KR102582180B1 - Ai를 활용한 소하천 스마트 예측 관리 시스템 및 그방법 - Google Patents

Ai를 활용한 소하천 스마트 예측 관리 시스템 및 그방법 Download PDF

Info

Publication number
KR102582180B1
KR102582180B1 KR1020230089579A KR20230089579A KR102582180B1 KR 102582180 B1 KR102582180 B1 KR 102582180B1 KR 1020230089579 A KR1020230089579 A KR 1020230089579A KR 20230089579 A KR20230089579 A KR 20230089579A KR 102582180 B1 KR102582180 B1 KR 102582180B1
Authority
KR
South Korea
Prior art keywords
water level
small river
value
data
river
Prior art date
Application number
KR1020230089579A
Other languages
English (en)
Inventor
정혜린
Original Assignee
정혜린
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 정혜린 filed Critical 정혜린
Priority to KR1020230089579A priority Critical patent/KR102582180B1/ko
Application granted granted Critical
Publication of KR102582180B1 publication Critical patent/KR102582180B1/ko

Links

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
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G01F23/80—Arrangements for signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B3/00—Audible signalling systems; Audible personal calling systems
    • G08B3/10—Audible signalling systems; Audible personal calling systems using electric transmission; using electromagnetic transmission

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Emergency Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Evolutionary Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Life Sciences & Earth Sciences (AREA)

Abstract

본 발명은 AI를 활용한 소하천 스마트 예측 관리 시스템 및 방법에 관한 것으로서, 보다 상세하게는 집중호우 시 하천 범람 위험 등을 예측하여 위험수위 도달 시 주민 사전대피를 위해 수위, 범람 위험 정보 등에 관한 방송을 실시간으로 하는 마을 방송 시스템을 제공하고, 소하천 유형에 따라 수위와 유량에 영향을 미치는 특성이 다를 수 있으므로 보다 정확하고 맞춤화된 예측을 통해 실시간 데이터 전송 및 분석이 가능하며, 큰 돌이나 나무 또는 정체 불명의 이물질들이 소하천의 일부를 막으면 보정 계수를 이용하여 수위값의 평균값을 보정하고, 소하천 관리를 위한 최신 정보를 제공할 수 있는 AI를 활용한 소하천 스마트 예측 관리 시스템 및 방법에 관한 것이다.

Description

AI를 활용한 소하천 스마트 예측 관리 시스템 및 그 방법{Small river smart prediction management system using accumulated data and its method}
본 발명은 AI를 활용한 소하천 스마트 예측 관리 시스템 및 방법에 관한 것으로서, 보다 상세하게는 AI를 활용하여 집중호우 시 하천 범람 위험 등을 예측하여 위험수위 도달 시 주민 사전대피를 위해 수위, 범람 위험 정보 등에 관한 방송을 실시간으로 하는 마을 방송 시스템을 제공하고, 소하천 유형에 따라 수위와 유량에 영향을 미치는 특성이 다를 수 있으므로 보다 정확하고 맞춤화된 예측을 통해 실시간 데이터 전송 및 분석이 가능한 AI를 활용한 소하천 스마트 예측 관리 시스템 및 방법에 관한 것이다.
기존의 강우 시 시설물 제어 및 소하천 높이 측정 방법은 한계와 단점이 있다. 원격 측정 감시 및 제어 방식은 배수 용량을 초과하는 많은 양의 강우량을 처리할 수 없다. 현행 하천재난관리시설 원격관리 시스템은 폭우 시 범람피해가 불가피하다. 기존 수위 측정 장치는 온도 민감도, 범람이나 이물질에 대한 취약성, 정확도 부족 등의 문제를 안고 있다. 압력 센서 또는 초음파/레이더 센서를 사용하는 장치는 센서 이동, 오염, 불규칙한 표면 변화 및 정확도 감소 문제에 직면한다. 작은 흐름에 구조물이나 센서를 설치하는 것은 한계와 빈번한 고장을 나타낸다. 또한, 원격 제어 센터에서 측정값을 시각적/청각적으로 직접 확인할 수 없기 때문에 정확성이 더욱 저하된다. 이러한 문제를 극복하고 보다 정확하고 안정적인 소하천 높이 측정 정보를 제공하려면 새로운 장치가 필요하다.
예를 들어 한국등록특허 제1978351호(특허권자 : 하이드로셈)는 측정 수단에 의해 측정된 수위 자료를 탄력적 대역폭 적용을 통한 국지적 선형회귀 기반의 이변량 산점도 평활화 기법으로 필터링하여 하천의 수위를 산출하는 수위 측정 장치; 하천 유속 측정 현장의 연속 영상을 획득하는 영상 획득 장치; 상기 영상 획득 장치의 영상을 이용하여 실시간으로 표면유속을 계측하고, 수위 측정 장치로부터 계측수위를 전송받아 단면자료와 함께 실시간으로 유량을 계측하는 영상분석 PC; 웹 기반의 실시간 유량 계측 결과 전송 및 표출을 위한 유량 산출 및 관리 서버;를 포함하는 발명이다.
한편, 도 1(a)의 ANN 모델은 입력층과 출력층, 이 사이에 있는 은닉층으로 구성되어있으며 각 층은 가중치를 가진 뉴런들로 연결되어있는 모델이다. 선형데이터뿐만 아니라 이미지, 음성 인식 등과 같은 비선형관계를 가진 데이터 예측 및 분류에 모두 사용될 수 있는 장점을 가진모델이다
도 1 (b), (c), (d)는 하천 수위 데이터를 보여주는 그래프 도면이다.
그러나, 종래의 실시간 상황대응을 위한 현장영상을 제공하고 수위 및 유속 정보를 수집해 유량을 실시간으로 정확하게 계측해 봤자, 현장의 단면정보, 분석시간, 분석간격, 분석영역에 대하여 카메라가 수집한 연속영상으로부터 복잡하게 픽셀유속을 산출하고 이를 실제 물리적인 유속으로 환산하고 이를 이용하여 실시간 자동 유량 산출을 하여도 효율성 및 정확성을 높이기 어려운 문제가 있다.
본 발명은 전술한 문제점을 개선하기 위해 안출된 것으로, 본 발명의 실시예에 따르면, 장마의 경우에 큰 돌이나 나무 또는 정체 불명의 이물질들이 소하천의 일부를 막으면 순간적으로 높아지는 유속과 수위를 정확하게 측정할 수 있는 AI를 활용한 소하천 스마트 예측 관리 시스템을 제공하는데 목적이 있다.
또한, 본 발명의 실시예에 따르면, 기상청의 데이터 센터에 네트워크로 연결되어 최신 기상 정보를 기반으로 소하천의 범람 상황 등을 예측할 수 있는 AI를 활용한 소하천 스마트 예측 관리 시스템을 제공하는데 목적이 있다.
또한, 본 발명은 인공 지능을 기반으로 소하천의 수위 및 유량을 평균값 추이를 분석하여 미리 일정 시간 후의 범람을 예측할 수 있는 인공 지능(AI) 기반 수위 및 유량 예측 시스템을 포함하는 AI를 활용한 소하천 스마트 예측 관리 시스템을 제공하는데 목적이 있다.
상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예는 소하천 수위를 측정하기 위한 전극 센서(120); 상기 소하천의 유속을 측정하는 유속센서(110);를 포함하는 센서부; 및 센서부의 정보를 관리 서버(300)에 송신하는 컨트롤러(200);를 포함하고,
상기 컨트롤러(200)에는 소하천변 위험지역에 경고 신호를 발산할 수 있는 스피커 또는 사이렌이 전기적으로 연결되어, 컨트롤러(200)가 미리 저장된 실시간 범람 경보 방송을 스피커 또는 사이렌으로 전달하여, 스피커 또는 사이렌으로 실시간 방송하는 AI를 활용한 소하천 스마트 예측 관리 시스템에 있어서, 기 학습된 인공지능모델을 저장하는 메모리; 및 상기 컨트롤러(200) 내에서 작동되며, 상기 센서부의 신호를 시간에 따른 신호 세기 순으로 그래프화한 이미지 중에서 센서 신호를 나타내는 부분을 POI (Point Of Interest)로 인식하는 POI 프로세스를 포함하여 상기 인공지능모델을 통해 분석하도록 하는 이미지 프로세서;를 포함하며, 상기 인공지능모델은 이미지 프로세서의 그래프화된 이미지에서 다시 센서부 신호의 세기를 추출하여 센서부 신호 중 정상수치 범위를 벗어나는 이상 센서부 신호를 지수평활법(Exponential Smoothing)으로 예측하며, 상기 이미지 프로세서의 정보에서 정상수치 범위를 벗어나는 이상이 발견 될 시 알람 기법으로 지수가중이동평균(Exonentially Weighted Moving Average ;EWMA)을 사용하여 최근 이상 수치의 변화량이 정상수치 범위를 벗어날 시에만 알람을 발생하고, 상기 지수가중이동평균은 최근 센서부 신호에 더 많은 영향을 받기 때문에 최근 신호에 더 높은 가중치를 둔다.
상기 컨트롤러는 기상청의 데이터 센터에 네트워크로 연결되어 하천의 수위, 유량, 강우량, 기온, 풍속 정보를 전달받아 관리 서버로 전송한다.
상기 마을 방송 시스템은 소하천변 위험지역에 전략적으로 마을방송장치를 설치한다. 이러한 장치에는 크고 명확한 경고 신호를 발산할 수 있는 스피커 또는 사이렌이 장착되어, 관리 서버으로 부터 실시간 범람 경보를 수신하며, 관리자 단말기에 실시간 전송한다.
상기 소하천 주변의 온도, 습도, 풍향, 풍속, 강수량의 정보를 측정하여 저장하는 컨트롤러;를 포함하며, 범람센서는 센서부에 포함되고, 전극 센서는 전극봉과 연결되어 상기 소하천의 범람을 아래 수학식 1로 측정한다.
상기 컨트롤러는 상기 인공 지능 기반 수위 및 유량 예측 시스템이 일정주기에 따라 수위값을 센서부로 전송받아 누적하여 저장하고, 상기 저장된 수위값 군집에서 일정치 이상 벗어나는 데이터를 제거하며, 동일 수위를 기준으로 돌 또는 큰 나무와 같은 이물질 등에 따른 수위의 변화를 참작한 보정 계수를 통한 각각의 수위값을 보정하고, 상기 보정된 수위값들 중 설치 후 초기 수위값 데이터들을 누적하여 대표값 산출 후 상기 보정된 수위값들 중 최근의 데이터들을 누적하여 대표값 산출 후 수위 곡선을 생성한다.
본 발명은 AI를 활용한 소하천 스마트 예측 관리 시스템를 이용한 방법에 있어서, 컨트롤러와 센서부를 통한 IoT를 이용한 복수개의 센서와 센서들의 상황인식 및 보정 알고리즘을 적용하고 마을 방송 시스템으로 경고 방송하는 방법으로서, 센서부를 통해 소하천 수위를 측정하는 단계; 상기 컨트롤러가 소하천 물넘침이 발생하는지 확인하는 단계; 상기 컨트롤러가 소하천이 만수위인지 확인하는 단계; 상기 컨트롤러가 상기 센서부를 통한 소하천 상황 데이터를 관리서버로 전송 후, 데이터 분석/연산/명령하는 단계(S107, 108); 상기 컨트롤러가 경보 상황인지 확인하는 단계; 상기 관리서버가 마을 방송 시스템 또는 관리자단말기로 SMS 및 경보 전송하는 단계;를 포함한다.
인공 지능 기반 수위 및 유량 예측 시스템이 일정주기에 따라 수위값을 센서부로 전송받아 누적하여 저장하고, 상기 저장된 수위값 군집에서 일정치 이상 벗어나는 데이터를 제거하며, 동일 수위를 기준으로 보정계수를 통한 각각의 수위값을 보정하고, 상기 보정된 수위값들 중 설치 후 초기 수위값 데이터들을 누적하여 대표값 산출 후 상기 보정된 수위값들 중 최근의 데이터들을 누적하여 대표값 산출 후 수위 곡선을 생성하며, 상기 보정하는 것은, 상기 인공 지능 기반 수위 및 유량 예측 시스템이분산 값에 따른 보정계수 추적을 통한 데이터 상시값에 대한 보정값 및 절대값 추출방안으로, 상기 인공 지능 기반 수위 및 유량 예측 시스템이상기 수위값과 평균의 차인 편차 계산을 통한 데이터 추출과, 상기 편차가 큰 값들은 분산이 클 경우, 보정계수를 일정치 보다 적게 하고, 상기 편차가 적은 값들을 보정계수를 일정치 보다 높여 정확도를 올리는 것을 특징으로 하는 IoT를 이용한 복수개의 센서와 센서들의 상황인식 및 보정 알고리즘을 적용하고 관리서버에 제공하여 범람 예측 시간이 다가올 경우 관리서버가 마을 방송 시스템에 경고 방송 제어 명령을 전달하여 경고 방송한다.
본 발명의 일 실시예에 따라 인공 지능을 기반으로 하천의 환경 정보를 분석하여 수위 및 유량을 예측할 수 있어 이를 마을 방송 시스템으로 경고 방송할 수 있다.
또한, 본 발명에서 사용하는 인공 지능은 수위 및 유량에 영향을 미치는 다양한 요인을 고려하여 보다 정확하고 효율적으로 수위 및 유량을 예측할 수 있다. 또한, 이 시스템은 실시간으로 수위 및 유량을 계측하여 주민들에게 위험 수위 도달에 대한 경보를 방송할 수 있다.
또한, 본 발명은 다양한 기술들의 특성을 종합적으로 분석하고 비교함으로써, 소하천의 수위 측정과 관리에 적합한 기술 선택에 대한 실질적인 가이드라인을 제공하고자 하였다.
또한 본 발명은 기존의 수위 측정 방식의 한계를 극복하고 효과적인 소하천 관리를 위한 새로운 접근 방식(카메라가 아닌 센서를 이용한 측정치 보완 방법)을 제시할 수 있을 것으로 기대된다.
또한, 본 발명의 일 실시예에 따르면 CCTV가 아닌 교량에 밀착되어 결합된 센서 등을 이용하여 소하천 교량의 붕괴와 관련된 정보를 얻기 용이하다.
구체적으로 살펴보면, 센서 데이터를 RNN 모델로 바로 학습시키는 것과 그래프로 변환하여 CNN 모델로 학습시키는 것은 각각의 장단점이 있다.
RNN 모델을 사용하여 센서 데이터를 학습시키는 경우, 시간적인 정보를 고려하여 학습할 수 있다. 이는 시계열 데이터와 같은 경우에 매우 유용하다. 하지만 RNN 모델은 시퀀스 길이가 길어질수록 학습이 어려워지는 단점이 있다.
반면에 그래프 이미지를 CNN 모델로 학습시키는 경우, 이미지 처리에 특화된 CNN 모델을 사용할 수 있으므로, 이미지 분류 문제에서 뛰어난 성능을 보인다. 또한, 그래프 이미지를 사용하면 시계열 데이터에서 발생하는 시퀀스 길이 문제를 해결할 수 있다.
하지만 그래프 이미지로 변환하는 과정에서 정보의 손실이 발생할 수 있으며, 이에 따라 센서 데이터의 특성을 제대로 반영하지 못할 수도 있다. 또한, 그래프 이미지를 생성하는 과정에서 추가적인 연산이 필요하므로, 계산 비용이 증가할 수 있다.
따라서 어떤 방법을 선택할지는 센서 데이터의 특성과 학습 목적에 따라 다르게 결정되지만, 본 발명에서는 장마의 경우에 큰 돌이나 나무 또는 정체 불명의 이물질들이 소하천의 일부를 막으면 순간적으로 높아지는 유속과 수위를 정확하게 측정할 수 있는 24시간 감시체계로서 실시간 경보를 발생시켜야 하므로 그래프로 변환하여 CNN 모델로 학습시키는 것이 바람직하다.
이와 같은 방식은 현재 GPT 방식의 트랜스포머 모델에도 적용할 수 있으며, 이미지를 분석하는 q, k, v 벡터로 나누어 사용하여 동일한 효과를 나타낼 수도 있다.
도 1은 종래 발명에 따른 소하천의 현장 계측을 위한 AI 데이터 처리 방법(그래프를 이용한 CNN 모델)을 보여주는 도면이다.
도 2는 본 발명의 일 실시예에 따른 AI를 활용한 소하천 스마트 예측 관리 시스템을 구현하기 위한 세부 구성을 보여주는 도면이다.
도 3, 4, 5는 도 2의 센서부와 컨트롤러가 마을 방송 시스템과 네트워크로 연결된 모습을 보여주는 도면이다.
도 6은 본 발명의 일실시예에 따라 센서부와 컨트롤러와 관리서버가 연결되어 소하천 데이터를 수집하고 관리하는 모습을 보여주는 도면이다.
도 7은 본 발명의 일실시예에 따라 센서부에 유량 센서가 더 포함된 구성을 보여주는 도면이다.
도 8은 인공 지능(AI) 기반 수위 및 유량 예측 시스템이 더 포함된 구성을 보여주는 도면이다.
도 9는 본 발명의 일실시예에 따른 센서를 이용한 소하천 스마트 예측 관리 단계를 보여주는 도면이다.
상기한 바와 같은 본 발명을 첨부된 도면들과 실시예들을 통해 상세히 설명하도록 한다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
도 2 내지 도 5에 도시된 바와 같이, 센서부(100)는 유속 센서(110), 전극 센서(120), 유량 센서(130), 초음파 센서(140) 등으로 구성된다.
그리고, 이러한 센서부(100)를 제어하는 컨트롤러(200)가 지상에 위차하며, 영상 장비(11), 방송장비(14) 등을 더 포함하여 구성된다.
여기에서 방송장비(14)에는 스피커가 포함되며, 후술하는 마을 방송 시스템(310)과 동시에 컨트롤러(200)의 제어를 받아 알람을 발생시켜 소하천 주변의 범람 주의 등을 경고할 수 있다.
일실시예로서, 본 발명은 소하천 수위를 측정하기 위한 전극 센서(120); 상기 소하천의 유속을 측정하는 유속센서(110);를 포함하는 센서부; 및 센서부의 정보를 관리 서버(300)에 송신하는 컨트롤러(200);를 포함하고, 상기 컨트롤러(200)에는 소하천변 위험지역에 경고 신호를 발산할 수 있는 스피커 또는 사이렌이 전기적으로 연결되어, 컨트롤러(200)가 미리 저장된 실시간 범람 경보 방송을 스피커 또는 사이렌으로 전달하여, 스피커 또는 사이렌으로 실시간 방송한다.
도 2에 도시된 바와 같이 유속 센서(110)의 유량 산정을 위한 횡방향 유속 측선 수는 최소 3~6개의 측선도 가능하다. 다만, 하폭이 커질수록 측선의 수에 따라 유량측정 정확도가 감소할 수 있으므로 하폭을 고려하여 사업비 한도 내에서 설치 가능한 최대한의 측선을 확보하여야 한다.
더불어 수면 폭이 5m 이상인 경우 각 측선의 유량은 가능한 전체의 5% 이내가 되도록 하며, 10%를 초과하지 않아야 한다.
즉, 각 측선의 간격은 등간격이 아니라 각 측선에서의 유량이 비슷하게 산정될 수 있도록 측선 간격 배치를 고려하여야 한다.
본 발명에서는 유량측정 정확도 확보를 위해 상하류 직선하도이면서 횡단면은 단단면이고 횡방향으로의 유속분포가 비교적 일정하여 흐름이 안정된 곳이어야 하며, 설치된 유속계가 해당 구간의 유속을 상시 대표할 수 있어야 한다.
또한, 소하천 범람시가 아닌 평상시 흐름에서도 유속 계측이 가능하도록 평상시 유량이 흐르는 구간에는 반드시 하나 이상의 측선을 배치하여야 하며 현장에 설치되는 유속 센서(110)는 완성제방이 있는 곳은 제방높이까지의 범람에 대한 유속을 계측할 수 있도록 하여야 한다.
전극 센서(120)는 수면까지 거리를 측정하는 데, 소하천의 수위 계측 장비는 비접촉식 방법인 레이더수위계나 초음파수위계 모두 설치 가능하나, 소하천 범람 예·경보 프레임워크 개발에 필요한 최소 요구 수준을 만족하도록 설치하여야 한다. 현장에 설치되는 수위 계측장비는 제방이 있는 곳은 제방높이까지의 범람을 계측할 수 있도록 하여야 한다.
수위 계측 장비의 계측 간격은 1분 이내로 하며, 분해능은 1mm까지 측정이 가능한 장비를 설치한다. 이때 최소 수위 계측 시간은 10초 이상으로 한다. 수위 계측도 유속 계측과 마찬가지로 범람 시 발생하는 진동을 최소화하기 위하여 10초 이상씩 3회 이상 계측하여 이 계측 값들을 평균하는 등으로 범람 시 발생하는 수위의 변동폭을 최소화하여야 한다.
계측된 수위는 수심 분포 산정에 활용하는데, 수심은 계측된 수위와 횡단면 측량 결과와의 차이를 이용하여 산정한다.
수심 계측을 위해 시행자는 장비 설치 시 최소 50cm 간격으로 횡단측량을 실시하고 지상기준점(GCP)을 설치하여 다음번 측량 시 동일한 지점에서 측량이 이루어 질 수 있도록 한다.
지상기준점 설치 시 주변에 설치된 통합기준점(국토지리정보원) 표고(EL.m)를 기준으로 환산한 표고를 함께 제시하여 수위 계측에 활용하도록 한다.
유속 센서(110)를 이용하여 계측한 유속은 표면 유속이기 때문에 유량 산정을 위해서는 표면유속을 수심 평균유속으로 환산하여 유량을 산정하여야 한다. 소하천마다 흐름 특성이 모두 다르기 때문에 환산계수는 일괄적인 값을 사용하기 보다는 다년간의 범람량의 측정을 통해 각 소하천별로 결정하여 사용하는 것이 바람직하다.
고정된 위치에서 수중유속을 측정하는 경우에는 수위 변화에 따라 유속이 측정되는 범위가 횡방향 및 종방향으로 달라지기 때문에 수심 평균유속으로 환산할 경우 이 점을 고려하여야 한다.
컨트롤러(200)는 산업용 PC, 서버, 태블릿 등의 장비를 말하며, 이들 장비는 대용량의 계측자료를 수집, 분석 및 표출하기 위한 프로그램과 자동화 시스템이 구동 가능하다.
도 3에 도시된 바와 같이, 본 발명의 일 실시예는 소하천 수위를 측정하기 위한 전극 센서(120); 상기 소하천의 유속을 측정하는 유속센서(110);를 포함하는 센서부; 센서부(100)의 정보를 마을 방송 시스템(310)에 연결된 관리 서버(300)에 송신하는 컨트롤러(200); 등을 포함한다.
일실시예로서 상기 센서부(100)는 네트워크를 통해 특정 상황에 대한 모니터링을 위한 기상청의 데이터 센터에 연결되고, 소하천 교량의 붕괴와 관련된 정보를 수집하는 진동 센서 등을 포함하는 상기 센서부(100)로 부터 소하천 교량의 x, y, 및 z축 진동 감지 정보를 전달받아 일정 기준에 따라 신호를 처리하여 모니터링부(300)에 전달한다.
도 9에 도시된 바와 같이 본 발명은 일실시예로서 컨트롤러와 센서부를 통한 IoT를 이용한 복수개의 센서와 센서들의 상황인식 및 보정 알고리즘을 적용하고 마을 방송 시스템(310)으로 경고 방송하는 방법으로서, 센서부를 통해 소하천 수위를 측정하는 단계(S101); 상기 컨트롤러가 소하천 물넘침이 발생하는지 확인하는 단계(S104); 상기 컨트롤러가 소하천이 만수위인지 확인하는 단계(S105); 상기 컨트롤러(200)가 상기 센서부를 통한 소하천 상황 데이터를 관리서버(300)로 전송 후, 데이터 분석/연산/명령하는 단계(S107, 108); 상기 관리서버(300)가 경보 상황인지 확인하는 단계(S109); 상기 관리서버(310)가 마을 방송 시스템(310) 또는 관리자단말기로 SMS 및 경보 전송하는 단계(S110);를 포함한다.
도 4에 도시된 바와 같이, 관리 서버(300)와 마을 방송 시스템(310)과 각 시군 스마트 방송 시스템(320)은 서로 네트워크로 연결되어 있다.
각 시군 스마트 방송 시스템(320)은 해당 지역의 소하천에 대한 주요 정보 및 비상 상황 발생 시 안전 정보 등을 네크워크 또는 통신망을 통해 방송하는 시스템이고, 이를 통해 지역 주민들은 더 빠르게 소하천에 관련된 필요한 정보를 전달받을 수 있다.
도 5a에 도시된 바와 같이, 관리 서버(300)로부터 수집된 정보를 분석하여 소하천이 범람의 위험 수위에 도달할 경우 주민들에게 경보를 방송하는 마을 방송 시스템(310)에 네트워크로 연결된 재난구호 관리자(520)는 집중호우 시 하천 범람 위험 등을 예측하여 긴급 방송으로 주민 사전대피를 유도할 수도 있다.
예를 들어, 알림 메시지의 특성값이 긴급 방송인 경우, 각 시군 스마트 방송 시스템(320)은 각 시군의 마을 내의 댁내 방송 수신기(510)가 스피커의 최대 출력으로 상기 알림 메시지를 출력하고, 사용자의 응답이 입력될 때까지 알림 메시지를 반복하여 출력하거나, 상기 방송 수신기에 연동되는 사용자 단말로 상기 알림 메시지를 전송하며, 상기 마을 방송 시스템(310) 또는 각 시군 스마트 방송 시스템(320)은 재난구호 관리자(520)로부터 수신한 알림 메시지의 내용을 분석하여 알림 메시지의 특성값을 일반 방송과 긴급 방송 중 하나로 판단하고, 알림 메시지의 특성값 판단 결과에 따라 알림 메시지에 플래그를 삽입하여 전송하며, 상기 방송 수신기(510)가 일정 시간 안에 상기 응답 메시지를 전송하지 않거나, 무응답 메시지를 전송한 경우, 상기 방송 수신기(510)로부터 일정 거리 안에 위치한 다른 방송 수신기에게 상기 방송 수신기(510)의 무응답 메시지를 전달한다.
도 6에 도시된 바와 같이 상기 소하천 주변의 온도, 습도, 풍향, 풍속, 강수량의 정보를 측정하여 저장하는 컨트롤러(200);를 포함하며, 범람센서(110)는 센서부(100)에 포함되고, 전극 센서(120)는 전극봉과 연결되어 상기 소하천의 범람을 아래 수학식 1로 측정한다.
여기서, Q는 하천의 수량(m3/s), A는 하천 단면적(m2), v는 하천의 범람속도(m/s)이다.
따라서, 하천의 수량은 하천 단면적과 범람속도의 곱으로 구할 수 있다.
예를 들어, 하천의 단면적이 100m2이고 범람이 2m/s인 경우, 하천의 수량은 200m3/s이다.
또는 상기 소하천에 전극 센서(예 : 전극봉센서, 초음파센서; 120)를 통한 물넘침 감지 또는 수위 측정, 및 유속센서(110)를 통한 유속측정을 통하여, 소하천 물이 넘치는지 여부와 물의 양을 측정하는 유량 센서(130);를 더 추가하여 측정할 수도 있다.
또한, 상기 센서부는 IoT센서로서, 유속 센서(110), 전극 센서(120)를 포함하는 수처리 센서들 중 하나 이상으로 이루어져, 측정된 정보를 수집하여 송신하는 장치로서, 통신방식은 RF통신(기기간 통신), LTE통신으로 관리 서버(300) 등과 정보 교환이 이루어진다.
도 8에 도시된 바와 같이 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)은 일정주기에 따라 수위값을 누적하여 저장하고, 상기 저장된 군집에서 일정치 이상 벗어나는 데이터를 제거하며, 동일 수위를 기준으로 보정계수를 통한 각각의 값을 보정하여, 상기 보정된 값들 중 설치 후 초기 수위값 데이터들을 누적하여 대표값 산출 후 관리기준선 모델링을 하며, 상기 보정된 값들 중 최근의 데이터들을 누적하여 대표값 산출 후 시간 순서대로 나열한 수위 그래프(곡선)를 생성하고, 상기 수위 그래프를 통해 얼마의 시간 후에 범람 등의 이상이 발생할지 예측하여 마을 방송 시스템(310)에 알린다.
예를 들어 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 일정주기에 따라 수위값을 센서부로 전송받아(S201) 누적하여 저장하고(S202), 상기 저장된 수위값 군집에서 일정치 이상 벗어나는 데이터를 제거(S203)하며, 동일 수위를 기준으로 보정계수(예 : 돌 또는 큰 나무와 같은 이물질 등에 따른 수위의 변화를 참작한 보정 계수)를 통한 각각의 수위값을 보정(S204)하고, 상기 보정된 수위값들 중 설치 후 초기 수위값 데이터들을 누적하여 대표값 산출(S205) 후 상기 보정된 수위값들 중 최근의 데이터들을 누적(예 : 지수가중평균)하여 대표값 산출(S206) 후 수위 곡선을 생성(S207)하여 관리서버(300)에 제공하며(S208), 상기 보정하는 것은, 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 분산 값에 따른 보정계수 추적을 통한 데이터 상시값에 대한 보정값 및 절대값 추출방안으로, 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 상기 수위값과 평균의 차인 편차 계산을 통한 데이터 추출과, 상기 편차가 큰 값들은 분산이 클 경우, 보정계수를 일정치 보다 적게 하고, 상기 편차가 적은 값들을 보정계수를 일정치 보다 높여 정확도를 올리는 것을 특징으로 하는 IoT를 이용한 복수개의 센서와 센서들의 상황인식 및 보정 알고리즘을 적용하고 관리서버(300)에 제공하여 범람 예측 시간이 다가올 경우 관리서버(300)가 마을 방송 시스템(310)에 경고 방송 제어 명령을 전달하여 경고 방송하도록 한다(S209).
이 때, 상기 수위값 또는 대푯값 들은 최신 정보를 우선시 하는 지수가중평균값을 사용하며, 이는 다음 수학식 2와 같이 계산된다.
이 때, 특성 인자의 가중치는 소하천의 상태를 평가하는 데 가장 중요한 특성 인자 또는 최신 수위 정보 등에 높은 가중치를 부여하여 계산한다.
예를 들어 소하천 수위 측정 및 관리에 지수 가중 평균을 적용하는 소하천의 수위 예측을 위한 관리 서버(300)의 일부로 사용되며, 단계별로 살펴보면, 먼저 소하천의 수위에 영향을 미치는 여러 특성 인자들의 데이터를 수집해야 한다.
이러한 특성 인자들은 강수량, 기온, 토양의 습도, 상류에서의 물의 유량 등이 될 수 있다. 이 데이터는 센서를 통해 실시간으로 수집될 수 있다.
그리고 상기 각 특성 인자에 대한 가중치를 설정해야 한다. 가중치는 해당 특성 인자가 소하천의 수위에 어느 정도의 영향을 미치는지를 나타낸다. 이 가중치는 초기에는 전문가의 지식을 바탕으로 설정될 수 있으며, 시간이 지나면서 축적된 빅데이터를 바탕으로 조정될 수 있다.
마지막으로 각 특성 인자의 가중치와 그 값들을 곱한 후 모두 더하여 지수 가중 평균을 계산한다. 이 값은 소하천의 예상 수위를 나타낸다.
상기 관리서버(300)는 계산된 지수 가중 평균을 바탕으로 소하천의 미래 수위를 예측한다.
한편, 일실시예로서 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)은 아래와 같은 본 발명의 일실시예에 따른 센서를 이용한 소하천 스마트 예측 관리 방법을 따른다.
인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)은 데이터 수집 및 저장 모듈, 데이터 처리 모듈, 데이터 학습 모듈, 이상 감지 모듈, 데이터 보정 모듈, 통계 계산 모듈, 데이터 추출 모듈 등을 포함한다.
(1) 데이터 수집 및 저장 모듈 -> 데이터 처리 모듈: 수집된 데이터 및 기준값 저장,
(2) 데이터 처리 모듈 -> 데이터 학습 모듈: 기계 학습을 통한 이상 감지,
(3) 데이터 학습 모듈 --> 이상 감지 모듈: 이상 감지 발생 시 알림,
(4) 데이터 수집 및 저장 모듈 -> 데이터 처리 모듈: 정해진 주기에 따라 수위값 수신 및 저장,
(5) 데이터 처리 모듈 -> 데이터 보정 모듈: 저장된 수위값에서 기준값이 확장된 클러스터를 벗어난 데이터 제거,
(6) 데이터 보정 모듈 -> 데이터 보정 모듈: 종래 저장된 동일 수위를 기준으로 현재 수위값에 보정 계수를 적용하여 수위값 보정,
(7) 데이터 보정 모듈 -> 통계 계산 모듈: 보정된 수위값 중 초기 설치 이후의 통계 데이터를 이용하여 평균값(예 : 지수가중평균) 계산,
(8) 데이터 보정 모듈 -> 통계 계산 모듈: 보정된 수위값 중 최근 데이터를 이용하여 대표평균값 계산 및 이에 따른 수위 곡선 생성에 따라 상기 수위 곡선에 따라 범람을 예측할 수 있는 경우 관리 서버(300)에 전송하여 마을 방송이 가능한 마을 방송 시스템(310)을 가동할 수 있다.
이 외에 더 추가하여,
(9) 데이터 보정 모듈 -> 데이터 보정 모듈: 보정 단계에서 분산값에 따라 추적 보정 계수를 적용하여 데이터 보정 및 대표값 추출,
(10) 데이터 보정 모듈 -> 데이터 추출 모듈: 수위값과 평균 편차 사이의 차이를 계산하여 데이터 추출,
(11) 데이터 보정 모듈 -> 데이터 보정 모듈: 분산이 큰 경우 보정 계수를 작게 설정하고, 편차가 작은 값에 대해서는 보정 계수를 증가시켜 정확도 향상,
(12) 데이터 보정 모듈 --> 데이터 보정 모듈: 보정 계수 추적 단계 등으로 이루어진다.
즉, 상술한 모듈들을 통해 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)은 센서부에서 수집된 데이터 처리 및 학습 방법을 달리 적용하여 빅데이터를 확보하고, 수집된 데이터와 기준치정보를 입력받아 저장한 후, 기계학습하여 이상 유무를 판단하고, 이상 발생시 이를 알린다.
계속하여 본 발명은 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 일정주기에 따라 수위값을 센서부로 전송받아 누적하여 저장하는 단계; 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 상기 저장된 수위값 군집에서 일정치 이상 벗어나는 데이터를 제거하는 단계; 상기인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 동일 수위를 기준으로 보정계수를 통한 각각의 수위값을 보정하는 단계; 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 상기 보정된 수위값들 중 설치 후 초기 수위값 데이터들을 누적하여 대표 절대값을 산출하는 절대값 산출 단계; 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 상기 보정된 수위값들 중 최근의 데이터들을 누적하여 대표값 산출 후 수위 곡선을 생성하는 단계;를 포함하되, 상기 보정하는 단계는, 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 분산 값에 따른 보정계수 추적을 통한 데이터 보정 및 대표값 추출방안으로, 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 상기 수위값과 평균의 차인 편차 계산을 통한 데이터 추출 단계; 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 상기 편차가 큰 값들은 분산이 클 경우, 보정계수를 일정치 보다 적게 하고, 상기 편차가 적은 값들을 보정계수를 일정치 보다 높여 정확도를 올리는 보정계수의 추적 단계;를 포함한다.
또 다른 실시예로서 상기 센서부(100)를 통한 측정수위 < 만수위 일 경우, 측정수위 값을 그대로 사용하고, 측정수위 > 만수위 일 경우, 만수위 값으로 보정하며, 소하천의 물넘침 감지 일 경우 만수위 값으로 제어부가 보정하며, 만수위 상태를 100%로 설정하고 앞서 계산한 측정수위 비율을 뺀 측정수위 차이값을 계산하며, 측정수위 차이값에 소하천 유형에 따른 상수를 곱한 값에 측정수위 비율을 합산하여 보정 비율(%)을 계산한다.
상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 일정주기에 따라 수위값을 센서부로 전송받아 누적하여 저장하고, 상기 저장된 수위값 군집에서 일정치 이상 벗어나는 데이터를 제거하며, 동일 수위를 기준으로 보정계수를 통한 각각의 수위값을 보정하고, 상기 보정된 수위값들 중 설치 후 초기 수위값 데이터들을 누적하여 대표값 산출 후 상기 보정된 수위값들 중 최근의 데이터들을 누적하여 대표값 산출 후 수위 곡선을 생성하며,
상기 보정하는 것은, 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 분산 값에 따른 보정계수 추적을 통한 데이터 상시값에 대한 보정값 및 절대값 추출방안으로, 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 상기 수위값과 평균의 차인 편차 계산을 통한 데이터 추출과, 상기 편차가 큰 값들은 분산이 클 경우, 보정계수를 일정치 보다 적게 하고, 상기 편차가 적은 값들을 보정계수를 일정치 보다 높여 정확도를 올린다.
이 외에도 소하천은 주로 상류 및 하류에 위치하여 하상 경사가 급하고 수위가 불규칙할 뿐만 아니라 범람발생 시에는 유속이 매우 빠른 특징이 있으며, 집수면적이 작아 국지성 집중호우에 지배되며 산지의 피복토의 두께가 얇아 산사태나 토사 유출로 인한 농경지 등의 매몰과 인명피해를 유발하는 원인이 되고 있다. 이러한 특징은 소하천에서 발생하는 범람 재해는 단순한 범람만이 아니고 하천 부속시설물을 파손시키거나 하천변 농경지 및 취랑시설을 유실시키는 피해를 입히기도 한다.
소하천 교량의 붕괴와 관련된 정보를 측정하는 진동 센서를 포함하여, 상기 진동 센서로부터 수신된 신호에서 특정 주파수를 주파수 특정부로 분리하여, 상기 특정 주파수 부분만 분석하고, 일정한 붕괴 지점을 지정하고 각각의 붕괴 지점에서 붕괴 시 측정된 진동신호를 노이즈제거 후 데이터베이스에 저장된 일반 진동(매뉴얼에 따른 시간이나 온도의 변화에 대한 절대값 또는 기준값과 구분하여 붕괴 여부를 판정하는 붕괴 여부 감시 알고리즘, 및 측정된 진동신호의 패턴을 절대값과 비교 및 분석하여 동일 또는 유사 패턴을 갖는 진동신호가 가르키는 붕괴 위치를 확정하기 위한 붕괴 위치 추정 알고리즘으로 구성되며, 상기 붕괴 위치 추정 알고리즘은, 상기 유속 센서(110), 전극 센서(120)의 계측된 값을 노이즈를 제거하고 특징을 극대화하기 위하여 (현재)측정 변위값 > 기준 변위값(절대값) 이상이거나 (현재)측정 변위값 < 기준 변위값(절대값) 이하이고 측정시간 > 기준시간 이상이 측정되면 주변 센서 값을 동시에 저장하여 크기패턴을 비교하고, 상기 (현재)측정 변위값 > 기준 변위값(절대값) 이상이거나 (현재)측정 변위값 < 기준 변위값(절대값) 이하면 다시 센서를 계측하며, 상기 측정패턴이 일정 붕괴 지점과 동일 또는 유사이면 상기 일정 붕괴 지점과 가장 인접하고 고도가 높은 소하천 교량의 붕괴 유무를 판정한다.
한편, 상술한 센서에 넘침을 감지하는 전극센서, 수위를 측정하는 초음파센서, 유량을 측정하는 유량센서 등 다양한 센서로 구성을 추가할 수 있다.
또한 관리 서버(300)로 데이터를 전송하는 컨트롤러가 있다.
이 장치의 제어부는 방정식을 사용하여 측정된 수위 값의 비율을 계산하고 위험 수위 상태를 100%로 설정한다.
따라서 현재 측정된 수위 값의 비율을 %(레벨 값)로 용이하게 표시할 수 있어 현재 상황을 마을 방송을 통해 수치적인 (백분율) 정보까지 제공할 수 있다.
전반적으로 본 발명은 소하천의 수위와 유량을 정확하게 측정하고 수자원을 적절하게 관리하는 데 도움을 줄 수 있다.
즉, 측정된 레벨 값의 백분율을 계산한다. 이 방정식은 현재 측정된 수위 값의 비율을 결정하는 데 사용된다. 측정된 레벨 값을 임계 레벨 값으로 나눈 값에 100을 곱하여 백분율을 구한다. 방정식은 다음 수학식 3과 같이 추론할 수 있다.
상기 방정식을 사용하여 제어 시스템은 측정된 레벨 값의 백분율을 계산하고 위험 레벨 상태를 100%로 설정할 수 있다. 이를 통해 비율을 백분율 형태로 쉽게 표시할 수 있으며, 마을 방송을 통해 현재 물 상황에 대한 수치 정보를 제공하는 데 활용할 수 있다. 따라서, 본 발명은 소하천의 수위와 유량을 정확하게 측정하여 소하천의 적정한 관리를 가능하게 한다.
따라서, 본 발명은 다양한 센서와 인공지능 기술을 활용하여 소하천의 수위, 온도, 습도 등을 실시간으로 측정하고 관리한다. 기존 기술과 비교했을 때, 정확도 및 효율성이 향상되었으며, 기상청의 데이터 센터와 데이터를 공유함과 동시에 현재 소하천의 여러 센서들의 데이터를 종합적으로 분석하여 상태를 정확하게 파악하고, 이를 마을 방송 시스템(310)에 실시간으로 전송하여 주민들에게 위험 수위 도달에 대한 경보를 방송할 수 있다.
일실시예로서 본 발명은 이외에도 좀 더 정확한 계측을 위해, 광학 수위 센서, 음향 도플러 전류 프로파일러, 광섬유 센서, 위성 원격탐사, LiDAR 기술, 마이크로파 센서, 사물 인터넷(IoT) 센서, 무인 항공기(UAV), 인공 지능(AI) 알고리즘 및 소하천 모델을 사용하여 기존 기술보다 더 정확하고 효율적인 소하천 모니터링 및 관리를 가능하게 한다.
상기 센서부의 기 설정된 정상수치 범위를 벗어나는 이상이 발견 될 시 수동으로 센서부의 on 또는 off가 가능하거나, 상기 이상 또는 오동작이 전혀 없는 센서부에서 통신 오류 및 자료 오류 발생시 센서부를 on 또는 off하여 오동작 방지 기능을 구현하거나, 상기 컨트롤러(200)가 노이즈에 의한 센서 정보 감지시 자동으로 센서부를 on 또는 off 시켜 전체 시스템의 초기화를 진행하여 시스템을 안정화시킨다.
상기 컨트롤러(200)에 전달되는 센서 정보 중 정상수치 범위를 벗어나는 이상 데이터를 지수평활법(Exponential Smoothing)으로 예측할 수 있다.
특히 상기 컨트롤러(200)의 수집 정보(데이터)에서 정상수치 범위를 벗어나는 이상이 발견 될 시 알람 기법으로 지수이동평균(EMA) 또는 지수가중이동평균(Exonentially Weighted Moving Average ;EWMA)을 사용하여 최근 이상 수치의 변화량이 정상수치 범위를 벗어날 시에만 알람을 발생한다.
또한 지수가중이동평균은 최근 데이터에 더 많은 영향을 받기 때문에 누전과 서지 신호 중 최근 데이터에 더 높은 가중치를 둔다.
자세히 살펴보면,
여기서 vt 는 t 번째 누전과 서지 신호 데이터의 가중 지수가중이동평균이다. 그리고 β 값은 하이퍼파라미터로 최적의 값이며 0.9임이 바람직하다. 마지막으로 θt 는 누전과 서지 신호 중 t 번째 데이터의 값이다.
먼저 β 값을 변경해보면, β 가 0.9일 경우 vt 는 이전 10개의 데이터의 평균과 거의 같다. 이는 아래 식으로 계산해낼 수 있다.
다른 방법으로 상기 컨트롤러(200)에서 정상수치 범위를 벗어나는 이상으로 판단되는 경우, 판단되는 시간 동안 센서부의 정상수치를 벗어나는 신호 변화 백분율 면적을 (EMAx - xi)/EMAx × dt 로 구하고 이전 시간에서 기록한 면적과 누적 합산하고, 센서부의 신호값으로 계산된 신호 변화율 면적 (EMAy - yi)/EMAy × dt 을 누적 합산하여 각각 구한 누적된 신호 변화율 면적의 차이를 기준 데이터(또는 빅데이터)와 비교해 일정치 이상 차이날 경우 누전 또는 서지 데이터인 것인지 판단한다.
(여기에서, EMA 는 지수 이동 평균값; x와 y는 각각 누전과 서지 측정값; 첨자 x와 첨자 y는 각각 누전, 서지 측정값으로 계산된 값; 첨자 i 는 측정값이 측정된 시간 순서를 나타내는 수치; dt 는 매 측정 시간 차이)
따라서 지수적으로 감소하는 가중치를 곱하는 지수 이동 계산식을 사용하여 종래 데이터의 저장과 연산 처리가 필요없어 훨씬 간단하게 평균치를 구할 수 있고 하드웨어 측면에서는 최소한 메모리 용량으로 고기능 MCU가 필요치 않으며 적은 연산횟수로 전력 소모가 적다.
또 다른 방법으로서, 지수이동평균(Exponential Moving Average)은 오래된 데이터에 대한 가중치는 기하 급수적으로 감소하지만 0이 되지는 않는다.
아래 수학식 5와 표 1과 같이 누전과 서지 신호 각각의 데이터 Y에 대한 가중이동평균(a)과 다르게 지수가중이동평균(b)은 지수적으로 계산한다.
(여기에서, 계수 α는 0과 1 사이의 가중치 감소 정도, Y t는 기간 t 에서의 값, S t는 임의의 기간 t 에서의 지수이동평균 값)
다른 실시예로서, 도 9에 도시된 바와 같이 인공지능모델 분석 및 알람 시스템의 시퀀스 다이어그램을 보면, "인공지능모델(1010)", "메모리(1020)", "컨트롤러(1030)", "센서부(1040)", "이미지 프로세서(1050)", "알람부(1060)" 등으로 구성되어 있다.
POI 프로세스는 이미지 프로세서로부터 그래프화된 이미지를 분석하여 POI를 인식하는 역할을 수행한다.
알람부(1060)를 통한 이상 감지 및 알람은 이미지 프로세서를 통해 얻은 센서 신호를 분석하여 이상 신호를 예측하고, 이에 따라 알람을 발생시킨다.
시스템 동작의 흐름은 다음과 같다.
먼저, 컨트롤러는 센서부에게 신호 측정을 요청하고, 신호 측정 결과를 받는다.
컨트롤러는 이미지 프로세서에게 그래프화된 이미지 생성을 요청하고, 생성된 이미지를 받는다.
인공지능모델은 이미지 프로세서가 분석한 센서 신호를 분석하여 결과를 도출한다.
이미지 프로세서는 이상 신호 예측을 위해 인공지능모델에게 요청을 보내고, 결과를 받는다.
알람은 이미지 프로세서에게 알람 발생 여부를 확인하는 요청을 보내고, 알람이 발생하는지 여부를 받는다.
따라서 이상 신호 예측 및 알람 발생은 시스템의 핵심 기능으로, 이를 위해 인공지능모델과 이미지 프로세서가 협력한다.
도면에 자세히 나타나 있지 않지만, 추가적인 실시예를 설명한다.
센서부의 정보를 관리 서버(300)에 송신하는 컨트롤러(200)는 장마의 경우에 큰 돌이나 나무 또는 정체 불명의 이물질들이 소하천의 일부를 막으면 순간적으로 높아지는 유속과 수위를 정확하게 측정할 수 있도록, 먼저 상기 소하천을 크기별로 분류하는 단계 중 하나의 단계에서 딥러닝 학습 프로그램을 이용하여 소하천 크기 또는 상태를 여러 단계로 나누어 지정하고, 대중소 크기별 또는 상태별로 분류하는 데이터를 미리 준비하여 학습시킨 후 후술하는 다양한 딥러닝 프로그램을 적용하여 소하천 상태 또는 소하천 크기별로 분류를 자동화할 수 있다.
일실시예로서 이미지 검수부에 추가되는 빅데이터 딥러닝 학습 모듈은, CNN(Convolutional Neural Network) 알고리즘 기반으로 하는 딥러닝 학습 프로그램을 가지고, 수집된 소하천 빅데이터의 시뮬레이션 결과물 레코드를 딥러닝 학습한다.
또는 상기 전처리부(1000)에서 소하천의 센서 정보의 일정한 유지를 위한 딥러닝 학습 프로그램을 이용할 수 있다.
상기 딥러닝 학습 프로그램으로서 뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다.
상기 심층 뉴럴 네트워크는 CNN(Convolutional Neural Network), RNN(Recurrent Neural Network), 퍼셉트론(perceptron), 다층 퍼셉트론(multilayer perceptron), FF(Feed Forward), RBF(Radial Basis Network), DFF(Deep Feed Forward), LSTM(Long Short Term Memory), GRU(Gated Recurrent Unit), AE(Auto Encoder), VAE(Variational Auto Encoder), DAE(Denoising Auto Encoder), SAE(Sparse Auto Encoder), MC(Markov Chain), HN(Hopfield Network), BM(Boltzmann Machine), RBM(Restricted Boltzmann Machine), DBN(Depp Belief Network), DCN(Deep Convolutional Network), DN(Deconvolutional Network), DCIGN(Deep Convolutional Inverse GraphicsNetwork), GAN(Generative Adversarial Network), LSM(Liquid State Machine), ELM(Extreme Learning Machine), ESN(Echo State Network), DRN(Deep Residual Network), DNC(Differentiable Neural Computer), NTM(Neural Turning Machine), CN(Capsule Network), KN(Kohonen Network) 및 AN(Attention Network)를 포함할 수 있다.
상기 센서부의 정보를 관리 서버(300)에 송신하는 컨트롤러(200)는 장마의 경우에 큰 돌이나 나무 또는 정체 불명의 이물질들이 소하천의 일부를 막으면 순간적으로 높아지는 유속과 수위를 정확하게 측정할 수 있도록 학습하는 딥러닝 학습 프로그램으로서 뉴럴 네트워크는 심층 뉴럴 네트워크 (Deep Neural Network)를 포함할 수 있다.
이를 위해 본 발명은 대규모로 확보된 소하천 입력 이미지에 대해 전처리 과정을 수행하여 전처리된 이미지를 산출하는 단계; 및 상기 전처리된 이미지를 미리 학습된 신경망에 입력하여 상기 소하천의 위치 및 모양을 판단하는 단계;를 포함하되, 상기 판단하는 단계는, 상기 신경망 내의 컨볼루션 레이어를 통해 상기 전처리 이미지에서 1차 특징 맵을 산출하는 단계; 서로 다른 모양을 가지는 복수 개의 소하천 각각을 상기 1차 특징 맵에 슬라이딩 이동하여 상기 소하천의 모양 또는 위치를 포함하는 2차 특징 맵을 산출하는 단계; 및 상기 2차 특징 맵을 상기 신경망 내의 CNN 분류기에 입력하여 상기 소하천의 모양/크기를 종류에 따라 나누어 분류하는 단계;를 포함한다.
이렇게 위치별 분류된 소하천 모양을 더 세부적으로 POI를 적용하여 분류할 수 있다.
일실시예로서 본 발명은 컨볼루션 연산을 수행하여 소하천 특징맵을 산출하는 복수의 컨볼루션 레이어들과 상기 복수의 컨볼루션 레이어들에서 산출된 소하천 모양에 대한 특징 맵들을 분석하여 검출영상을 세부적으로 분류하는 컨볼루션 신경망을 이용한다.
상기 복수의 컨볼루션 레이어들은 상기 POI를 포함하는 레이어들로서 좀 더 세부적으로 소하천모양을 분류할 수 있다.
다른 실시예로서 센서부의 정보를 관리 서버(300)에 송신하는 컨트롤러(200)는 관심영역(POI)을 설정하여 블러링과 에지검출. 이진화 및 모폴로지 연산을 포함하는 소하천 영상에 대한 전처리를 수행한 후, 외곽선 검출과 사각형 검출하여 세부 종류를 판단한 후 미리 준비한 소하천후보영역을 생성하고, 생성된 소하천 후보영역들에서 서포트 벡터저장과 SVM(Support Vector Machine) 분류를 수행한 후 소하천 학습데이터를 적용하여 소하천 영상을 생성하고, 생성된 소하천 영상에 대해 기울어진 영상보정, 크기정규화, 이진화와 모서리픽셀 제거 및 블러링을 포함하는 전처리를 수행하고, 레이블링 후 외곽영역검출을 수행한 후 소하천 유형을 판단한다.
구체적으로 센서부의 정보를 관리 서버(300)에 송신하는 컨트롤러(200)는 상술한 각 실시예 중 하나 이상을 동시에 실행시킬 수 있으며 소하천 모양을 정확히 분류할 수 없을 경우 반복 횟수를 증가시켜 정확도를 높일 수 있다.
또 다른 실시예로서 상술한 방법에서 정확한 분류가 불가능할 경우 GAN(Generative adversarial network)을 훈련시키는 훈련 단계를 더 포함할 수 있다.
상기 훈련 단계에서, 상기 GAN은 CGAN(Conditional Generative adversarial network)이고, 종류별 소하천 형상을 분류한 스타일 데이터셋(Style Dataset)과, 장소 별로 분류한 로케이션 데이터셋(Location Datase)을 이용해 상기 CGAN을 훈련시키는 GAN을 이용한다.
본 발명에서 사용되는 GAN(Generative adversarial network)에 대하여 설명하기로 한다.
상기 GAN(Generative adversarial network)은 소하천 데이터의 확률을 측정하여 분포를 생성해내는 비지도학습(Unsupervised learning)의 일종으로서, 생성자(Generator)와 판별자(Discriminator) 두 개의 신경망이 서로 적대적으로 경쟁한다. 이를 통하여 진짜 같은 가짜인 고품질 소하천 사진 합성이 가능하여 사진 및 동영상에서 다양하게 사용되고 있으며, WGAN, Cycle GAN, Star GAN, DiscoGAN 등 성능을 개선하고 활용도를 높인다.
CGAN은 기존 GAN에서 조건에 맞는 소하천 이미지를 생성하기 위한 모델로서, 일반적인 GAN이 노이즈만을 input으로 하여 출력물을 통제할 수 없었다면, CGAN은 스타일 등의 특정한 조건(벡터 y)을 추가하여 통제하도록 한다.
StarGAN은 하나의 모델을 이용하여 다양한 스타일의 이미지로 변환시킬 수 있는 모델로서, 하나의 StarGAN으로 소하천을 다양한 형태로 변환하는 것이 가능하다.
CycleGAN은 소하천 형상(이미지)의 스타일을 변경하는 pix2pix 신경망에 GAN을 접목하여 발전한 것으로, 다양한 이미지 변환하는 것이 가능하다.
CycleGAN은 2쌍의 생성자(Generator)와 판별자(Discriminator)가 존재하며, 생성자는 A에서 B 또는 B에서 A로 이미지를 변환하고 판별자는 도메인A, 도메인B 이미지의 진위를 가려낸다.
한편, GAN 신경망의 성능을 향상시키기 위해서는 다양한 모델 구조와 hyperparameter 상에서 실험하며 최적의 결과를 찾아나가야 한다.
GAN 모델 최적화에서 변경할 수 있는 다양한 변수로는 레이어 구조와 신경망 활성함수가 있다.
이러한 레이어 구조는 생성자의 ReLU layer 개수, 판별자의 Conv2D 및 음수를 보완한 LeakyReLU layer, Fully connected layer를 거쳐 진짜와 가짜를 판별하고 Stride 수, layer의 channel수 등을 조작하는 것이 가능하다.
일반적으로 기저장된 소하천 종류에 따른 모델 수가 복잡할수록 선명한 해당 이미지를 연결할 수 있으나 연산량이 늘어나고, 훈련과정은 더욱 불안정해지기 때문에 mode collapse와 같은 실패도 일어날 수 있다. 이를 방지하기 위해서는 소하천 이미지 생성자와 소하천 이미지 판별자의 구조적 균형이 중요하다.
따라서 소하천 이미지 생성자와 소하천 이미지 판별자의 수를 50:50으로 맞추는 것이 바람직하다.
상기 딥러닝 학습 프로그램에서 신경망 활성함수(activation function)는 전 레이어에서 입력받은 값을 다음 레이어에서 출력할지 결정하는 함수를 뜻한다. 결과물을 얻기 전 활성함수로 Sigmoid 활성함수와 Tanh 등의 활성함수를 사용할 수 있다.
이를 위해 Learning Rate, Batch Size, Epoch 등을 설정할 수 있다.
Learning Rate은 최적화된 점을 찾기 위해 값을 얼마만큼 조정할 것인가에 대한 비율로서, Learning Rate가 과도하게 클 경우 극소점 바깥으로 튕겨 나가는 Overshooting 문제가 발생하고, 반면 너무 작을 경우 극소점을 찾는 속도가 느려지는 단점이 있다.
Batch Size는 소하천 Training Data를 묶음으로 나눌 때 한 묶음 당 데이터의 Size로서, 데이터를 작은 묶음으로 input하여 효율적인 학습이 이루어지게 한다.
예를 들어, 센서부(100)의 유속 센서(110), 전극 센서(120), 유량 센서(130), 초음파 센서(140) 등의 데이터를 하나의 묶음으로 나누어 구별하여 학습할 수 있다.
Epoch는 소하천 Training Data가 신경망을 통과한 횟수를 의미하며, 너무 크면 Overfitting 현상이 발생한다.
이러한 Overfitting 현상을 방지하기 위하여, 본 발명에 따른 센서부(100)의 유속 센서(110), 전극 센서(120), 유량 센서(130), 초음파 센서(140) 등의 데이터가 적을 경우, 기존 데이터를 변형하여 새로운 데이터를 생성하거나(데이터 증식 모듈), 소하천 모델의 복잡성을 제한하며(규제 모듈), 모델의 일부 뉴런을 무작위로 제거(드롭아웃 모듈)할 수 있거나, 모델을 여러 개의 하위 데이터 세트로 나누고, 각각의 하위 데이터 세트로 모델을 학습하고 평가(교차 검증 모듈)할 수 있다.
GAN의 생성자(Discriminator)와 판별자(Generator)의 손실 함수(Loss Function)의 변화를 통해 훈련이 잘 진행되는지 모니터링할 수 있다.
예를 들어 센서부(100)의 유속 센서(110), 전극 센서(120), 유량 센서(130), 초음파 센서(140) 등 생성자와 판별자의 손실 함수의 값을 그래프로 그려서 확인한다.
또는 소하천의 크기에 따른 생성자와 판별자의 손실 함수의 값을 그래프로 그려서 확인한다.
이 때, 그래프 이미지로 변환하는 과정에서 정보의 손실이 발생할 수 있으며, 이에 따라 센서 데이터의 특성을 제대로 반영하지 못할 수도 있다. 또한, 그래프 이미지를 생성하는 과정에서 추가적인 연산이 필요하므로, 계산 비용이 증가할 수 있다.
그러나 어떤 방법을 선택할지는 센서 데이터의 특성과 학습 목적에 따라 다르게 결정되지만, 본 발명에서는 장마의 경우에 큰 돌이나 나무 또는 정체 불명의 이물질들이 소하천의 일부를 막으면 순간적으로 높아지는 유속과 수위를 정확하게 측정할 수 있는 24시간 감시체계로서 실시간 경보를 발생시켜야 하므로 그래프로 변환하여 GAN 모델로 학습시키는 것도 바람직하다.
그리고, 생성자와 판별자의 손실 함수의 값이 점점 감소하는지 확인한다.
또한, 생성자가 생성한 데이터가 실제 데이터와 구별이 되지 않는지 확인한다.
본 발명에서는 이상적으로 생성자와 판별자의 손실 함수 값이 비슷하며 안정적으로 유지되는 경우 GAN training이 원활하게 이루어진다고 볼 수 있다.
상술한 각종 인공지능 기법은 크기 비율을 계산하고자 하는 소하천의 크기 또는 센서값 등으로 환산하여 계산한다.
이때 크기는 소하천의 모양이 일정 형상이라고 가정했을 때의 지름 값으로서 정확한 형상이 아닌 경우 오차가 발생하게 된다.
따라서 상술한 실시예 중 하나를 통해 오차를 보정한 후 계산값을 적용할 수 있다.
이 외에도 보정 비율은 크기 차이값, 소하천 유형 상수, 크기 비율 등에 오차가 발생하는 경우 소하천의 크기와 이에 따른 센서 등의 정확한 수치를 얻기 어렵기 때문에 상술한 방식을 반복하여 사용할 수 있다.
이를 실제적으로 적용한 실시예를 살펴보면, 이미지 공간 정보를 유지한 상태로 학습이 가능한 모델 CNN(convolutional neural network) 이 Lecun et al.(1998)의 논문을 통해 제안되었으며 이 모형을 MNIST 문자 데이터 셋에 적용한 결과 매우 적은 메모리 사용량과 연산으로도 인식률이 99%에 도달하였다.
본 발명에 따른 CNN 모델은 종래의 완전연결 신경망과는 다르게 각 레이어의 입출력 데이터의 형상과 이미지의 공간 정보를 유지하면서 소하천 인접 이미지와의 특징을 효과적으로 인식시킨다.
또한, 여러 필터를 사용하여 소하천 이미지의 특징을 추출하고 학습시키며 풀링레이어(pooling layer)를 사용하여 추출한 소하천 이미지의 특징을 모으고 이미지의 특징에 해당하지 않는 부분은 수집하지 않는다.
본 발명은 필터를 공유 파라미터로 사용하기 때문에, 일반 신경망과 비교해 보면 학습 파라미터가 매우 적어 학습 시간을 확연히 줄일 수 있다.
CNN의 특징 추출 영역은 컨볼루션 레이어(convolution layer)와 풀링레이어를 필요한 만큼 쌓는 형태로 구성되는데 컨볼루션 레이어는 입력 데이터에 필터를 적용 후 필요한 만큼 순회하며 합성곱을 계산 후 활성화 함수를 반영하는 필수 요소이다.
풀링레이어는 컨볼루션 레이어 다음에 위치하는데 선택적으로 다양한 풀링 기법을 사용할 수 있다.
CNN의 마지막 부분에는 소하천 이미지 분류를 위한 완전연결레이어가 추가된다.
따라서 종래의 소하천 이미지의 모든 픽셀의 연관관계를 보기 위해 완전연결을 사용하는 것을 필터를 이용하여 어떤 픽셀의 주위 연관관계만을 계산하는 컨볼루션 필터를 통해 낭비되는 시간을 줄이고 좋은 정확도를 보여준다.
한편 소하천에 부착된 센서부의 정보를 관리 서버(300)에 송신하는 컨트롤러(200)는 상술한 인공지능 기법 중의 하나를 기상청 정보를 이용하여 적용될 수 있다.
또한, 기상청으로부터 AWS, ASOS, 특보현황 등 다양한 기상관측 데이터를 수집하여 활용하였다.
상관관계 분석 과정은 센서부 관련 변수선택, 소하천 후보모형 도출, 소하천 모형진단, 경보 시나리오 예측 등을 통해 도출한 모형의 모형 적합도와 생산량 예측력을 비교하여 소하천 예측 모형을 설계하였다.
예를 들어, 소하천에서 발생할 수 있는 위험 요소(집중호우 시 하천 범람 위험 등을 예측하여 위험수위 도달 시 주민 사전대피를 위해 수위, 범람 위험 정보 등에 관한 방송을 실시간으로 하는 것 등)를 미리 예측하고 대비하기 위해 시나리오 기반의 위험 요소 분석과, 시나리오 기반의 위험 요소 분석에 기반한 시나리오 기반의 비상 대응 가시화 모듈을 제공함으로써 소하천에서 발생하는 비상 상황에 대한 대응 방안을 수립하도록 외부 스피커 또는 외부 단말기 또는 외부 디스플레이 장치에 표시하게 할 수 있다.
또한 집중호우 시 하천 범람 위험 등을 예측하여 위험수위 도달 시 주민 사전대피를 위해 수위, 범람 위험 정보 등을 포함하는 시뮬레이션 기반의 시나리오별 위험 분석을 통해, 상기 소하천에서 발생할 수 있는 위험을 외부 디스플레이 장치에 표시하여 최소화할 수 있다.
상기 소하천에 설치될 예정인 추가 센서부가 주변의 환경 조건을 고려하여 소하천 부지 위험성 평가와 이상 탐지 알고리즘을 통해 위험성 평가를 진행하여, 실제 환경에서 소하천에서 발생할 수 있는 위험 요소를 미리 파악하도록 외부 디스플레이 장치에 표시할 수도 있다.
상술한 바와 같이 딥러닝 기반 위험 예측 알고리즘을 사용하여 소하천 위험에 대한 사고 시나리오를 미리 예측하고 대비할 수 있는 모델을 구축하며, 소하천 크기별 사고 시나리오를 도출하고, 시나리오별 사고 영향 평가를 수행하여 이를 예측에 활용할 수 있다.
상기 비상 대응 가시화 모듈은 시나리오 기반의 위험 요소 분석에서 집중호우 시 하천 범람 위험 등의 경우에 따른 시나리오를 미리 저장하여 시나리오별 시뮬레이션하고, 상기 시나리오 기반의 위험 요소 분석을 하여 상기 소하천에서 발생할 수 있는 위험을 최소화할 수 있다.
100: 센서부
110: 유량센서
120: 전극센서
130: 유량센서
200: 컨트롤러
300: 관리 서버
310: 마을 방송 시스템

Claims (8)

  1. 소하천 수위를 측정하기 위한 전극 센서(120); 상기 소하천의 유속을 측정하는 유속센서(110);를 포함하는 센서부; 및 센서부의 정보를 관리 서버(300)에 송신하는 컨트롤러(200);를 포함하고,
    상기 컨트롤러(200)에는 소하천변 위험지역에 경고 신호를 발산할 수 있는 스피커 또는 사이렌이 전기적으로 연결되어, 컨트롤러(200)가 미리 저장된 실시간 범람 경보 방송을 스피커 또는 사이렌으로 전달하여, 스피커 또는 사이렌으로 실시간 방송하는 AI를 활용한 소하천 스마트 예측 관리 시스템에 있어서,
    기 학습된 인공지능모델을 저장하는 메모리; 및
    상기 컨트롤러(200) 내에서 작동되며, 상기 센서부의 신호를 시간에 따른 신호 세기 순으로 그래프화한 이미지 중에서 센서 신호를 나타내는 부분을 POI (Point Of Interest)로 인식하는 POI 프로세스를 포함하여 상기 인공지능모델을 통해 분석하도록 하는 이미지 프로세서;를 포함하며,
    상기 인공지능모델은 이미지 프로세서의 그래프화된 이미지에서 다시 센서부 신호의 세기를 추출하여 센서부 신호 중 정상수치 범위를 벗어나는 이상 센서부 신호를 지수평활법(Exponential Smoothing)으로 예측하며,
    상기 이미지 프로세서의 정보에서 정상수치 범위를 벗어나는 이상이 발견 될 시 알람 기법으로 아래 수학식 4의 지수가중이동평균(Exonentially Weighted Moving Average ;EWMA)을 사용하여 최근 이상 수치의 변화량이 정상수치 범위를 벗어날 시에만 알람을 발생하고,
    상기 지수가중이동평균은 최근 센서부 신호에 더 많은 영향을 받기 때문에 최근 신호에 더 높은 가중치를 두는 것을 특징으로 하는 AI를 활용한 소하천 스마트 예측 관리 시스템.
    [수학식 4]

    (여기서 vt 는 t 번째 센서부 신호의 지수가중이동평균이다. 그리고 β 값은 하이퍼파라미터 값이며 0.9임이 바람직하다. 마지막으로 θt 는 센서부 신호 중 t 번째 데이터의 값이다)
  2. 청구항 1에 있어서,
    상기 컨트롤러는 기상청의 데이터 센터에 네트워크로 연결되어 하천의 수위, 유량, 강우량, 기온, 풍속 정보를 전달받아 관리 서버(300)로 전송하는 것을 특징으로 하는 AI를 활용한 소하천 스마트 예측 관리 시스템.
  3. 청구항 1에 있어서,
    상기 소하천의 주변의 온도, 습도, 풍향, 풍속, 강수량의 정보를 측정하여 저장하는 컨트롤러(200);를 포함하며, 범람센서(110)는 센서부(100)에 포함되고, 전극 센서(120)는 전극봉과 연결되어 상기 소하천의 범람을 아래 수학식 1로 측정하는 것을 특징으로 하는 AI를 활용한 소하천 스마트 예측 관리 시스템.
  4. 청구항 1에 있어서,
    상기 소하천의 주변의 온도, 습도, 풍향, 풍속, 강수량의 정보를 측정하여 저장하는 컨트롤러(200);를 포함하며, 범람센서(110)는 센서부(100)에 포함되고, 전극 센서(120)는 전극봉과 연결되어 상기 소하천의 범람을 아래 수학식 1로 측정하는 것을 특징으로 하는 AI를 활용한 소하천 스마트 예측 관리 시스템.
    [수학식 1]

    여기서, Q는 하천의 수량(m3/s), A는 하천 단면적(m2), v는 하천의 범람속도(m/s)이다.
  5. 청구항 1에 있어서,
    상기 소하천 수위를 측정하기 위해 이용하는 지수가중이동평균은 아래 수학식 2와 동일한 것을 특징으로 하는 AI를 활용한 소하천 스마트 예측 관리 시스템.
    [수학식 2]

  6. 청구항 1에 있어서,
    상기 인공지능모델이 일정주기에 따라 수위값을 센서부로 전송받아 누적하여 저장하고, 주적 저장된 수위값 군집에서 일정치 이상 벗어나는 데이터를 제거하며, 동일 수위를 기준으로 돌 또는 나무와 같은 이물질에 따른 수위의 변화를 참작한 보정 계수를 통한 각각의 수위값을 보정하고, 상기 보정된 수위값들 중 설치 후 초기 수위값 데이터들을 누적하여 대표값 산출 후 상기 보정된 수위값들 중 최근의 데이터들을 누적하여 대표값 산출 후 수위 곡선을 포함하는 그래프를 이미지화하여 생성하는 것을 특징으로 하는 AI를 활용한 소하천 스마트 예측 관리 시스템.
  7. 청구항 1의 AI를 활용한 소하천 스마트 예측 관리 시스템를 이용한 방법에 있어서,
    컨트롤러와 센서부를 통한 IoT를 이용한 복수개의 센서와 센서들의 상황인식 및 보정 알고리즘을 적용하고 마을 방송 시스템(310)으로 경고 방송하는 방법으로서, 센서부를 통해 소하천 수위를 측정하는 단계(S101); 상기 컨트롤러가 소하천 물넘침이 발생하는지 확인하는 단계(S104); 상기 컨트롤러가 소하천이 만수위인지 확인하는 단계(S105); 상기 컨트롤러가 상기 센서부를 통한 소하천 상황 데이터를 관리서버(310)로 전송 후, 데이터 분석/연산/명령하는 단계(S107, 108); 상기 컨트롤러가 경보 상황인지 확인하는 단계(S109); 상기 관리서버(310)가 마을 방송 시스템(310) 또는 관리자단말기로 SMS 및 경보를 전송하는 단계(S110);를 포함하는 AI를 활용한 소하천 스마트 예측 관리 시스템을 이용한 방법.
  8. 청구항 7에 있어서,
    인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 일정주기에 따라 수위값 군집을 센서부로 전송받아 누적하여 저장하고, 상기 저장된 수위값 군집에서 일정치 이상 벗어나는 데이터를 제거하며, 동일 수위를 기준으로 보정계수를 통한 각각의 수위값을 보정하고, 상기 보정된 수위값들 중 설치 후 초기 수위값 데이터들을 누적하여 대표값 산출 후 상기 보정된 수위값들 중 최근의 데이터들을 누적하여 대표값 산출 후 수위 곡선을 생성하며, 상기 보정하는 것은, 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 분산 값에 따른 보정계수 추적을 통한 데이터 상시값에 대한 보정값 및 절대값 추출방안으로, 상기 인공 지능(AI) 기반 수위 및 유량 예측 시스템(400)이 수위값과 평균의 차인 편차 계산을 통해 데이터를 추출하여 상기 마을 방송 시스템(310) 또는 관리자단말기로 SMS 및 경보를 전송하는 것을 특징으로 하는 AI를 활용한 소하천 스마트 예측 관리 시스템을 이용한 방법.
KR1020230089579A 2023-07-11 2023-07-11 Ai를 활용한 소하천 스마트 예측 관리 시스템 및 그방법 KR102582180B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230089579A KR102582180B1 (ko) 2023-07-11 2023-07-11 Ai를 활용한 소하천 스마트 예측 관리 시스템 및 그방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230089579A KR102582180B1 (ko) 2023-07-11 2023-07-11 Ai를 활용한 소하천 스마트 예측 관리 시스템 및 그방법

Publications (1)

Publication Number Publication Date
KR102582180B1 true KR102582180B1 (ko) 2023-09-25

Family

ID=88190398

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230089579A KR102582180B1 (ko) 2023-07-11 2023-07-11 Ai를 활용한 소하천 스마트 예측 관리 시스템 및 그방법

Country Status (1)

Country Link
KR (1) KR102582180B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117027923A (zh) * 2023-10-08 2023-11-10 西南科技大学 基于循环神经网络的隧道智能疏散系统及应用方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102306595B1 (ko) * 2019-11-29 2021-09-30 (주)태림이엔티 지능형 iot시스템을 활용한 유입부하제어장치 및 그 방법
KR20230052440A (ko) * 2021-10-13 2023-04-20 배재대학교 산학협력단 Ｃｎｎ 기반의 수위 예측 모델 구현 방법 및 장치
KR20230067378A (ko) * 2021-11-09 2023-05-16 주식회사 이음아이씨티 수위 변화 예측 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102306595B1 (ko) * 2019-11-29 2021-09-30 (주)태림이엔티 지능형 iot시스템을 활용한 유입부하제어장치 및 그 방법
KR20230052440A (ko) * 2021-10-13 2023-04-20 배재대학교 산학협력단 Ｃｎｎ 기반의 수위 예측 모델 구현 방법 및 장치
KR20230067378A (ko) * 2021-11-09 2023-05-16 주식회사 이음아이씨티 수위 변화 예측 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117027923A (zh) * 2023-10-08 2023-11-10 西南科技大学 基于循环神经网络的隧道智能疏散系统及应用方法

Similar Documents

Publication Publication Date Title
EP3457326B1 (en) Method and device for monitoring icing of wind turbine blade
CN111047099A (zh) 一种区域性山洪风险预测方法及系统
US20220205956A1 (en) Detection of structural anomalies in a pipeline network
CN110223341B (zh) 一种基于图像识别的智能水位监测方法
KR102582180B1 (ko) Ai를 활용한 소하천 스마트 예측 관리 시스템 및 그방법
CN108470138A (zh) 用于目标检测的方法和装置
CN110929946A (zh) 基于地表水文过程的农业洪涝灾害监测预报系统及方法
CN104655030A (zh) 一种输电线路覆冰检测与预警装置
CN114450715A (zh) 预测和修正植被状态
KR102572739B1 (ko) IoT를 이용한 복수개의 센서와 센서들의 상황인식 및 보정 알고리즘을 적용하고 지능형 원격단말장치를 이용한 저수지 수위 관리 시스템 및 그 방법
KR102485227B1 (ko) 인공지능 기반 홍수 예측 시스템 및 이를 이용한 홍수 예측 방법
Lohumi et al. Automatic detection of flood severity level from flood videos using deep learning models
KR102572746B1 (ko) IoT 센서를 통해 농업용수 절감과 재해 대비 기능이 있는 저수지 통합 관리 시스템 및 그 방법
KR102614029B1 (ko) 축적된 데이터를 활용한 소하천 스마트 예측 관리 시스템 및 그 방법
CN117114913A (zh) 一种基于大数据的智能化农业数据采集系统
CN117556197A (zh) 一种基于人工智能的台风涡旋初始化方法
CN116684878A (zh) 一种5g信息传输数据安全监测系统
CN116021981A (zh) 配电网线路覆冰故障预测方法、装置、设备及存储介质
Khan et al. Flash floods prediction using real time data: An implementation of ANN-PSO with less false alarm
Khan et al. Prior recognition of flash floods: Concrete optimal neural network configuration analysis for multi-resolution sensing
CN117152617A (zh) 一种城市洪涝识别方法及系统
KR102473709B1 (ko) 수위 관측 데이터 기반 지진해일 검출 방법 및 시스템
CN116306262A (zh) 一种基于集成学习算法的镀锌钢腐蚀预测方法
KR20140108747A (ko) 동물행동 및 주변환경정보의 모니터링을 통한 실시간 환경 교란 감지 시스템 및 환경 교란 분석 방법
Indhumathi et al. IoT-Enabled Weather Monitoring and Rainfall Prediction using Machine Learning Algorithm

Legal Events

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