KR102440371B1 - 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 - Google Patents

빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 Download PDF

Info

Publication number
KR102440371B1
KR102440371B1 KR1020210165747A KR20210165747A KR102440371B1 KR 102440371 B1 KR102440371 B1 KR 102440371B1 KR 1020210165747 A KR1020210165747 A KR 1020210165747A KR 20210165747 A KR20210165747 A KR 20210165747A KR 102440371 B1 KR102440371 B1 KR 102440371B1
Authority
KR
South Korea
Prior art keywords
effluent
information
condition information
sewage treatment
reaction tank
Prior art date
Application number
KR1020210165747A
Other languages
English (en)
Inventor
권종호
허재성
Original Assignee
니브스코리아 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 니브스코리아 주식회사 filed Critical 니브스코리아 주식회사
Priority to KR1020210165747A priority Critical patent/KR102440371B1/ko
Application granted granted Critical
Publication of KR102440371B1 publication Critical patent/KR102440371B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21Design, administration or maintenance of databases
    • G06F16/215Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22Indexing; Data structures therefor; Storage structures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24Querying
    • G06F16/245Query processing
    • G06F16/2458Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465Query processing support for facilitating data mining operations in structured databases
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G08SIGNALLING
    • G08BSIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18Status alarms
    • G08B21/182Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02WCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W10/00Technologies for wastewater treatment
    • Y02W10/10Biological treatment of water, waste water, or sewage

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Emergency Management (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Activated Sludge Processes (AREA)

Abstract

방류수의 수량 및 수질을 예측할 수 있는 정밀한 예측 모델을 구축하고 이에 대한 정확도 향상 기술을 제시한다. 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법은, 일 하수처리시설에 대하여 유입되는 유입수의 유입 수량 및 수질 정보를 포함하는 유입 조건 정보, 하수처리시설의 하수처리를 위한 반응조의 운전에 대한 조건 정보를 포함하는 반응조 운전 조건 정보, 및 하수처리시설에서 방류되는 방류수의 수량 및 수질 정보를 포함하는 방류수 환경 정보를 전처리하는 데이터 전처리 단계; 전처리된 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보에 포함된 세부 정보 간의 상관관계를 기설정된 제1 분석 알고리즘을 이용하여 파악하고, 파악된 상관관계를 이용하여 유입 조건 정보와 반응조 운전 조건 정보를 입력값으로 하고, 방류수 환경 정보를 출력값으로 하는 방류수 예측 모델을 구축하는 모델 구축 단계; 및 구축된 방류수 예측 모델에 대해서 기 수집된 기존의 유입 조건 정보, 반응조 조건 정보 및 방류수 환경 정보를 포함하는 빅데이터를 이용하여 학습시키는 모델 학습 단계;를 포함하는 것을 특징으로 한다.

Description

빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체{PROVIDING METHOD, APPARATUS AND COMPUTER-READABLE MEDIUM OF MANAGING EFFLUENT ENVIRONMENTAL INFORMATION OF SEWAGE TREATMENT FACILITIES BASED ON BIG DATA AND ARTIFICIAL INTELLIGENCE}
본 발명은, 하수처리시설에서 방류되는 방류수의 수량 및 수질을 예측하는 기술에 관한 것으로, 구체적으로는 기존의 유입수량, 유입수질 등의 유입 조건, 하수처리시설의 반응조 운전조건, 및 방류수량 및 수질 등의 빅데이터를 기반으로, 인공지능 학습 모델을 이용하여 하수처리시설의 방류수에 대한 환경 정보를 예측함으로써, 하수처리시설의 구동 프로세스의 제어 및 관리단에서의 의사결정을 지원하는 기술에 관한 것이다.
하수처리시설은, 지역 내의 하수관로를 통해 취합된 하수를 유입받고, 물리 화학적 반응이 이루어지는 반응조 내에서 하수를 처리하여 정화한 뒤 방류하는 시설로서, 수처리 시설에서 중요한 요소이다. 하수처리시설은 유입부, 반응조 및 방류부 등을 주요 요소로 포함한다.
하수처리시설에 유입되는 유입수량 및 유입수의 수질과, 반응조의 운전 조건은, 방류수의 수질에 직접적인 영향을 미친다. 즉, 유입수의 유입 조건과 반응조의 운전 조건에 따라서 방류수의 수량 및 수질이 정해지기 때문에, 이에 따라서 정확한 공정 제어를 수행하는 것이 중요하고, 이러한 공정 제어는 자동으로 이루어질 수 있거나, 관리자의 의사 결정에 의하여 주기적으로 제어될 수 있다.
방류수의 수질을 관리하는 것은 상술한 공정 제어의 제어 조건으로서 특히 중요한 요소이며, 방류수의 수질을 관리하는 기술에 대한 지속적인 개발이 이루어지고 있다. 예를 들어 한국등록특허 제10-1917200호 등에서는 방류수가 방류되는 지점에 드론 등을 이용하여 방류수의 영상을 촬영하고, 방류수에 대한 회색 영상 정보 등을 분석하여 방류수의 수질을 측정하는 기술을 게시하고 있다.
또한 기존의 기술들에서는 방류수의 수질에 대한 수질 감지 센서 등을 이용하여 방류수의 수질을 모니터링함으로써, 상기의 반응조 내의 공정 제어 및 의사 결정에 대한 정보 제공을 수행하고 있다.
그러나 이러한 방류수의 수질에 대한 모니터링 기술들은, 수질을 사후 측정하는 데 지나지 않아, 방류수의 수질이 이미 나빠진 상황만을 감지할 수 있어, 방류수의 수질이 나빠진 경우 즉시 환경에 악영향을 미칠 수 있다는 점에서 환경 오염을 방지하는 기술에는 적합하지 않은 문제가 있다.
본 발명은 상기와 같은 기존의 기술들의 문제를 해결하기 위하여 도출된 것으로서, 방류수의 수량 및 수질을 예측할 수 있는 정밀한 예측 모델을 구축하고 이에 대한 정확도 향상 기술을 제시하여, 방류수의 수질이 나빠지기 전 예측함으로써, 반응조에 대한 운전 조건 제어 및 관리자의 의사 결정을 신속하게 수행할 수 있도록 함으로써, 환경 오염의 발생을 미연에 방지할 수 있는 기술을 제공하는 데 일 목적이 있다.
상기 목적을 달성하기 위해서, 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법은, 하나 이상의 프로세서 및 상기 프로세서에서 수행 가능한 명령들을 저장하는 하나 이상의 메모리를 포함하는 컴퓨팅 장치로 구현되는 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법에 관한 것으로, 일 하수처리시설에 대하여 유입되는 유입수의 유입 수량 및 수질 정보를 포함하는 유입 조건 정보, 하수처리시설의 하수처리를 위한 반응조의 운전에 대한 조건 정보를 포함하는 반응조 운전 조건 정보, 및 하수처리시설에서 방류되는 방류수의 수량 및 수질 정보를 포함하는 방류수 환경 정보를 전처리하는 데이터 전처리 단계; 전처리된 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보에 포함된 세부 정보 간의 상관관계를 기설정된 제1 분석 알고리즘을 이용하여 파악하고, 파악된 상관관계를 이용하여 유입 조건 정보와 반응조 운전 조건 정보를 입력값으로 하고, 방류수 환경 정보를 출력값으로 하는 방류수 예측 모델을 구축하는 모델 구축 단계; 및 구축된 방류수 예측 모델에 대해서 기 수집된 기존의 유입 조건 정보, 반응조 조건 정보 및 방류수 환경 정보를 포함하는 빅데이터를 이용하여 학습시키는 모델 학습 단계;를 포함하는 것을 특징으로 한다.
상기 데이터 전처리 단계는, 다수의 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보의 데이터를 동일 형식으로 가공하고, 비정상 데이터를 제거하는 것이 바람직하다.
상기 모델 구축 단계는, 제1 분석 알고리즘으로서, 피어슨 상관계수(PCC, Pearson Correlation Coefficient) 분석 기법 및 주성분 분석(PCA, Principal Component Analysis) 기법 중 어느 하나를 이용하여, 세부 정보간의 상관관계를 파악하는 것이 바람직하다.
상기 모델 구축 단계는, 순방향 신경망 인공지능 알고리즘(FNN, Feed forward Neural Network)을 이용하여 파악된 세부 정보간의 상관관계를 이용하여 상가 방류수 예측 모델을 구축하는 것이 바람직하다.
상기 모델 학습 단계는, 상기 빅데이터를 베이지안 최적화(Bayesian Optimization) 기법에 적용하여 상기 구축된 방류수 예측 모델을 학습시키는 것이 바람직하다.
상기 모델 학습 단계의 수행 후, 상기 학습된 방류수 예측 모델에 현재의 유입 조건 정보 및 반응조 운전 조건 정보를 적용함으로써, 기설정된 시점 이후의 방류수 환경 정보를 예측한 결과를 도출하는 방류수 예측 단계;를 더 포함하는 것이 바람직하다.
상기 방류수 예측 단계의 수행 결과, 예측된 방류수 환경 정보로서, 방류수의 수질이 법정 수질 기준치를 초과 시, 이에 대한 알림 정보를 관리자 단말에 전송하여 관리자의 하수처리시설에 대한 구동 프로세스 제어에 대한 의사 결정을 지원하는 의사 결정 지원 단계;를 더 포함하는 것이 가능하다.
상기 방류수 예측 단계의 수행 결과, 예측된 방류수 환경 정보로서, 방류수의 수질이 법정 수질 기준치를 초과 시, 방류수 예측 모델에 따라서 방류수 수질을 상기 법정 수질 기준치 이내로 유지할 수 있는 정보로서, 상기 파악된 상관관계를 이용하여 분석된 방류수 수질과 상관관계가 가장 높은 기설정된 개수의 입력값에 대한 자동 제어를 통해 상기 하수처리시설의 구동 프로세스를 제어함으로써, 방류수의 수질을 상기 법정 수질 기준치 이내로 유지하도록 하는 자동 제어 단계;를 더 포함하는 것도 가능하다.
본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 장치는, 하나 이상의 프로세서 및 상기 프로세서에서 수행 가능한 명령들을 저장하는 하나 이상의 메모리를 포함하는 컴퓨팅 장치로 구현되는 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 장치로서, 일 하수처리시설에 대하여 유입되는 유입수의 유입 수량 및 수질 정보를 포함하는 유입 조건 정보, 하수처리시설의 하수처리를 위한 반응조의 운전에 대한 조건 정보를 포함하는 반응조 운전 조건 정보, 및 하수처리시설에서 방류되는 방류수의 수량 및 수질 정보를 포함하는 방류수 환경 정보를 전처리하는 데이터 전처리부; 전처리된 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보에 포함된 세부 정보 간의 상관관계를 기설정된 제1 분석 알고리즘을 이용하여 파악하고, 파악된 상관관계를 이용하여 유입 조건 정보와 반응조 운전 조건 정보를 입력값으로 하고, 방류수 환경 정보를 출력값으로 하는 방류수 예측 모델을 구축하는 모델 구축부; 및 구축된 방류수 예측 모델에 대해서 기 수집된 기존의 유입 조건 정보, 반응조 조건 정보 및 방류수 환경 정보를 포함하는 빅데이터를 이용하여 학습시키는 모델 학습부;를 포함하는 것을 특징으로 한다.
본 발명에 의하면, 유입수량과 수질을 포함하는 유입 조건 정보와, 반응조의 운전에 대한 공정 제어 프로세스의 정보인 반응조 운전 조건 정보를 바탕으로 방류수의 수량 및 수질에 대한 상관관계를 분석하고, 분석된 상관관계에 따라서 이후의 방류수에 대한 환경 정보를 예측하는 방류수 예측 모델을 빅데이터 및 인공지능을 이용하여 구축 및 학습함으로써, 일 하수처리시설에서의 특정 조건에 따른 방류수의 수질을 효과적이고 정밀하게 예측할 수 있다.
이를 통해, 방류수의 수질이 위험해지는 경우, 하수처리시설에 대한 제어 프로세스를 자동으로 제어하거나 관리자 단말에 이를 알려 의사결정을 지원함으로써, 방류수에 의한 수질 오염이 발생하기 전, 이를 미연에 방지할 수 있는 효과가 있다.
도 1 내지 4는 본 발명의 각 실시예에 따른 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법의 플로우차트.
도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 장치의 구성 블록도.
도 6은 본 발명의 각 실시예에 따른 방류수 예측 모델에 대한 구축, 학습 및 적용을 설명하기 위한 도면.
도 7은 본 발명의 일 실시예에 따른 방류수 예측 모델의 구축 시의 FNN이 적용되는 흐름을 설명하기 위한 도면.
도 8은 본 발명의 일 실시 예에 따른 컴퓨팅 장치의 내부 구성의 일 예.
이하에서는, 다양한 실시 예들 및/또는 양상들이 이제 도면들을 참조하여 개시된다. 하기 설명에서는 설명을 목적으로, 하나이상의 양상들의 전반적 이해를 돕기 위해 다수의 구체적인 세부사항들이 개시된다. 그러나, 이러한 양상(들)은 이러한 구체적인 세부사항들 없이도 실행될 수 있다는 점 또한 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 인식될 수 있을 것이다. 이후의 기재 및 첨부된 도면들은 하나 이상의 양상들의 특정한 예시적인 양상들을 상세하게 기술한다. 하지만, 이러한 양상들은 예시적인 것이고 다양한 양상들의 원리들에서의 다양한 방법들 중 일부가 이용될 수 있으며, 기술되는 설명들은 그러한 양상들 및 그들의 균등물들을 모두 포함하고자 하는 의도이다.
본 명세서에서 사용되는 "실시 예", "예", "양상", "예시" 등은 기술되는 임의의 양상 또는 설계가 다른 양상 또는 설계들보다 양호하다거나, 이점이 있는 것으로 해석되지 않을 수도 있다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하지만, 하나이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다.
또한, 제 1, 제 2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
또한, 본 발명의 실시 예들에서, 별도로 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 발명의 실시 예에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1 내지 4는 본 발명의 각 실시예에 따른 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법의 플로우차트, 도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 장치의 구성 블록도, 도 6은 본 발명의 각 실시예에 따른 방류수 예측 모델에 대한 구축, 학습 및 적용을 설명하기 위한 도면, 도 7은 본 발명의 일 실시예에 따른 방류수 예측 모델의 구축 시의 FNN이 적용되는 흐름을 설명하기 위한 도면이다. 이하의 설명에서는 본 발명의 다양한 실시예에 대한 설명을 위해서 하나 이상의 도면이 동시에 참조되어 설명될 것이다.
먼저, 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법은, 후술하는 도 8에 도시된 컴퓨팅 장치 및 도 5에 도시된 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 장치의 각 구성에 의하여 수행되는 것으로 이해될 것이다. 즉, 도 5에 도시된 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 장치는 도 8에 도시된 컴퓨팅 장치와 동일한 장치로서 구성될 수 있으며, 하나 이상의 컴퓨팅 장치로 구성되는 시스템 또는 컴퓨팅 장치에 포함된 내부 구성으로 구현될 수 있다.
컴퓨팅 장치는 먼저, 일 하수처리시설에 대하여 유입되는 유입수의 유입 수량 및 수질 정보를 포함하는 유입 조건 정보, 하수처리시설의 하수처리를 위한 반응조의 운전에 대한 조건 정보를 포함하는 반응조 운전 조건 정보, 및 하수처리시설에서 방류되는 방류수의 수량 및 수질 정보를 포함하는 방류수 환경 정보를 전처리하는 데이터 전처리 단계(S10)를 수행한다.
일 하수처리시설이라 함은, 강에서 취수한 물을 상수도를 통해 공급하여 일반 가정의 생활용수나, 공장, 기타 산업형장에서 상업용수로 사용한 뒤, 오염되고 더럽혀진 물이 모이게 되며, 이를 정화하여 하천으로 방류하는 공정을 수행하는 시설을 의미한다.
하수처리시설에서 하수를 처리하는 과정은 크게 5단계로 이루어진다. 먼저, 1단계로서 침사지 및 유량조정조에서는, 하수중의 모래와 흙을 가라앉혀 제거한다. 침사지에서는 무거운 모래를 우선적으로 가라앉히며, 스크린이 설치되어 있어 협잡물(비닐, 큰 이물질)을 걸러주는 역할을 한다. 바닥에 가라앉은 토사는 정기적으로 제거하며, 스크린에 걸린 협잡물은 협잡물제거기를 이용하여 제거하고, 하수는 유량조정조에 저장된다. 유량조정조는 하수가 갑자기 많이 유입될 때 그 물량을 일시조정하여 다음 처리단계로 물량이 한꺼번에 많이 유입되는 것을 방지하고 일정하게 유입되도록 조정한다.
2단계는 최초침전지에서 수행되며, 하수중의 모래와 흙을 가라앉혀 제거한다. 침사지에서는 무거운 모래를 우선적으로 가라앉히며, 스크린이 설치되어 있어 협잡물(비닐, 큰 이물질)을 걸러주는 역할을 한다. 바닥에 가라앉은 토사는 정기적으로 제거하며, 스크린에 걸린 협잡물은 협잡물제거기를 이용하여 제거하고, 하수는 유량조정조에 저장된다. 유량조정조는 하수가 갑자기 많이 유입될 때 그 물량을 일시조정하여 다음 처리단계로 물량이 한꺼번에 많이 유입되는 것을 방지하고 일정하게 유입되도록 조정한다.
3단계는 폭기조로서, 공기를 넣어 미생물을 활성화시키고 오염물질을 미생물이 먹도록 한다. 하수처리장에서 가장 중요한 시설로서 유기물질(하수)을 미생물에 의해 분해하는 공정으로 최종방류수의 수질을 좌우한다. 유기물은 미생물에게 먹이가 되어 섭취 분해하는 공정을 거치게 된다.
4단계는 최종침전지에서 이루어지며, 맑은 물을 방류조로 보내고 미생물을 가라앉혀 농축조나 폭기조로 보낸다. 폭기조에서 처리된 물은 슬러지(미생물이 부착된 침전물 덩어리)와 함께 침전조로 넘어와 물과 슬러지로 분리되며, 위로 모인 깨끗이 처리된 물은 월류되어 방류구로 향하고 바닥에 가라앉은 슬러지는 한곳에 모여 일부는 폭기조로 되돌아 가고 일부는 농축조로 가서 쌓여 탈수기실로 옮겨진다.
마지막 5단계는 방류조로서, 정화된 맑은 물을 방류한다.침전조의 상등수가 최종방류되는 조로서 방류수의 최종 수질상태를 육안으로 확인하며, 염소 등으로 소독하는 장치를 포함한다.
본 발명에서 반응조라 함은, 하수처리시설에서 1 내지 4단계의 하수처리를 수행하는 공정을 포함하여, 방류조에서 염소 등으로 소독하는 장치를 모두 포함하는 개념으로서, 다시 말해 하수가 유입된 후 최종적으로 방류될 때까지 하수를 처리하는 모든 설비를 통칭하는 개념으로 이해될 것이다.
이에 따라서 반응조의 운전에 대한 조건 정보는 상기의 각 단계에서 이루어지는 처리 공정에 있어서 제어 단말(관리자 단말)에서 설정 가능한 모든 설비들의 각 운전 조건에 대한 정보의 그룹으로 이해될 것이다.
유입 조건 정보는, 하수처리시설에 유입되는 유입수의 수량 및 수질에 대한 모든 정보를 의미한다. 예를 들어, 유입 수량 및 유입 수질로서 온도, pH, SS(부유물질량, Suspended Solids), COD(화학적 산소요구량, Chemical Oxygen Demand), TN(총질소, Total Nitrogen), TP(총인, Total Phosphors), DO(용존 산소량, Dissolved Oxygen), BOD(생화학적 산소 요구량, Biochemical Oxygen Demand) 등을 포함하는 정보를 의미한다.
방류수의 수량 및 수질 정보는 유입 조건 정보와 동종의 정보를 포함하되, 최종적으로 상기의 5단계 후 방류되는 방류수에 대한 수량 및 수질에 관한 정보를 의미한다.
상기의 데이터들은 하수처리시설에 따라서 해당 시설에 설치된 센서 및 제어 단말 등에 따라서 다양한 통일되지 않은 포맷으로 관리될 수 있다. 본 발명에서는 S10 단계를 통해서 동시 처리에 문제가 발생될 수 있는 상기의 데이터들을 통합 처리 및 관리하기 위해서, 데이터를 단위 통합, 포맷 통합 등의 동일한 형식으로 가공 처리를 수행거나, 비정상적인 데이터를 제거하는 등의 전처리를 수행하게 된다.
본 발명에서 비정상적인 데이터는, 실제 측정 값에 오류가 발생된 상태이거나, 센서의 고장 등으로 제대로 측정되지 않아 각 데이터 간의 정상적인 상관관계에 영향을 미칠 수 있는 오데이터를 제거할 필요가 있으며, 이에 해당하는 모든 데이터들을 의미한다.
S10 단계가 수행되면, 컴퓨팅 장치는, 전처리된 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보에 포함된 세부 정보 간의 상관관계를 기설정된 제1 분석 알고리즘을 이용하여 파악하고, 파악된 상관관계를 이용하여 유입 조건 정보와 반응조 운전 조건 정보를 입력값으로 하고, 방류수 환경 정보를 출력값으로 하는 방류수 예측 모델을 구축하는 모델 구축 단계(S20)를 수행한다.
본 발명에서 제1 분석 알고리즘이란, 선형 또는 비선형의 각 데이터들 사이의 상관관계를 도출하기 위한 알고리즘을 의미한다. 예를 들어, 피어슨 상관계수(PCC, Pearson Correlation Coefficient) 분석 기법 및 주성분 분석(PCA, Principal Component Analysis) 기법 중 어느 하나를 이용하여, 세부 정보간의 상관관계를 파악할 수 있다.
피어슨 상관계수 분석 기법은, 두 변수 X 와 Y 간의 선형 상관 관계를 계량화한 수치다. 피어슨 상관 계수는 코시-슈바르츠 부등식에 의해 +1과 -1 사이의 값을 가지며, +1은 완벽한 양의 선형 상관 관계, 0은 선형 상관 관계없음, -1은 완벽한 음의 선형 상관 관계를 의미한다. 일반적으로 상관관계는 피어슨 상관관계를 의미하는 상관계수이다.
Figure 112022076656963-pat00010
표본(sample) 피어슨 상관 계수는 등간척도(간격척도)나 비례척도(비율척도)의 데이타에서 두 변수의 공분산(covariance)을 각각의 표준 편차의 곱으로 나눈 값이다.
주성분 분석 기법은, 은 고차원의 데이터를 저차원의 데이터로 환원시키는 기법을 말한다. 이 때 서로 연관 가능성이 있는 고차원 공간의 표본들을 선형 연관성이 없는 저차원 공간(주성분)의 표본으로 변환하기 위해 직교 변환을 사용한다. 데이터를 한개의 축으로 사상시켰을 때 그 분산이 가장 커지는 축을 첫 번째 주성분, 두 번째로 커지는 축을 두 번째 주성분으로 놓이도록 새로운 좌표계로 데이터를 선형 변환한다. 이와 같이 표본의 차이를 가장 잘 나타내는 성분들로 분해함으로써 데이터 분석에 여러가지 이점을 제공한다. 이 변환은 첫째 주성분이 가장 큰 분산을 가지고, 이후의 주성분들은 이전의 주성분들과 직교한다는 제약 아래에 가장 큰 분산을 갖고 있다는 식으로 정의되어있다. 중요한 성분들은 공분산 행렬의 고유 벡터이기 때문에 직교하게 된다.
주성분 분석은 신호처리 분야에서는 이산 카루넨-뢰브 변환, 다변량 품질 관리에서는 호텔링 변환, 기계공학에서는 적합 직교 분해(POD), 선형대수학에서는 특잇값 분해 또는 고윳값 분해, 인자 분석, 심리측정학의 Eckart-Young 이론 (Harman, 1960) 또는 Schmidt-Mirsky 이론, 기상 과학의 실증 직교 함수(EOF), 소음과 진동의 실증적 고유 함수 분해(Sirovich, 1987)와 실증적 요소 분석(Lorenz, 1956), 준조화모드(Brooks et al., 1988), 스펙트럼 분해, 구조 동역학의 실증적 모델 분석 등으로 응용된다.
주성분 분석은 실제 고유 벡터 기반의 다변량 분석들 중 가장 간단한 방식이다. 만약 다변량 데이터 집합이 변수당 1개의 축이 있는 높은 차원의에서 보았을 때 단순히 좌표의 집합으로 보인다면, 주성분 분석은 이를 낮은 차원으로 끌어내려 일종의 그림자를 보고 분석할 수 있게 도와준다. 이는 가장 주요한 일부 요소들을 보여줌으로써 변환된 데이터의 차원수를 줄임으로써 끝난다.
주성분 분석은 인자 분석과 밀접한 관계를 갖고 있다. 인자 분석은 일반적으로 기저 구조에 대한 영역 한정적인 가정을 포함하고, 약간의 차이가 있는 행렬의 고유 벡터를 풀어낸다.
또한 주성분 분석은 정준상관분석(CCA)과도 관계가 있다. 주성분 분석이 하나의 데이터 집합의 변화를 제일 잘 설명하는 새로운 직교 좌표 시스템을 정의하는 반면 정준상관분석은 두 개의 데이터 집합간의 교차 공분산을 가장 잘 설명하는 좌표 시스템을 정의한다.
주성분 분석은 가장 큰 분산을 갖는 부분공간을 보존하는 최적의 선형 변환이라는 특징을 갖는다. 그러나 이산 코사인 변환과 같은 다른 방법에 비해 더 많은 계산시간을 요구하는 단점이 있다. 다른 선형 변환과 달리 주성분 분석은 정해진 기저 벡터를 갖지 않으며, 기저 벡터는 데이터의 특성에 따라 달라진다.
이러한 분석 기법에 따라서 각 데이터, 바람직하게는 유입 조건 정보 및 반응조의 운전 정보와, 방류수 환경 정보에 포함된 각 요소간의 상관관계를 파악하게 되며, 이러한 상관관계를 이용하여, 유입 조건 정보와 반응조 운전 조건 정보를 입력값으로 하고, 방류수 환경 정보를 출력값으로 하는 방류수 예측 모델을 구축하게 된다.
이러한 S20 단계에 있어서 방류수 예측 모델의 구축은, 예를 들어 순방향 신경망 인공지능 알고리즘(FNN, Feed forward Neural Network)을 이용하여 파악된 세부 정보간의 상관관계를 이용하여 구축될 수 있다.
FNN은 노드 간의 연결이 순환을 형성하지 "않는" 인공 신경망이다.[1] 즉, 이는 순환 신경망과 차이가 있다.
순방향 신경망은 고안된 인공 신경망의 최초의 가장 단순한 형태였다.[2] 이러한 네트워크에서 정보는 입력 노드로부터 출력 노드 방향으로 한 방향, 전방향으로만 움직이며, 숨겨진 노드가 있는 경우 이를 경유한다. 네트워크 안에서 순환이나 루프는 존재하지 않는다. 본 발명에서 사용되는 FNN은 단층 퍼셉트론 또는 다층 퍼셉트론 중 어느 하나가 될 수 있다.
상술한 S20 단계에서 각 데이터 간의 상관관계는 초기 방류수 예측 모델에 대한 순방향 신경망 구축 시 사용될 수 있거나, 각 순방향 신경망에서의 데이터의 가중치(Weight)의 설정 시 사용될 수 있다. 예를 들어 도 7에 도시된 바와 같이, 반응조 운전 조건 정보 및 유입 조건 정보(23)의 각 인자들이 입력값으로 설정되며, 처리조, 즉 방류조의 수질 또는 수량(유량)에 대한 정보인 반응조 환경 정보(200)가 출력값으로 설정되며, 방류수 예측 모델은 순방향 신경망 구조(1230)으로 설정되는 것이다.
이와 같이 방류수 예측 모델이 구축되면, 컴퓨팅 장치는 구축된 방류수 예측 모델에 대해서 기 수집된 기존의 유입 조건 정보, 반응조 조건 정보 및 방류수 환경 정보를 포함하는 빅데이터를 이용하여 학습시키는 모델 학습 단계(S30)를 수행한다.
이러한 모델 학습 단계로서의 S30 단계는 후술하는 방류수 예측 단계(S40)의 수행 전 샘플링된 빅데이터를 통하여 수행되거나, 방류수 예측 단계(S40)의 수행 시마다 수행되어 방류수 예측 모델을 정밀하게 학습시키게 된다. 본 발명에서 S30 단계는 예를 들어 상술한 빅데이터를 기반으로 하여, 머신러닝 또는 딥 러닝을 통하여 이루어지거나, 베이지안 최적화(Bayesian Oprimization) 기법을 통하여 이루어질 수 있다.
베이지안 최적화 기법은, 어느 입력값(x)를 받는 미지의 목적 함수(f(x))를 상정하여, 해당 함수값(f(x))을 최대로 만드는 최적해를 찾는 것을 목적으로 한다. 즉, 목적 함수(탐색대상함수)와 하이퍼파라미터 쌍(pair)을 대상으로 Surrogate Model(대체 모델)을 만들고, 순차적으로 하이퍼 파라미터를 업데이트해 가면서 평가를 통해 최적의 하이퍼파라미터 조합을 탐색한다. 이 때의 목점 함수를 black-box function 이라고 한다. Bayesian Optimization 에는 두 가지 필수 요소가 존재하며, Surrogate Model 은, 현재까지 조사된 입력값-출력값 점들 (x1, f(x1))~(xt, f(xt)) 을 바탕으로, 미지의 목적 함수의 형태에 대한 확률적인 추정을 수행하는 모델을 지칭한다. 그리고 Acquisition Function 은, 목적 함수에 대한 현재까지의 확률적 추정 결과를 바탕으로, '최적 입력값을 찾는 데 있어 가장 유용할 만한' 다음 입력값 후보를 추천해 주는 함수를 지칭한다.
한편 도 2에 도시된 바와 같이 S30 단계를 통해 학습된 방류수 예측 모델은 실제 입력값을 바탕으로 현재로부터 기설정된 시점 이후(예를 들어 1일)의 방류수 환경 모델을 예측할 수 있다.
즉, S30 단계의 수행 후, 컴퓨팅 장치는 실제 현장 적용을 위하여, 학습된 방류수 예측 모델에 현재의 유입 조건 정보 및 반응조 운전 조건 정보를 적용함으로써, 기설정된 시점 이후의 방류수 환경 정보를 예측한 결과를 도출하는 방류수 예측 단계(S40)를 더 수행할 수 있다.
S40 단계를 통해서 예측된 방류수 환경 정보는 크게 수량 데이터와 수질 데이터로 구성되는데, 수량 데이터는 방류수의 수량에 대한 예측 정보로서 처리 및 방류되는 하천의 수위 등의 관리에 사용될 수 있고, 수질 정보는 환경 오염에 대한 예측을 통한 초기 대응에 사용될 수 있을 것이다.
S40 단계를 통해 예측된 방류수 환경 정보는, 관리자 단말, 즉 하수처리시설에 대한 제어 단말 이나 이를 관리하는 관리자의 단말에 전송될 수 있다. 즉 도 6에 도시된 바와 같이, 이전 샘플링 데이터(21)와 현재 측정된 데이터(22) 등이 빅데이터로 활용되기 위하여 상술한 바와 같이 데이터 전처리 프로세스(110)를 거친 뒤, S20 단계를 통해서 제1 분석 알고리즘(121)과 인공지능 알고리즘(FNN, 122)에 적용되어 방류수 예측 모델(123)이 구축된다. 이를 통해서 상술한 예측값(200), 즉 방류수 환경 정보가 도출되며, 도출된 정보는 예측값으로서 관리자 단말(20)에 전송되는 것이다.
이러한 S40 단계를 통해서 도출된 방류수 환경 정보에 대한 예측 결과를 이용하여 예를 들어 컴퓨팅 장치는, 도 3에 도시된 바와 같이 방류수의 수질이 법정 수질 기준치를 초과 시, 이에 대한 알림 정보를 관리자 단말에 전송하여 관리자의 하수처리시설에 대한 구동 프로세스 제어에 대한 의사 결정을 지원하는 의사 결정 지원 단계(S50)를 수행할 수 있다.
또는, 도 4에 도시된 바와 같이, S40 단계의 수행 결과 예측된 방류수 환경 정보로서, 방류수의 수질이 법정 수질 기준치를 초과 시, 방류수 예측 모델에 따라서 방류수 수질을 법정 수질 기준치 이내로 유지할 수 있는 정보로서, 파악된 상관관계를 이용하여 분석된 방류수 수질과 상관관계가 가장 높은 기설정된 개수의 입력값에 대한 자동 제어를 통해 하수처리시설의 구동 프로세스를 제어함으로써, 방류수의 수질을 법정 수질 기준치 이내로 유지하도록 하는 자동 제어 단계(S60)를 더 수행할 수 있다.
S50과 S60 단계는 서로 독립적 또는 결합적으로 수행될 수 있다. 즉 관리자에 대한 알림 정보를 제공하는 동시에 이에 대한 S60 단계를 통한 구동 프로세스의 제어 결과 역시 관리자 단말에 전송하여, 관리자가 제어 프로세스에 대한 정보를 수신하고 이를 함께 의사 결정에 반영하여 구동에 대한 구체적인 제어가 가능하도록 하는 것이다.
이와 같은 본 발명의 각 실시예에 의하면, 유입수량과 수질을 포함하는 유입 조건 정보와, 반응조의 운전에 대한 공정 제어 프로세스의 정보인 반응조 운전 조건 정보를 바탕으로 방류수의 수량 및 수질에 대한 상관관계를 분석하고, 분석된 상관관계에 따라서 이후의 방류수에 대한 환경 정보를 예측하는 방류수 예측 모델을 빅데이터 및 인공지능을 이용하여 구축 및 학습함으로써, 일 하수처리시설에서의 특정 조건에 따른 방류수의 수질을 효과적이고 정밀하게 예측할 수 있다.
이를 통해, 방류수의 수질이 위험해지는 경우, 하수처리시설에 대한 제어 프로세스를 자동으로 제어하거나 관리자 단말에 이를 알려 의사결정을 지원함으로써, 방류수에 의한 수질 오염이 발생하기 전, 이를 미연에 방지할 수 있는 효과가 있다.
한편 도 5는 본 발명의 일 실시예에 따른 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 장치(10, 이하 본 발명의 장치)의 구성 블록도이다. 이하의 설명에 있어서 본 발명의 상술한 설명에 중복되는 부분은 구체적 설명을 생략하기로 한다.
본 발명의 장치(10)에 포함되는 구성은 데이터 전처리부(11), 모델 구축부(12), 모델 학습부(13)이며, 추가적인 실시예에 따라서 방류수 예측부(14)가 더 포함될 수 있다.
전처리부(11)는 , 일 하수처리시설(30)에 대하여 유입되는 유입수의 유입 수량 및 수질 정보를 포함하는 유입 조건 정보, 하수처리시설(30)의 하수처리를 위한 반응조의 운전에 대한 조건 정보를 포함하는 반응조 운전 조건 정보, 및 하수처리시설(30)에서 방류되는 방류수의 수량 및 수질 정보를 포함하는 방류수 환경 정보를 관리자 단말(20) 또는 하수처리시설(30)의 각 장비의 구동을 센싱하는 센싱 유닛들로부터 수신하여 전처리하는 기능을 수행한다. 즉 상술한 S10 단계에 대한 설명에서 언급한 모든 기능을 수행하는 구성으로 이해될 것이다.
모델 구축부(12)는 전처리된 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보에 포함된 세부 정보 간의 상관관계를 기설정된 제1 분석 알고리즘을 이용하여 파악하고, 파악된 상관관계를 이용하여 유입 조건 정보와 반응조 운전 조건 정보를 입력값으로 하고, 방류수 환경 정보를 출력값으로 하는 방류수 예측 모델을 구축하는 기능을 수행한다. 즉 상술한 S20 단계에 대한 설명에서 언급한 모든 기능을 수행하는 구성으로 이해될 것이다.
모델 학습부(13)는 구축된 방류수 예측 모델에 대해서 기 수집된 기존의 유입 조건 정보, 반응조 조건 정보 및 방류수 환경 정보를 포함하는 빅데이터를 이용하여 학습시키는 기능을 수행한다. 즉 상술한 S30 단계에 대한 설명에서 언급한 모든 기능을 수행하는 구성으로 이해될 것이다.
방류수 예측부(14)는 학습된 방류수 예측 모델에 현재의 유입 조건 정보 및 반응조 운전 조건 정보를 적용함으로써, 기설정된 시점 이후의 방류수 환경 정보를 예측한 결과를 도출하는 기능을 수행한다. 추가적으로, 예측된 방류수 환경 정보로서, 방류수의 수질이 법정 수질 기준치를 초과 시, 이에 대한 알림 정보를 관리자 단말(20)에 전송하여 관리자의 하수처리시설(30)에 대한 구동 프로세스 제어에 대한 의사 결정을 지원하는 기능과, 예측된 방류수 환경 정보로서, 방류수의 수질이 법정 수질 기준치를 초과 시, 방류수 예측 모델에 따라서 방류수 수질을 상기 법정 수질 기준치 이내로 유지할 수 있는 정보로서, 파악된 상관관계를 이용하여 분석된 방류수 수질과 상관관계가 가장 높은 기설정된 개수의 입력값에 대한 자동 제어를 통해 하수처리시설(30)의 구동 프로세스를 제어함으로써, 방류수의 수질을 법정 수질 기준치 이내로 유지하도록 하는 기능 중 적어도 하나를 수행할 수 있다. 즉 상술한 S40, S50, S60 단계에 대한 설명에서 언급한 모든 기능을 수행하는 구성으로 이해될 것이다.
도 8은 본 발명의 일 실시 예에 따른 컴퓨팅 장치의 내부 구성의 일 예를 도시하였으며, 이하의 설명에 있어서, 상술한 도 1 내지 4에 대한 설명과 중복되는 불필요한 실시 예에 대한 설명은 생략하기로 한다.
도 8에 도시한 바와 같이, 컴퓨팅 장치(10000)은 적어도 하나의 프로세서(processor)(11100), 메모리(memory)(11200), 주변장치 인터페이스(peripheral interface)(11300), 입/출력 서브시스템(I/O subsystem)(11400), 전력 회로(11500) 및 통신 회로(11600)를 적어도 포함할 수 있다. 이때, 컴퓨팅 장치(10000)은 촉각 인터페이스 장치에 연결된 유저 단말이기(A) 혹은 전술한 컴퓨팅 장치(B)에 해당될 수 있다.
메모리(11200)는, 일례로 고속 랜덤 액세스 메모리(high-speed random access memory), 자기 디스크, 에스램(SRAM), 디램(DRAM), 롬(ROM), 플래시 메모리 또는 비휘발성 메모리를 포함할 수 있다. 메모리(11200)는 컴퓨팅 장치(10000)의 동작에 필요한 소프트웨어 모듈, 명령어 집합 또는 그밖에 다양한 데이터를 포함할 수 있다.
이때, 프로세서(11100)나 주변장치 인터페이스(11300) 등의 다른 컴포넌트에서 메모리(11200)에 액세스하는 것은 프로세서(11100)에 의해 제어될 수 있다.
주변장치 인터페이스(11300)는 컴퓨팅 장치(10000)의 입력 및/또는 출력 주변장치를 프로세서(11100) 및 메모리 (11200)에 결합시킬 수 있다. 프로세서(11100)는 메모리(11200)에 저장된 소프트웨어 모듈 또는 명령어 집합을 실행하여 컴퓨팅 장치(10000)을 위한 다양한 기능을 수행하고 데이터를 처리할 수 있다.
입/출력 서브시스템(11400)은 다양한 입/출력 주변장치들을 주변장치 인터페이스(11300)에 결합시킬 수 있다. 예를 들어, 입/출력 서브시스템(11400)은 모니터나 키보드, 마우스, 프린터 또는 필요에 따라 터치스크린이나 센서 등의 주변장치를 주변장치 인터페이스(11300)에 결합시키기 위한 컨트롤러를 포함할 수 있다. 다른 측면에 따르면, 입/출력 주변장치들은 입/출력 서브시스템(11400)을 거치지 않고 주변장치 인터페이스(11300)에 결합될 수도 있다.
전력 회로(11500)는 단말기의 컴포넌트의 전부 또는 일부로 전력을 공급할 수 있다. 예를 들어 전력 회로(11500)는 전력 관리 시스템, 배터리나 교류(AC) 등과 같은 하나 이상의 전원, 충전 시스템, 전력 실패 감지 회로(power failure detection circuit), 전력 변환기나 인버터, 전력 상태 표시자 또는 전력 생성, 관리, 분배를 위한 임의의 다른 컴포넌트들을 포함할 수 있다.
통신 회로(11600)는 적어도 하나의 외부 포트를 이용하여 다른 컴퓨팅 장치와 통신을 가능하게 할 수 있다.
또는 상술한 바와 같이 필요에 따라 통신 회로(11600)는 RF 회로를 포함하여 전자기 신호(electromagnetic signal)라고도 알려진 RF 신호를 송수신함으로써, 다른 컴퓨팅 장치와 통신을 가능하게 할 수도 있다.
이러한 도 8의 실시 예는, 컴퓨팅 장치(10000)의 일례일 뿐이고, 컴퓨팅 장치(11000)은 도 8에 도시된 일부 컴포넌트가 생략되거나, 도 8에 도시되지 않은 추가의 컴포넌트를 더 구비하거나, 2개 이상의 컴포넌트를 결합시키는 구성 또는 배치를 가질 수 있다. 예를 들어, 모바일 환경의 통신 단말을 위한 컴퓨팅 장치는 도 8에 도시된 컴포넌트들 외에도, 터치스크린이나 센서 등을 더 포함할 수도 있으며, 통신 회로(1160)에 다양한 통신방식(WiFi, 3G, LTE, Bluetooth, NFC, Zigbee 등)의 RF 통신을 위한 회로가 포함될 수도 있다. 컴퓨팅 장치(10000)에 포함 가능한 컴포넌트들은 하나 이상의 신호 처리 또는 어플리케이션에 특화된 집적 회로를 포함하는 하드웨어, 소프트웨어, 또는 하드웨어 및 소프트웨어 양자의 조합으로 구현될 수 있다.
본 발명의 실시 예에 따른 방법들은 다양한 컴퓨팅 장치를 통하여 수행될 수 있는 프로그램 명령(instruction) 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 특히, 본 실시 예에 따른 프로그램은 PC 기반의 프로그램 또는 모바일 단말 전용의 어플리케이션으로 구성될 수 있다. 본 발명이 적용되는 애플리케이션은 파일 배포 시스템이 제공하는 파일을 통해 이용자 단말에 설치될 수 있다. 일 예로, 파일 배포 시스템은 이용자 단말이기의 요청에 따라 상기 파일을 전송하는 파일 전송부(미도시)를 포함할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시 예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술 분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로 (collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨팅 장치상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시 예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시 예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시 예들이 비록 한정된 실시 예와 도면에 의해 설명되었으나, 해당 기술 분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시 예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

  1. 하나 이상의 프로세서 및 상기 프로세서에서 수행 가능한 명령들을 저장하는 하나 이상의 메모리를 포함하는 컴퓨팅 장치로 구현되는 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법에 관한 것으로,
    일 하수처리시설에 유입되는 유입수의 유입 수량 및 수질 정보로서, 온도, pH, SS(부유물질량, Suspended Solids), COD(화학적 산소요구량, Chemical Oxygen Demand), TN(총질소, Total Nitrogen), TP(총인, Total Phosphors), DO(용존 산소량, Dissolved Oxygen) 및 BOD(생화학적 산소 요구량, Biochemical Oxygen Demand)에 대한 데이터를 포함하는 유입 조건 정보, 하수처리시설의 하수처리를 위한 반응조의 운전에 대한 조건 정보로서, 1단계 침사지 및 유량조정조, 2단계 최초침전지, 3단계 폭기조, 4단계 최종침전지 및 5단계 방류조에서의 협잡물제거, 유량조정조의 물량 조정, 폭기조의 공기 유입을 통한 미생물 활성화, 최종침전지의 농축조의 탈수기실 및 방류조의 소독을 포함하는 반응조 운전 조건 정보, 및 하수처리시설에서 방류되는 방류수의 수량 및 수질 정보를 포함하는 방류수 환경 정보를 전처리하는 데이터 전처리 단계;
    전처리된 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보에 포함된 세부 정보 간의 상관관계를 기설정된 제1 분석 알고리즘을 이용하여 파악하고, 파악된 상관관계를 이용하여 유입 조건 정보와 반응조 운전 조건 정보를 입력값으로 하고, 방류수 환경 정보를 출력값으로 하는 방류수 예측 모델을 구축하는 모델 구축 단계; 및
    구축된 방류수 예측 모델에 대해서 기 수집된 기존의 유입 조건 정보, 반응조 조건 정보 및 방류수 환경 정보를 포함하는 빅데이터를 이용하여 학습시키는 모델 학습 단계;를 포함하고,
    상기 데이터 전처리 단계는,
    다수의 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보의 데이터를 단위 통합 및 포맷 통합을 통해 동일 형식으로 가공하고, 실제 측정 값에 오류가 발생된 상태 및 센서 고장에 의한 미측정 상태에 대응되는 유입 조건 정보, 반응조 조건 정보 및 방류수 환경 정보인 비정상 데이터를 제거하고,
    상기 모델 학습 단계의 수행 후,
    상기 학습된 방류수 예측 모델에 현재의 유입 조건 정보 및 반응조 운전 조건 정보를 적용함으로써, 1일 이후의 방류수 환경 정보를 예측한 결과를 도출하는 방류수 예측 단계;를 더 포함하고,
    상기 방류수 예측 단계의 수행 결과, 예측된 방류수 환경 정보로서, 방류수의 수질이 법정 수질 기준치를 초과 시, 방류수 예측 모델에 따라서 방류수 수질을 상기 법정 수질 기준치 이내로 유지할 수 있는 정보로서, 상기 파악된 상관관계를 이용하여 분석된 방류수 수질과 상관관계가 가장 높은 기설정된 개수의 입력값에 대한 자동 제어를 통해 상기 하수처리시설의 구동 프로세스를 제어함으로써, 방류수의 수질을 상기 법정 수질 기준치 이내로 유지하도록 하는 자동 제어 단계;를 더 포함하고,
    상기 모델 구축 단계는,
    제1 분석 알고리즘으로서, 피어슨 상관계수(PCC, Pearson Correlation Coefficient) 분석 기법 및 주성분 분석(PCA, Principal Component Analysis) 기법 중 어느 하나를 이용하여, 세부 정보간의 상관관계를 파악하고,
    상기 모델 구축 단계는,
    순방향 신경망 인공지능 알고리즘(FNN, Feed forward Neural Network)을 이용하여 파악된 세부 정보간의 상관관계를 이용하여 상가 방류수 예측 모델을 구축하고,
    상기 세부 정보 간의 간의 상관관계는 초기 방류수 예측 모델에 대한 순방향 신경망 구축 시 사용될 수 있거나, 각 순방향 신경망에서의 데이터의 가중치(Weight)의 설정 시 사용되며,
    상기 모델 학습 단계는,
    상기 빅데이터를 베이지안 최적화(Bayesian Optimization) 기법에 적용하여 상기 구축된 방류수 예측 모델을 학습시키는 것을 특징으로 하는 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 하나 이상의 프로세서 및 상기 프로세서에서 수행 가능한 명령들을 저장하는 하나 이상의 메모리를 포함하는 컴퓨팅 장치로 구현되는 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 장치로서,
    일 하수처리시설에 유입되는 유입수의 유입 수량 및 수질 정보로서, 온도, pH, SS(부유물질량, Suspended Solids), COD(화학적 산소요구량, Chemical Oxygen Demand), TN(총질소, Total Nitrogen), TP(총인, Total Phosphors), DO(용존 산소량, Dissolved Oxygen) 및 BOD(생화학적 산소 요구량, Biochemical Oxygen Demand)에 대한 데이터를 포함하는 유입 조건 정보, 하수처리시설의 하수처리를 위한 반응조의 운전에 대한 조건 정보로서, 1단계 침사지 및 유량조정조, 2단계 최초침전지, 3단계 폭기조, 4단계 최종침전지 및 5단계 방류조에서의 협잡물제거, 유량조정조의 물량 조정, 폭기조의 공기 유입을 통한 미생물 활성화, 최종침전지의 농축조의 탈수기실 및 방류조의 소독을 포함하는 반응조 운전 조건 정보, 및 하수처리시설에서 방류되는 방류수의 수량 및 수질 정보를 포함하는 방류수 환경 정보를 전처리하는 데이터 전처리부;
    전처리된 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보에 포함된 세부 정보 간의 상관관계를 기설정된 제1 분석 알고리즘을 이용하여 파악하고, 파악된 상관관계를 이용하여 유입 조건 정보와 반응조 운전 조건 정보를 입력값으로 하고, 방류수 환경 정보를 출력값으로 하는 방류수 예측 모델을 구축하는 모델 구축부; 및
    구축된 방류수 예측 모델에 대해서 기 수집된 기존의 유입 조건 정보, 반응조 조건 정보 및 방류수 환경 정보를 포함하는 빅데이터를 이용하여 학습시키는 모델 학습부;를 포함하고,
    상기 데이터 전처리부는,
    다수의 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보의 데이터를 단위 통합 및 포맷 통합을 통해 동일 형식으로 가공하고, 실제 측정 값에 오류가 발생된 상태 및 센서 고장에 의한 미측정 상태에 대응되는 유입 조건 정보, 반응조 조건 정보 및 방류수 환경 정보인 비정상 데이터를 제거하고,
    상기 모델 학습부에 의하여 학습된 방류수 예측 모델에 현재의 유입 조건 정보 및 반응조 운전 조건 정보를 적용함으로써, 1일 이후의 방류수 환경 정보를 예측한 결과를 도출하는 방류수 예측부;를 더 포함하고,
    상기 방류수 예측부는
    예측된 방류수 환경 정보로서, 방류수의 수질이 법정 수질 기준치를 초과 시, 방류수 예측 모델에 따라서 방류수 수질을 상기 법정 수질 기준치 이내로 유지할 수 있는 정보로서, 상기 파악된 상관관계를 이용하여 분석된 방류수 수질과 상관관계가 가장 높은 기설정된 개수의 입력값에 대한 자동 제어를 통해 상기 하수처리시설의 구동 프로세스를 제어함으로써, 방류수의 수질을 상기 법정 수질 기준치 이내로 유지하도록 하고,
    상기 모델 구축부는,
    제1 분석 알고리즘으로서, 피어슨 상관계수(PCC, Pearson Correlation Coefficient) 분석 기법 및 주성분 분석(PCA, Principal Component Analysis) 기법 중 어느 하나를 이용하여, 세부 정보간의 상관관계를 파악하고,
    순방향 신경망 인공지능 알고리즘(FNN, Feed forward Neural Network)을 이용하여 파악된 세부 정보간의 상관관계를 이용하여 상가 방류수 예측 모델을 구축하고,
    상기 세부 정보 간의 간의 상관관계는 초기 방류수 예측 모델에 대한 순방향 신경망 구축 시 사용될 수 있거나, 각 순방향 신경망에서의 데이터의 가중치(Weight)의 설정 시 사용되며,
    상기 모델 학습부는,
    상기 빅데이터를 베이지안 최적화(Bayesian Optimization) 기법에 적용하여 상기 구축된 방류수 예측 모델을 학습시키는 것을 특징으로 하는 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 장치.
  10. 컴퓨터-판독가능 기록매체로서,
    상기 컴퓨터-판독가능 기록매체는, 컴퓨팅 장치로 하여금 이하의 단계들을 수행하도록 하는 명령들을 저장하며, 상기 단계들은:
    일 하수처리시설에 유입되는 유입수의 유입 수량 및 수질 정보로서, 온도, pH, SS(부유물질량, Suspended Solids), COD(화학적 산소요구량, Chemical Oxygen Demand), TN(총질소, Total Nitrogen), TP(총인, Total Phosphors), DO(용존 산소량, Dissolved Oxygen) 및 BOD(생화학적 산소 요구량, Biochemical Oxygen Demand)에 대한 데이터를 포함하는 유입 조건 정보, 하수처리시설의 하수처리를 위한 반응조의 운전에 대한 조건 정보로서, 1단계 침사지 및 유량조정조, 2단계 최초침전지, 3단계 폭기조, 4단계 최종침전지 및 5단계 방류조에서의 협잡물제거, 유량조정조의 물량 조정, 폭기조의 공기 유입을 통한 미생물 활성화, 최종침전지의 농축조의 탈수기실 및 방류조의 소독을 포함하는 반응조 운전 조건 정보, 및 하수처리시설에서 방류되는 방류수의 수량 및 수질 정보를 포함하는 방류수 환경 정보를 전처리하는 데이터 전처리 단계;
    전처리된 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보에 포함된 세부 정보 간의 상관관계를 기설정된 제1 분석 알고리즘을 이용하여 파악하고, 파악된 상관관계를 이용하여 유입 조건 정보와 반응조 운전 조건 정보를 입력값으로 하고, 방류수 환경 정보를 출력값으로 하는 방류수 예측 모델을 구축하는 모델 구축 단계; 및
    구축된 방류수 예측 모델에 대해서 기 수집된 기존의 유입 조건 정보, 반응조 조건 정보 및 방류수 환경 정보를 포함하는 빅데이터를 이용하여 학습시키는 모델 학습 단계;를 포함하고,
    상기 데이터 전처리 단계는,
    다수의 유입 조건 정보, 반응조 운전 조건 정보 및 방류수 환경 정보의 데이터를 단위 통합 및 포맷 통합을 통해 동일 형식으로 가공하고, 실제 측정 값에 오류가 발생된 상태 및 센서 고장에 의한 미측정 상태에 대응되는 유입 조건 정보, 반응조 조건 정보 및 방류수 환경 정보인 비정상 데이터를 제거하고,
    상기 모델 학습 단계의 수행 후,
    상기 학습된 방류수 예측 모델에 현재의 유입 조건 정보 및 반응조 운전 조건 정보를 적용함으로써, 1일 이후의 방류수 환경 정보를 예측한 결과를 도출하는 방류수 예측 단계;를 더 포함하고,
    상기 방류수 예측 단계의 수행 결과, 예측된 방류수 환경 정보로서, 방류수의 수질이 법정 수질 기준치를 초과 시, 방류수 예측 모델에 따라서 방류수 수질을 상기 법정 수질 기준치 이내로 유지할 수 있는 정보로서, 상기 파악된 상관관계를 이용하여 분석된 방류수 수질과 상관관계가 가장 높은 기설정된 개수의 입력값에 대한 자동 제어를 통해 상기 하수처리시설의 구동 프로세스를 제어함으로써, 방류수의 수질을 상기 법정 수질 기준치 이내로 유지하도록 하는 자동 제어 단계;를 더 포함하고,
    상기 모델 구축 단계는,
    제1 분석 알고리즘으로서, 피어슨 상관계수(PCC, Pearson Correlation Coefficient) 분석 기법 및 주성분 분석(PCA, Principal Component Analysis) 기법 중 어느 하나를 이용하여, 세부 정보간의 상관관계를 파악하고,
    상기 모델 구축 단계는,
    순방향 신경망 인공지능 알고리즘(FNN, Feed forward Neural Network)을 이용하여 파악된 세부 정보간의 상관관계를 이용하여 상가 방류수 예측 모델을 구축하고,
    상기 세부 정보 간의 간의 상관관계는 초기 방류수 예측 모델에 대한 순방향 신경망 구축 시 사용될 수 있거나, 각 순방향 신경망에서의 데이터의 가중치(Weight)의 설정 시 사용되며,
    상기 모델 학습 단계는,
    상기 빅데이터를 베이지안 최적화(Bayesian Optimization) 기법에 적용하여 상기 구축된 방류수 예측 모델을 학습시키는 것을 특징으로 하는 컴퓨터-판독가능 기록매체.
KR1020210165747A 2021-11-26 2021-11-26 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체 KR102440371B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210165747A KR102440371B1 (ko) 2021-11-26 2021-11-26 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210165747A KR102440371B1 (ko) 2021-11-26 2021-11-26 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체

Publications (1)

Publication Number Publication Date
KR102440371B1 true KR102440371B1 (ko) 2022-09-05

Family

ID=83279873

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210165747A KR102440371B1 (ko) 2021-11-26 2021-11-26 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체

Country Status (1)

Country Link
KR (1) KR102440371B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116360366A (zh) * 2023-03-24 2023-06-30 淮阴工学院 一种污水处理过程优化控制方法
CN116978206A (zh) * 2023-08-09 2023-10-31 国网安徽省电力有限公司滁州市城郊供电公司 一种基于gis地图的在线监测预警系统
CN117247132A (zh) * 2023-11-15 2023-12-19 成都之维安科技股份有限公司 一种基于aao工艺的智能精准曝气方法
CN117575017A (zh) * 2023-10-19 2024-02-20 南昌大学 一种污水处理过程的概率推理模型构建方法及其系统
CN117610942A (zh) * 2024-01-22 2024-02-27 广东智环创新环境科技有限公司 基于物联网的产业园区环保监督管理预警方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101629240B1 (ko) * 2013-06-04 2016-06-10 전남대학교산학협력단 진화적 예측모델 생성 인공지능 프로그램이 결합된 수처리장의 인공지능 통합 제어시스템
KR20210109160A (ko) * 2020-02-27 2021-09-06 (주) 더아이엠씨 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101629240B1 (ko) * 2013-06-04 2016-06-10 전남대학교산학협력단 진화적 예측모델 생성 인공지능 프로그램이 결합된 수처리장의 인공지능 통합 제어시스템
KR20210109160A (ko) * 2020-02-27 2021-09-06 (주) 더아이엠씨 빅데이터 및 인공지능 기반 하수 유입수 예측방법, 그리고 이를 포함하는 저장매체

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Intelligent System for the Predictive Analysis of an IndustrialWastewater Treatment Process(Sustainability, 2020.08.07.) 1부.* *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116360366A (zh) * 2023-03-24 2023-06-30 淮阴工学院 一种污水处理过程优化控制方法
CN116360366B (zh) * 2023-03-24 2023-12-01 淮阴工学院 一种污水处理过程优化控制方法
CN116978206A (zh) * 2023-08-09 2023-10-31 国网安徽省电力有限公司滁州市城郊供电公司 一种基于gis地图的在线监测预警系统
CN117575017A (zh) * 2023-10-19 2024-02-20 南昌大学 一种污水处理过程的概率推理模型构建方法及其系统
CN117247132A (zh) * 2023-11-15 2023-12-19 成都之维安科技股份有限公司 一种基于aao工艺的智能精准曝气方法
CN117247132B (zh) * 2023-11-15 2024-01-30 成都之维安科技股份有限公司 一种基于aao工艺的智能精准曝气方法
CN117610942A (zh) * 2024-01-22 2024-02-27 广东智环创新环境科技有限公司 基于物联网的产业园区环保监督管理预警方法及系统
CN117610942B (zh) * 2024-01-22 2024-03-29 广东智环创新环境科技有限公司 基于物联网的产业园区环保监督管理预警方法及系统

Similar Documents

Publication Publication Date Title
KR102440371B1 (ko) 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체
KR102440372B1 (ko) 빅데이터 및 인공지능 기반의 하수처리시설의 유입수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체
Newhart et al. Data-driven performance analyses of wastewater treatment plants: A review
Asadi et al. Wastewater treatment aeration process optimization: A data mining approach
Bagheri et al. Modeling and optimization of activated sludge bulking for a real wastewater treatment plant using hybrid artificial neural networks-genetic algorithm approach
Han et al. A soft computing method to predict sludge volume index based on a recurrent self-organizing neural network
Huang et al. A fast predicting neural fuzzy model for on-line estimation of nutrient dynamics in an anoxic/oxic process
Shokry et al. Data-driven soft-sensors for online monitoring of batch processes with different initial conditions
CN107949814A (zh) 用于废水处理工艺控制的系统和方法
KR102318530B1 (ko) IoT 기반 하수처리시설 에너지 관리 방법 및 시스템
KR20140142491A (ko) 진화적 예측모델 생성 인공지능 프로그램이 결합된 수처리장의 인공지능 통합 제어시스템
Pattanayak et al. Development of chemical oxygen on demand (COD) soft sensor using edge intelligence
JP3790129B2 (ja) プロセスシミュレータ応用制御装置及び方法
Xu et al. A novel long short-term memory artificial neural network (LSTM)-based soft-sensor to monitor and forecast wastewater treatment performance
Yan et al. A soft-sensing method of dissolved oxygen concentration by group genetic case-based reasoning with integrating group decision making
Han et al. An intelligent detection method for bulking sludge of wastewater treatment process
US20210171383A1 (en) Water treatment plant
Wu et al. Data-driven intelligent warning method for membrane fouling
Qiao et al. Design of modeling error PDF based fuzzy neural network for effluent ammonia nitrogen prediction
Huang et al. Modeling a paper-making wastewater treatment process by means of an adaptive network-based fuzzy inference system and principal component analysis
Li et al. Operational parameter prediction of electrocoagulation system in a rural decentralized water treatment plant by interpretable machine learning model
Liu et al. Multi-objective optimization of cascade controller in combined biological nitrogen and phosphorus removal wastewater treatment plant
Newhart et al. Data science tools to enable decarbonized water and wastewater treatment systems
CN113838542B (zh) 化学需氧量智能预测方法和系统
Shin et al. Development of water quality prediction model for water treatment plant using artificial intelligence algorithms

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant