으나, 미리 저장된 배수관거 데이터가 포함할 수 있는 데이터가 이에 한정되는 것은 아니다. 또한, 유역 특성 데이터는 유역폭 데이터, 유역 경사 데이터, 불투수율 데이터 등을 포함할 수 있으나, 유역 특성 데이터가 포함할 수 있는 데이터가 이에 한정되는 것은 아니다.
또한, 환경시설물 침수 예측 시스템은 계산한 유출량을 기초로 배수관거를 구성하는 연결관로의 동적 유동해석을 이용하여 상기 복수개의 맨홀 각각의 월류량을 계산할 수 있다.
또한, 환경시설물 침수 예측 시스템은 계산한 월류량을 배수관거의 구성요소인 맨홀과 연결관로의 동적 유동해석을 위한 입력 데이터로 이용할 수 있다.
또한, 환경시설물 침수 예측 시스템은 상기 계산한 상기 복수개의 맨홀 각각의 월류량을 기초로 2D 유한 요소 기법 모델을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역에 대한 내수 확산 예측 데이터를 생성할 수 있다.
또한, 환경시설물 침수 예측 시스템은 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 미리 설정된 하천의 범람유량을 계산할 수 있다.
또한, 환경시설물 침수 예측 시스템은 계산한 상기 미리 설정된 하천의 범람유량을 기초로 2D 유한 요소 기법 모델을 이용하여 미리 설정된 환경 시설물을 포함하는 영역에 대한 외수 확산 예측 데이터를 생성할 수 있다.
환경시설물 침수 예측 시스템이 상기 생성한 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 기초로 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 생성하고, 상기 생성한 침수심 발생 정도 데이터를 기초로 상기 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성한다(540).
여기서, 미리 설정된 환경시설물의 구성 설비는 변전실, 침사지, 저류조 및 유압 펌프장일 수 있으나, 미리 설정된 환경시설물의 구성 설비가 이에 한정되는 것은 아니다.
또한, 환경시설물 침수 예측 시스템은 변전실, 침사지, 저류조 및 유압 펌프장의 침수 발생 유무를 기초로 구조적 점검 지표 점수를 생성할 수 있다.
또한, 환경시설물 침수 예측 시스템은 유압 펌프장 수위, 배수관거를 구성하는 연결관로의 상태, 복수개의 맨홀 각각의 상태, 유입 차단 수문의 가동 여부 및 비상 방류 수문의 가동여부를 기초로 내부인자 점검 지표 점수를 생성할 수 있다.
또한, 환경시설물 침수 예측 시스템은 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 제1 기준을 기초로 평가한 제1 점수를 결정할 수 있다.
또한, 환경시설물 침수 예측 시스템은 미리 설정된 환경시설물과 미리 설정된 하천 간의 이격거리를 제2 기준을 기초로 평가한 제2 점수를 결정할 수 있다. 여기서 제2 기준은 50m 이하, 50-100m 이하 및 100m 이상일 수 있으나, 제2 기준이 이에 한정되는 것은 아니다.
또한, 환경시설물 침수 예측 시스템은 제1 점수와 제2 점수를 결합하여 외부인자 점검 지표 점수를 생성할 수 있다.
또한, 환경시설물 침수 예측 시스템은 구조적 점검 지표, 내부인자 점검 지표 및 외부인자 점검 지표 각각에 대해 100점 만점으로 점수를 결정할 수 있다.
또한, 환경시설물 침수 예측 시스템은 점수를 결정한 구조적 점검 지표, 내부인자 점검 및 외부인자 점검 지표 각각에 대해 50%의 가중치를 적용하고 합산하여 홍수취약성 지수(Flood Vulnerability Index, FVI)를 생성할 수 있다.
또한, 환경시설물 침수 예측 시스템은 생성한 홍수취약성 지수(Flood Vulnerability Index, FVI)를 기초로 홍수 취약성 분석 데이터를 생성할 수 있다.
또한, 환경시설물 침수 예측 시스템은 생성한 홍수 취약성 분석 데이터를 미리 설정된 장치(예컨대, 미리 설정된 환경 시설물의 관제 센터의 홍수 경고 장치 등)로 전송할 수 있다.
도 6은 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템의 블록도이다.
도 6을 참조하면, 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템은 정보를 교환하기 위한 버스 또는 다른 커뮤니케이션 채널(601)을 포함하고, 프로세서(602)는 정보를 처리하기 위하여 버스(601)와 연결된다.
컴퓨터 시스템(600)은 정보 및 프로세서(602)에 의해 처리되는 명령들을 저장하기 위하여 버스(601)와 연결된 RAM(Random Access Memory) 또는 다른 동적 저장 장치인 메인 메모리(603)를 포함한다.
또한, 메인 메모리(603)는 프로세서(602)에 의한 명령들의 실행동안 임시변수들 또는 다른 중간 정보를 저장하기 위해 사용될 수 있다.
컴퓨터 시스템(600)은 프로세서(602)에 대한 정적인 정보 또는 명령들을 저장하기 위하여 버스(601)에 결합된 ROM(Read Only Memory) 및 다른 정적 저장장치(604)를 포함할 수 있다.
마그네틱 디스크, 집(zip) 또는 광 디스크 같은 대량 저장장치(605) 및 그것과 대응하는 드라이브 또한 정보 및 명령들을 저장하기 위하여 컴퓨터 시스템(600)에 연결될 수 있다.
컴퓨터 시스템(600)은 엔드 유저(end user)에게 정보를 디스플레이 하기 위하여 버스(601)를 통해 음극선관 또는 엘씨디 같은 디스플레이 장치(610)와 연결될 수 있다.
키보드(620)와 같은 문자 입력 장치는 프로세서(602)에 정보 및 명령을 전달하기 위하여 버스(601)에 연결될 수 있다.
다른 유형의 사용자 입력 장치는 방향 정보 및 명령 선택을 프로세서(602)에 전달하고, 디스플레이(610) 상의 커서의 움직임을 제어하기 위한 마우스, 트랙볼 또는 커서 방향 키들과 같은 커서 컨트롤 장치(630)이다.
통신 장치(640) 역시 버스(601)와 연결된다.
통신 장치(640)는 지역 네트워크 또는 광역망에 접속되는 것을 서포트 하기 위하여 모뎀, 네트워크 인터페이스 카드, 이더넷, 토큰 링 또는 다른 유형의 물리적 결합물과 연결하기 위해 사용되는 인터페이스 장치를 포함할 수 있다. 이러한 방식으로 컴퓨터 시스템(600)은 인터넷 같은 종래의 네트워크 인프라 스트럭쳐를 통하여 다수의 클라이언트 및 서버와 연결될 수 있다.
여기서 사용된 '장치'라는 용어는 논리적인 구성 단위를 나타내는 것으로서, 반드시 물리적으로 구분되는 구성 요소가 아니라는 점은 본 발명이 속하는 기술분야의 당업자에게 자명한 사항이다.
이상에서, 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 실시예들의 목적 범위 안에서라면, 그 모든 구성 요소들이 적어도 하나로 선택적으로 결합하여 동작할 수도 있다.
또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다.
이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 등이 포함될 수 있다.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다.
기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명에서 개시된 방법들은 상술된 방법을 달성하기 위한 하나 이상의 동작들 또는 단계들을 포함한다. 방법 동작들 및/또는 단계들은 청구항들의 범위를 벗어나지 않으면서 서로 상호 교환될 수도 있다. 다시 말해, 동작들 또는 단계들에 대한 특정 순서가 명시되지 않는 한, 특정 동작들 및/또는 단계들의 순서 및/또는 이용은 청구항들의 범위로부터 벗어남이 없이 수정될 수도 있다.
본 발명에서 이용되는 바와 같이, 아이템들의 리스트 중 "그 중 적어도 하나" 를 지칭하는 구절은 단일 멤버들을 포함하여, 이들 아이템들의 임의의 조합을 지칭한다. 일 예로서, "a, b, 또는 c: 중의 적어도 하나" 는 a, b, c, a-b, a-c, b-c, 및 a-b-c 뿐만 아니라 동일한 엘리먼트의 다수의 것들과의 임의의 조합 (예를 들어, a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, 및 c-c-c 또는 a, b, 및 c 의 다른 임의의 순서 화한 것) 을 포함하도록 의도된다.
본 발명에서 이용되는 바와 같이, 용어 "결정하는"는 매우 다양한 동작들을 망라한다. 예를 들어, "결정하는"는 계산하는, 컴퓨팅, 프로세싱, 도출하는, 조사하는, 룩업하는 (예를 들어, 테이블, 데이터베이스, 또는 다른 데이터 구조에서 룩업하는), 확인하는 등을 포함할 수도 있다. 또한, "결정하는"은 수신하는 (예를 들면, 정보를 수신하는), 액세스하는 (메모리의 데이터에 액세스하는) 등을 포함할 수 있다. 또한, "결정하는"은 해결하는, 선택하는, 고르는, 확립하는 등을 포함할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100... 환경시설물 침수 예측 시스템
Claims (7)
- 실시간 관측 강우 데이터 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터를 기초로 SWMM(Storm Water Management Model) 모델을 이용하여 n시간 후의 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 생성하고, 상기 실시간 관측 강우 데이터, 상기 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터 및 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 기초로 학습이 완료된 제1 신경망 모델을 이용하여 상기 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터를 생성하는 맨홀 수위 예측 모듈;
상기 실시간 관측 강우 데이터 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터를 기초로 학습이 완료된 제2 신경망 모델을 이용하여 상기 n시간 후의 상기 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 생성하는 하천 수위 예측 모듈;
상기 실시간 관측 강우 데이터, 상기 n시간 후의 상기 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터 및 상기 n시간 후의 상기 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 학습이 완료된 제3 신경망 모델을 이용하여 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 적어도 하나의 해석 기법을 결정하는 해석 기법 결정 모듈;
상기 결정한 적어도 하나의 해석 기법에 따라 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 생성하는 확산 예측 모듈; 및
상기 생성한 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 기초로 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 생성하고, 상기 생성한 침수심 발생 정도 데이터를 기초로 상기 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성하는 홍수 취약성 분석 모듈
을 포함하되,
상기 확산 예측 모듈은,
상기 해석 기법 결정 모듈이 상기 결정한 적어도 하나의 해석 기법이 내수침수 해석 기법인 경우, 상기 내수 확산 예측 데이터를 생성하는 내수 확산 분석 모듈; 및
상기 해석 기법 결정 모듈이 상기 결정한 적어도 하나의 해석 기법이 외수범람 해석 기법인 경우, 상기 외수 확산 예측 데이터를 생성하는 외수 확산 분석 모듈
을 포함하고,
상기 내수 확산 분석 모듈은,
상기 실시간 관측 강우 데이터, 미리 저장된 배수관거 데이터 및 미리 저장된 상기 미리 설정된 환경 시설물을 포함하는 영역의 유역 특성 데이터를 기초로 상기 SWMM(Storm Water Management Model) 모델을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역의 유출량을 계산하는 유출량 계산 모듈;
상기 계산한 유출량을 기초로 배수관거를 구성하는 연결관로의 동적 유동해석을 이용하여 상기 복수개의 맨홀 각각의 월류량을 계산하는 맨홀 월류량 계산 모듈; 및
상기 계산한 상기 복수개의 맨홀 각각의 월류량을 기초로 2D 유한 요소 기법 모델을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역에 대한 내수 확산 예측 데이터를 생성하는 내수 확산 예측 모듈
을 포함하고,
상기 외수 확산 분석 모듈은,
상기 미리 설정된 하천의 상기 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 상기 미리 설정된 하천의 범람유량을 계산하는 범람유량 계산 모듈; 및
상기 계산한 상기 미리 설정된 하천의 범람유량을 기초로 상기 2D 유한 요소 기법 모델을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역에 대한 외수 확산 예측 데이터를 생성하는 외수 확산 예측 모듈
을 포함하고,
상기 미리 설정된 환경시설물의 구성 설비는,
변전실, 침사지, 저류조 및 유압 펌프장이고,
상기 홍수 취약성 분석 모듈은,
상기 변전실, 상기 침사지, 상기 저류조 및 상기 유압 펌프장의 침수 발생 유무를 기초로 구조적 점검 지표 점수를 생성하고,
유압 펌프장 수위, 배수관거를 구성하는 연결관로의 상태, 복수개의 맨홀 각각의 상태, 유입 차단 수문의 가동 여부 및 비상 방류 수문의 가동여부를 기초로 내부인자 점검 지표 점수를 생성하고,
상기 생성한 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 제1 기준을 기초로 평가한 제1 점수와 상기 미리 설정된 환경시설물과 상기 미리 설정된 하천 간의 이격거리를 제2 기준을 기초로 평가한 제2 점수를 결합하여 외부인자 점검 지표 점수를 생성하고,
상기 구조적 점검 지표 점수, 상기 내부인자 점검 지표 점수 및 상기 외부인자 점검 지표 점수를 합산한 점수를 기초로 상기 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성하고,
상기 유출량 계산 모듈은,
다음 수학식을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역의 유역에서 발생하는 유출량을 계산하고,
[수학식]
(여기서,= 소유역 폭[m]이고,
= Manning 조도 계수이고,
= 지표유량에 대한 수심[m]이고,
= 지표면 저류 깊이 [m]이고,
= 소유역 경사이다.)
상기 맨홀 월류량 계산 모듈은,
다음 수학식을 이용하여 상기 복수개의 맨홀 각각의 월류량을 계산하고,
[수학식]
(여기서,= 위어 유량계수이고,
= 위어 길이[m]이고,
= 중력가속도[m/sec2]이고,
= 맨홀의 월류수심[m]이다.)
상기 내수 확산 예측 모듈은,
다음 수학식을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역에 대한 내수 확산 예측 데이터를 생성하고,
[수학식]
(여기서,= 지표면 수위[m]이고,
= 확산계수이고,
= 지표면 수심[m]이고,
= 지표면 전단응력[N/m2]이고,
= 물의 밀도[kg/m3]이고,
= 강우에 의한 유입량[m3/sec/m2]이고,
= 맨홀 월류량에 의한 유입량[m3/sec/m2]이다.)
상기 범람유량 계산 모듈은,
다음 수학식을 이용하여 상기 미리 설정된 하천의 범람유량을 계산하고,
[수학식]
(여기서= 유량계수이고,
= 제방의 월류부 폭[m]이고,
= 하천예측수위 - 제방고인 범람수심이다.)
상기 외수 확산 예측 모듈은,
다음 수학식을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역에 대한 외수 확산 예측 데이터를 생성하고,
[수학식]
(여기서,= 지표면 수위[m]이고,
= 확산계수이고,
= 지표면 수심[m]이고,
= 지표면 전단응력[N/m2]이고,
= 물의 밀도[kg/m3]이고,
= 강우에 의한 유입량[m3/sec/m2]이고,
= 제방 월류량에 의한 유입량[m3/sec/m2]이다.)
상기 홍수 취약성 분석 모듈은,
다음 수학식을 이용하여 홍수취약성 지수를 생성하고,
[수학식]
(여기서는 구조적 점검 지표 점수(100점 만점)이고,
= 내부인자 점검 지표 점수(100점 만점)이고,
= 외부인자 점검 지표 점수(100점 만점)이다.)
상기 생성한 홍수취약성 지수가 30미만인 경우, 시설물 유지 관리 계획 확인과 상황전파 및 안전관리에 관한 비상 대처 방안을 포함하여 관심 단계 홍수 취약성 분석 데이터를 생성하고,
상기 생성한 홍수취약성 지수가 30 이상 50미만인 경우, 경고와 보고, 시설물 점검 및 위험수준 평가에 관한 비상 대처 방안을 포함하여 주의 단계 홍수 취약성 분석 데이터를 생성하고,
상기 생성한 홍수취약성 지수가 50 이상 80미만인 경우, 주요 시설물 접근 차단 및 운영인원 대피 권고에 관한 비상 대처 방안을 포함하여 경계 단계 홍수 취약성 분석 데이터를 생성하고,
상기 생성한 홍수취약성 지수가 80이상인 경우, 시설물 운영 중지 및 폐쇄 및 운영인원 즉각 대피 및 구조에 관한 비상 대처 방안을 포함하여 심각 단계 홍수 취약성 분석 데이터를 생성하는 환경시설물 침수 예측 시스템. - 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 맨홀 수위 예측 모듈, 하천 수위 예측 모듈, 해석 기법 결정 모듈, 확산 예측 모듈 및 홍수 취약성 분석 모듈을 포함하는 환경시설물 침수 예측 시스템에서 수행되는 환경시설물 침수 예측 방법에 있어서,
상기 맨홀 수위 예측 모듈이 실시간 관측 강우 데이터 및 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터를 기초로 SWMM(Storm Water Management Model) 모델을 이용하여 n시간 후의 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 생성하고, 상기 실시간 관측 강우 데이터, 상기 복수개의 맨홀 각각의 실시간 관측 맨홀 수위 데이터 및 상기 복수개의 맨홀 각각의 제1 맨홀 수위 예측 데이터를 기초로 학습이 완료된 제1 신경망 모델을 이용하여 상기 n시간 후의 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터를 생성하는 단계;
상기 하천 수위 예측 모듈이 상기 실시간 관측 강우 데이터 및 미리 설정된 하천의 실시간 상하류 관측 하천 수위 데이터를 기초로 학습이 완료된 제2 신경망 모델을 이용하여 상기 n시간 후의 상기 미리 설정된 하천의 미리 설정된 지점의 하천 수위 예측 데이터를 생성하는 단계;
상기 해석 기법 결정 모듈이 상기 실시간 관측 강우 데이터, 상기 n시간 후의 상기 미리 설정된 맨홀의 제2 맨홀 수위 예측 데이터 및 상기 n시간 후의 상기 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 학습이 완료된 제3 신경망 모델을 이용하여 미리 설정된 환경시설물에 대한 침수범람 여부를 판단하기 위한 적어도 하나의 해석 기법을 결정하는 단계;
상기 확산 예측 모듈이 상기 결정한 적어도 하나의 해석 기법에 따라 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 생성하는 단계; 및
상기 홍수 취약성 분석 모듈이 상기 생성한 내수 확산 예측 데이터 및 외수 확산 예측 데이터 중 적어도 어느 하나의 데이터를 기초로 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 생성하고, 상기 생성한 침수심 발생 정도 데이터를 기초로 상기 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성하는 단계
를 포함하되,
상기 확산 예측 모듈은,
상기 해석 기법 결정 모듈이 상기 결정한 적어도 하나의 해석 기법이 내수침수 해석 기법인 경우, 상기 내수 확산 예측 데이터를 생성하는 내수 확산 분석 모듈; 및
상기 해석 기법 결정 모듈이 상기 결정한 적어도 하나의 해석 기법이 외수범람 해석 기법인 경우, 상기 외수 확산 예측 데이터를 생성하는 외수 확산 분석 모듈
을 포함하고,
상기 내수 확산 분석 모듈은,
상기 실시간 관측 강우 데이터, 미리 저장된 배수관거 데이터 및 미리 저장된 상기 미리 설정된 환경 시설물을 포함하는 영역의 유역 특성 데이터를 기초로 상기 SWMM(Storm Water Management Model) 모델을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역의 유출량을 계산하는 유출량 계산 모듈;
상기 계산한 유출량을 기초로 배수관거를 구성하는 연결관로의 동적 유동해석을 이용하여 상기 복수개의 맨홀 각각의 월류량을 계산하는 맨홀 월류량 계산 모듈; 및
상기 계산한 상기 복수개의 맨홀 각각의 월류량을 기초로 2D 유한 요소 기법 모델을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역에 대한 내수 확산 예측 데이터를 생성하는 내수 확산 예측 모듈
을 포함하고,
상기 외수 확산 분석 모듈은,
상기 미리 설정된 하천의 상기 미리 설정된 지점의 하천 수위 예측 데이터를 기초로 상기 미리 설정된 하천의 범람유량을 계산하는 범람유량 계산 모듈; 및
상기 계산한 상기 미리 설정된 하천의 범람유량을 기초로 상기 2D 유한 요소 기법 모델을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역에 대한 외수 확산 예측 데이터를 생성하는 외수 확산 예측 모듈
을 포함하고,
상기 미리 설정된 환경시설물의 구성 설비는,
변전실, 침사지, 저류조 및 유압 펌프장이고,
상기 홍수 취약성 분석 모듈은,
상기 변전실, 상기 침사지, 상기 저류조 및 상기 유압 펌프장의 침수 발생 유무를 기초로 구조적 점검 지표 점수를 생성하고,
유압 펌프장 수위, 배수관거를 구성하는 연결관로의 상태, 복수개의 맨홀 각각의 상태, 유입 차단 수문의 가동 여부 및 비상 방류 수문의 가동여부를 기초로 내부인자 점검 지표 점수를 생성하고,
상기 생성한 미리 설정된 환경시설물의 구성 설비에 대한 침수심 발생 정도 데이터를 제1 기준을 기초로 평가한 제1 점수와 상기 미리 설정된 환경시설물과 상기 미리 설정된 하천 간의 이격거리를 제2 기준을 기초로 평가한 제2 점수를 결합하여 외부인자 점검 지표 점수를 생성하고,
상기 구조적 점검 지표 점수, 상기 내부인자 점검 지표 점수 및 상기 외부인자 점검 지표 점수를 합산한 점수를 기초로 상기 미리 설정된 환경 시설물에 대한 홍수 취약성 분석 데이터를 생성하고,
상기 유출량 계산 모듈은,
다음 수학식을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역의 유역에서 발생하는 유출량을 계산하고,
[수학식]
(여기서,= 소유역 폭[m]이고,
= Manning 조도 계수이고,
= 지표유량에 대한 수심[m]이고,
= 지표면 저류 깊이 [m]이고,
= 소유역 경사이다.)
상기 맨홀 월류량 계산 모듈은,
다음 수학식을 이용하여 상기 복수개의 맨홀 각각의 월류량을 계산하고,
[수학식]
(여기서,= 위어 유량계수이고,
= 위어 길이[m]이고,
= 중력가속도[m/sec2]이고,
= 맨홀의 월류수심[m]이다.)
상기 내수 확산 예측 모듈은,
다음 수학식을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역에 대한 내수 확산 예측 데이터를 생성하고,
[수학식]
(여기서,= 지표면 수위[m]이고,
= 확산계수이고,
= 지표면 수심[m]이고,
= 지표면 전단응력[N/m2]이고,
= 물의 밀도[kg/m3]이고,
= 강우에 의한 유입량[m3/sec/m2]이고,
= 맨홀 월류량에 의한 유입량[m3/sec/m2]이다.)
상기 범람유량 계산 모듈은,
다음 수학식을 이용하여 상기 미리 설정된 하천의 범람유량을 계산하고,
[수학식]
(여기서= 유량계수이고,
= 제방의 월류부 폭[m]이고,
= 하천예측수위 - 제방고인 범람수심이다.)
상기 외수 확산 예측 모듈은,
다음 수학식을 이용하여 상기 미리 설정된 환경 시설물을 포함하는 영역에 대한 외수 확산 예측 데이터를 생성하고,
[수학식]
(여기서,= 지표면 수위[m]이고,
= 확산계수이고,
= 지표면 수심[m]이고,
= 지표면 전단응력[N/m2]이고,
= 물의 밀도[kg/m3]이고,
= 강우에 의한 유입량[m3/sec/m2]이고,
= 제방 월류량에 의한 유입량[m3/sec/m2]이다.)
상기 홍수 취약성 분석 모듈은,
다음 수학식을 이용하여 홍수취약성 지수를 생성하고,
[수학식]
(여기서는 구조적 점검 지표 점수(100점 만점)이고,
= 내부인자 점검 지표 점수(100점 만점)이고,
= 외부인자 점검 지표 점수(100점 만점)이다.)
상기 생성한 홍수취약성 지수가 30미만인 경우, 시설물 유지 관리 계획 확인과 상황전파 및 안전관리에 관한 비상 대처 방안을 포함하여 관심 단계 홍수 취약성 분석 데이터를 생성하고,
상기 생성한 홍수취약성 지수가 30 이상 50미만인 경우, 경고와 보고, 시설물 점검 및 위험수준 평가에 관한 비상 대처 방안을 포함하여 주의 단계 홍수 취약성 분석 데이터를 생성하고,
상기 생성한 홍수취약성 지수가 50 이상 80미만인 경우, 주요 시설물 접근 차단 및 운영인원 대피 권고에 관한 비상 대처 방안을 포함하여 경계 단계 홍수 취약성 분석 데이터를 생성하고,
상기 생성한 홍수취약성 지수가 80이상인 경우, 시설물 운영 중지 및 폐쇄 및 운영인원 즉각 대피 및 구조에 관한 비상 대처 방안을 포함하여 심각 단계 홍수 취약성 분석 데이터를 생성하는 환경시설물 침수 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210131435A KR102343736B1 (ko) | 2021-10-05 | 2021-10-05 | 환경시설물 침수 예측 시스템 및 환경시설물 침수 예측 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210131435A KR102343736B1 (ko) | 2021-10-05 | 2021-10-05 | 환경시설물 침수 예측 시스템 및 환경시설물 침수 예측 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102343736B1 true KR102343736B1 (ko) | 2021-12-27 |
Family
ID=79177135
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210131435A KR102343736B1 (ko) | 2021-10-05 | 2021-10-05 | 환경시설물 침수 예측 시스템 및 환경시설물 침수 예측 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102343736B1 (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102528991B1 (ko) * | 2022-10-31 | 2023-06-13 | 주식회사 데카엔지니어링 | 인공지능 기반 스마트 도시 침수 예측 시스템 |
| KR102543203B1 (ko) | 2022-08-25 | 2023-06-15 | 주식회사 홍익기술단 | 홍수 대응을 위한 홍수 시뮬레이터 장치 |
| CN116682237A (zh) * | 2023-08-03 | 2023-09-01 | 南通午未连海科技有限公司 | 一种基于人工智能的智能防汛预警方法及平台 |
| KR102600103B1 (ko) * | 2022-10-31 | 2023-11-08 | 주식회사 데카엔지니어링 | 인공지능 기반 스마트 도시 침수 예측 및 대응 시스템 |
| CN117688844A (zh) * | 2024-01-10 | 2024-03-12 | 深圳市广汇源环境水务有限公司 | 一种基于深度神经网络的城市内涝实时模拟方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170127087A (ko) * | 2016-05-10 | 2017-11-21 | 주식회사 알엔에이솔루션 | 하천 진단을 통한 하천시설물 관리 방법 |
| KR102010822B1 (ko) | 2017-11-18 | 2019-08-16 | 대한민국 | 침수차량 구조용 부력가방 및 이를 이용한 침수차량 구조방법 |
| KR20190098774A (ko) * | 2018-01-08 | 2019-08-23 | 경북대학교 산학협력단 | 침수 예측 방법 및 침수 예측 장치 |
| KR20200013368A (ko) * | 2018-07-30 | 2020-02-07 | 서울시립대학교 산학협력단 | 침수 예측 정보 및 피해액 산출 시스템 |
| KR102236678B1 (ko) * | 2019-08-12 | 2021-04-07 | 한국수자원공사 | 자료해석 기반 침수 예측 방법 및 이를 위한 장치 |
-
2021
- 2021-10-05 KR KR1020210131435A patent/KR102343736B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170127087A (ko) * | 2016-05-10 | 2017-11-21 | 주식회사 알엔에이솔루션 | 하천 진단을 통한 하천시설물 관리 방법 |
| KR102010822B1 (ko) | 2017-11-18 | 2019-08-16 | 대한민국 | 침수차량 구조용 부력가방 및 이를 이용한 침수차량 구조방법 |
| KR20190098774A (ko) * | 2018-01-08 | 2019-08-23 | 경북대학교 산학협력단 | 침수 예측 방법 및 침수 예측 장치 |
| KR20200013368A (ko) * | 2018-07-30 | 2020-02-07 | 서울시립대학교 산학협력단 | 침수 예측 정보 및 피해액 산출 시스템 |
| KR102236678B1 (ko) * | 2019-08-12 | 2021-04-07 | 한국수자원공사 | 자료해석 기반 침수 예측 방법 및 이를 위한 장치 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102543203B1 (ko) | 2022-08-25 | 2023-06-15 | 주식회사 홍익기술단 | 홍수 대응을 위한 홍수 시뮬레이터 장치 |
| KR102528991B1 (ko) * | 2022-10-31 | 2023-06-13 | 주식회사 데카엔지니어링 | 인공지능 기반 스마트 도시 침수 예측 시스템 |
| KR102600103B1 (ko) * | 2022-10-31 | 2023-11-08 | 주식회사 데카엔지니어링 | 인공지능 기반 스마트 도시 침수 예측 및 대응 시스템 |
| CN116682237A (zh) * | 2023-08-03 | 2023-09-01 | 南通午未连海科技有限公司 | 一种基于人工智能的智能防汛预警方法及平台 |
| CN116682237B (zh) * | 2023-08-03 | 2023-10-20 | 南通午未连海科技有限公司 | 一种基于人工智能的智能防汛预警方法及平台 |
| CN117688844A (zh) * | 2024-01-10 | 2024-03-12 | 深圳市广汇源环境水务有限公司 | 一种基于深度神经网络的城市内涝实时模拟方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102343736B1 (ko) | 환경시설물 침수 예측 시스템 및 환경시설물 침수 예측 방법 | |
| Anbari et al. | Risk assessment model to prioritize sewer pipes inspection in wastewater collection networks | |
| Andrić et al. | Fuzzy methods for prediction of seismic resilience of bridges | |
| KR101824662B1 (ko) | 하천 진단을 통한 하천시설물 관리 방법 | |
| El Bilali et al. | Application of HEC-RAS and HEC-LifeSim models for flood risk assessment | |
| Qi et al. | GIS-based decision support system for dam break flood management under uncertainty with two-dimensional numerical simulations | |
| JP2010129003A (ja) | 防災総合計画支援システムとそのプログラム | |
| Haghighi et al. | A fuzzy approach for considering uncertainty in transient analysis of pipe networks | |
| Fluixá-Sanmartín et al. | Comprehensive decision-making approach for managing time dependent dam risks | |
| Wang et al. | Effective IoT-facilitated storm surge flood modeling based on deep reinforcement learning | |
| CN113221440B (zh) | 一种排水系统监测点优化布置与实时全局反演方法 | |
| Gogoaşe Nistoran et al. | GIS for Dam-Break Flooding. Study Area: Bicaz-Izvorul Muntelui (Romania) | |
| Ocampo-Martinez et al. | On hybrid model predictive control of sewer networks | |
| Mebarki et al. | Resilience and vulnerability analysis for restoration after tsunamis and floods: the case of dwellings and industrial plants | |
| Angkasuwansiri et al. | Development of wastewater pipe performance index and performance prediction model | |
| Pimenta et al. | A new qualitative method for the condition assessment of earth and rockfill dams | |
| Mansour‐Rezaei et al. | Predicting the potential of contaminant intrusion in water distribution systems | |
| Espósito et al. | Application of risk analysis methods on tailings dams | |
| Hu et al. | Construction Safety Risk Assessment of Large‐Sized Deep Drainage Tunnel Projects | |
| Rathore et al. | Leakage diagnosis with a contamination mitigation control framework using a graph theory based model | |
| Apollonio et al. | Preventive approach to reduce risk caused by failure of a rainwater drainage system: the case study of Corato (Southern Italy) | |
| Laakso | Data-driven network asset management-Focus on sewer systems | |
| Dewals et al. | Integrated assessment of flood protection measures in the context of climate change: hydraulic modelling and economic approach | |
| Taran | Analysis of Complex Natural Processes Activation with Catastrophic Consequences Using Bayesian Belief Network | |
| Andric et al. | Risk assessment of bridges using fuzzy logic controller |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |