KR20190098774A - Apparatus and method for estimating flooding - Google Patents

Apparatus and method for estimating flooding Download PDF

Info

Publication number
KR20190098774A
KR20190098774A KR1020180002304A KR20180002304A KR20190098774A KR 20190098774 A KR20190098774 A KR 20190098774A KR 1020180002304 A KR1020180002304 A KR 1020180002304A KR 20180002304 A KR20180002304 A KR 20180002304A KR 20190098774 A KR20190098774 A KR 20190098774A
Authority
KR
South Korea
Prior art keywords
cumulative
amount
manhole
information
immersion
Prior art date
Application number
KR1020180002304A
Other languages
Korean (ko)
Other versions
KR102158286B1 (en
Inventor
한건연
금호준
이재영
김범진
김현일
Original Assignee
경북대학교 산학협력단
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 경북대학교 산학협력단 filed Critical 경북대학교 산학협력단
Priority to KR1020180002304A priority Critical patent/KR102158286B1/en
Publication of KR20190098774A publication Critical patent/KR20190098774A/en
Application granted granted Critical
Publication of KR102158286B1 publication Critical patent/KR102158286B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Disclosed are an apparatus for predicting flooding and a method thereof. According to an embodiment of the present invention, the method for predicting flooding comprises the following steps: predicting the accumulated overflow amount by each manhole with respect to rainfall information between accumulated rainfall and an accumulated overflow amount by each manhole and calculating the total accumulated overflow amount; determining one or more flood depth maps corresponding to the total accumulated overflow amount among flood depth maps corresponding to a plurality of the total flooding amounts; and predicting the flooding distribution according to the rainfall information based on one or more flood depth maps.

Description

침수 예측 방법 및 침수 예측 장치{APPARATUS AND METHOD FOR ESTIMATING FLOODING}Immersion Prediction Method and Immersion Prediction Device {APPARATUS AND METHOD FOR ESTIMATING FLOODING}

본 발명은 침수 예측 방법 및 침수 예측 장치에 관한 것이다.The present invention relates to a immersion prediction method and immersion prediction apparatus.

국지성 집중호우, 돌발성 호우에 의한 침수 피해가 증가하고 있으며, 도시화의 영향으로 인해 피해액 뿐 아니라 피해 복구에도 막대한 비용과 시간이 요구되고 있다. 특히 대도시의 경우, 불투수면의 급증과 배수시스템의 변화 및 통수능력 부족으로 인해 내수침수 피해가 증가하고 있다. 내수침수 피해를 최소화하기 위해서는 홍수 위험 지역과 침수량을 신속하고 정확하게 예측할 필요가 있다. 기존의 침수 예측 방법은 과거 홍수 자료를 수집하여 모형을 구축하는데 장시간이 소요되고, 집중호우 시에 내수침수 지도를 실시간으로 예측할 수 없는 문제가 있다.Flood damage due to localized torrential rains and sudden torrential rains is increasing, and due to urbanization, huge costs and time are required for damage recovery as well as damages. In particular, in case of large cities, the inundation damage is increasing due to the increase of impervious surface, the change of drainage system and the lack of water supply capacity. In order to minimize flood damage, it is necessary to quickly and accurately estimate flood risk areas and flooding levels. Existing flood prediction method takes a long time to build a model by collecting past flood data, there is a problem that can not predict the inundation map in real time during heavy rains.

본 발명은 2차원 내수침수 지도를 실시간 예측할 수 있는 침수 예측 방법 및 침수 예측 장치를 제공하기 위한 것이다.The present invention is to provide a immersion prediction method and immersion prediction apparatus capable of real-time prediction of the two-dimensional immersion inundation map.

또한, 본 발명은 맨홀의 총 누적월류량을 산정하고, 이를 기반으로 2차원 침수심 지도를 보간하여 침수 분포를 예측하는 침수 예측 방법 및 침수 예측 장치를 제공하기 위한 것이다.The present invention also provides an immersion prediction method and an immersion prediction device for estimating the total cumulative moon overflow amount of a manhole and predicting the immersion distribution by interpolating a two-dimensional immersion depth map.

본 발명이 해결하고자 하는 과제는 이상에서 언급된 과제로 제한되지 않는다. 언급되지 않은 다른 기술적 과제들은 이하의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.The problem to be solved by the present invention is not limited to the above-mentioned problem. Other technical problems not mentioned will be clearly understood by those skilled in the art from the following description.

본 발명의 일 측면에 따르면, 누적강우와 맨홀별 누적월류량 간의 관계 정보를 기반으로, 강우정보에 대한 맨홀별 누적월류량을 예측하여 총 누적월류량을 산출하는 단계; 복수개의 총 침수량에 대응되는 침수심 지도들 중 상기 총 누적월류량에 대응되는 하나 이상의 침수심 지도를 결정하는 단계; 그리고 상기 하나 이상의 침수심 지도를 기반으로, 상기 강우정보에 따른 침수 분포를 예측하는 단계;를 포함하는 침수 예측 방법이 제공된다.According to an aspect of the present invention, based on the relationship information between the cumulative rainfall and the cumulative monthly amount of each manhole, predicting the cumulative monthly amount of the manhole for the rainfall information to calculate the total cumulative moon amount; Determining at least one submersion depth map corresponding to the total cumulative overflow amount among submersion maps corresponding to the total submersion amount; And predicting the immersion distribution based on the rainfall information based on the one or more immersion depth maps.

상기 침수 예측 방법은, 수집된 하수관 정보, 유역별 불투수율 정보 및 유역경사 정보를 기반으로, 누적강우 별로 맨홀별 월류량을 예측하는 단계; 그리고 상기 누적강우 별로 예측된 맨홀별 월류량을 기반으로, 제 1 신경망에 의해 상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 학습하는 단계;를 더 포함할 수 있다.The immersion prediction method may include estimating the monthly amount of manhole by cumulative rainfall based on collected sewer pipe information, watershed impermeability information, and watershed slope information; The method may further include learning relationship information between the cumulative rainfall and the cumulative monthly amount by the manhole by a first neural network, based on the estimated monthly amount of the manhole by the cumulative rainfall.

상기 제 1 신경망은, 상기 누적강우가 상기 제 1 신경망의 제 1 입력값으로 입력되고, 상기 맨홀별 월류량을 상기 제 1 신경망의 출력값으로 포함하고, 상기 맨홀별 월류량의 출력값이 상기 제 1 신경망의 제 2 입력값으로 피드백되도록 구성될 수 있다.In the first neural network, the cumulative rainfall is input as a first input value of the first neural network, and the amount of monthly manholes is included as an output value of the first neural network, and the output value of the amount of monthly manholes is the first value. And may be fed back to a second input value of the neural network.

상기 하수관 정보는 맨홀의 표고, 맨홀 깊이, 하수관의 관로 모양, 관로 길이, 관로 폭 및 관로 경사를 포함할 수 있다.The sewer pipe information may include the elevation of the manhole, the depth of the manhole, the pipe shape of the sewer pipe, the length of the pipe, the width of the pipe and the slope of the pipe.

상기 침수 예측 방법은, 지형 표고 정보, 건물 정보 및 지표면 조도를 포함하는 지표 정보를 기반으로, 2차원 침수 해석에 의해 k개의 누적강우 별로 k개의 침수심 지도를 생성하는 단계; 그리고 제 2 신경망의 학습에 의해 상기 k개의 침수심 지도를 군집화하여, 2보다 크고 k보다 작은 m개의 침수심 지도들을 생성하는 단계;를 더 포함할 수 있다.The immersion prediction method includes generating k immersion depth maps for k cumulative rainfalls by two-dimensional immersion analysis based on indicator information including terrain elevation information, building information, and surface roughness; And clustering the k submerged depth maps by learning a second neural network to generate m submerged depth maps greater than 2 and smaller than k.

상기 하나 이상의 침수심 지도를 결정하는 단계는, 상기 m개의 침수심 지도들 중 상기 총 누적월류량에 가장 가까운 2개의 총 침수량에 대응하는 2개의 침수심 지도를 보간하여 상기 침수 분포를 예측할 수 있다.The determining of the at least one submerged depth map may predict the submerged distribution by interpolating two submerged depth maps corresponding to two total submerged amounts closest to the total cumulative overflow amount among the m submerged depth maps. have.

본 발명의 다른 측면에 따르면, 상기 침수 예측 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체가 제공된다.According to another aspect of the present invention, a computer-readable recording medium having a program recorded thereon for executing the immersion prediction method is provided.

본 발명의 또 다른 측면에 따르면, 누적강우와 맨홀별 누적월류량 간의 관계 정보와, 복수개의 총 침수량에 대응되는 침수심 지도들을 저장하는 저장부; 상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 기반으로, 강우정보에 대한 맨홀별 누적월류량을 예측하여 총 누적월류량을 산출하는 제 1 예측부; 상기 복수개의 총 침수량에 대응되는 침수심 지도들 중 상기 총 누적월류량에 대응되는 하나 이상의 침수심 지도를 결정하는 결정부; 및 상기 하나 이상의 침수심 지도를 기반으로, 상기 강우정보에 따른 침수 분포를 예측하는 제 2 예측부;를 포함하는 침수 예측 장치가 제공된다.According to another aspect of the invention, the storage unit for storing the relationship information between the cumulative rainfall and the cumulative amount of moon by manhole, and the immersion depth map corresponding to a plurality of total immersion; A first predicting unit calculating a total cumulative monthly amount by estimating the cumulative monthly amount for each manhole based on the relationship information between the cumulative rainfall and the cumulative monthly amount for each manhole; A determination unit that determines one or more submerged depth maps corresponding to the total cumulative overflow amount among submerged depth maps corresponding to the plurality of total submerged amounts; And a second predictor configured to predict the immersion distribution based on the rainfall information based on the at least one submerged depth map.

상기 침수 예측 장치는, 수집된 하수관 정보, 유역별 불투수율 정보 및 유역경사 정보를 기반으로, 누적강우 별로 맨홀별 월류량을 산정하는 산정부; 및 상기 누적강우 별로 예측된 맨홀별 월류량을 기반으로, 제 1 신경망에 의해 상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 학습하는 제 1 학습부;를 더 포함할 수 있다.The immersion prediction apparatus may include a calculation unit for calculating a monthly amount of manholes per cumulative rainfall based on collected sewer pipe information, watershed impermeability information, and watershed slope information; And a first learning unit learning relationship information between the cumulative rainfall and the cumulative monthly amount by the manhole by a first neural network, based on the monthly amount of the cumulative amount by the manhole predicted for each cumulative rainfall.

상기 침수 예측 장치는, 지형 표고 정보, 건물 정보 및 지표면 조도를 포함하는 지표 정보를 기반으로, 2차원 침수 해석에 의해 k개의 누적강우 별로 k개의 침수심 지도를 생성하는 2차원 해석부; 및 제 2 신경망의 학습에 의해 상기 k개의 침수심 지도를 군집화하여, 2보다 크고 k보다 작은 m개의 상기 침수심 지도들을 생성하는 제 2 학습부;를 더 포함할 수 있다.The immersion prediction apparatus may include a two-dimensional analyzer configured to generate k immersion depth maps for each of k cumulative rainfalls by two-dimensional immersion analysis based on indicator information including terrain elevation information, building information, and surface roughness; And a second learning unit for clustering the k submerged depth maps by learning a second neural network to generate m submerged depth maps larger than 2 and smaller than k.

상기 결정부는 상기 m개의 침수심 지도들 중 상기 총 누적월류량에 가장 가까운 2개의 총 침수량에 대응하는 2개의 침수심 지도를 선택하고, 상기 제 2 예측부는 선택된 상기 2개의 침수심 지도를 보간하여 상기 침수 분포를 예측할 수 있다.The determining unit selects two submersion depth maps corresponding to the two total submersion amounts closest to the total cumulative overflow amount among the m submersion depth maps, and the second prediction unit interpolates the selected submersion depth maps. It is possible to predict the submerged distribution.

본 발명의 실시예에 의하면, 2차원 내수침수 지도를 실시간 예측할 수 있는 침수 예측 방법 및 침수 예측 장치가 제공된다.According to an embodiment of the present invention, an immersion prediction method and an immersion prediction apparatus capable of real-time prediction of a two-dimensional inundation map are provided.

또한, 본 발명의 실시예에 의하면, 맨홀의 총 누적월류량을 산정하고, 이를 기반으로 2차원 침수심 지도를 보간하여 침수 분포를 예측하는 침수 예측 방법 및 침수 예측 장치가 제공된다.In addition, according to an embodiment of the present invention, there is provided an immersion prediction method and immersion prediction device for estimating the total cumulative moon overflow of the manhole, and predicts the immersion distribution by interpolating the two-dimensional immersion depth map.

본 발명의 효과는 상술한 효과들로 제한되지 않는다. 언급되지 않은 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.The effects of the present invention are not limited to the effects described above. Effects that are not mentioned will be clearly understood by those skilled in the art from the present specification and the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 침수 예측 방법의 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 침수 예측 장치의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 침수 예측 방법을 설명하기 위한 개념도이다.
도 4는 침수를 일으킨 실제 강우 데이터를 예시한 도면이다.
도 5는 가상으로 생성된 강우 시나리오를 예시한 도면이다.
도 6은 본 발명의 실시예에 따른 침수 예측 장치를 구성하는 제 1 신경망의 개념도이다.
도 7은 본 발명의 실시예에 따른 침수 예측 방법에 사용된 누적강우의 입력값을 예시한 도면이다.
도 8은 본 발명의 실시예에 따른 침수 예측 방법에 사용된 맨홀의 누적월류량 출력값(목표값)을 예시한 도면이다.
도 9는 본 발명의 실시예에 따라 특정 누적강우로부터 생성된 침수심 지도를 예시한 도면이다.
도 10은 본 발명의 실시예에 따라 생성된 침수심 지도들을 예시한 도면이다.
도 11은 본 발명의 실시예에 따라 36개의 침수심 지도(최적 최대침수심 지도)를 생성한 결과를 예시한 도면이다.
도 12는 본 발명의 실시예에 따른 침수 예측 방법에 사용된 강우정보를 예시한 도면이다.
도 13은 본 발명의 실시예에 따라 침수 예측을 위해 산출된 맨홀의 누적월류량을 예시한 도면이다.
도 14 및 도 15는 본 발명의 실시예에 따라 산출된 맨홀의 월류량을 시뮬레이션 결과와 비교한 그래프이다.1 is a flowchart of a submersion prediction method according to an embodiment of the present invention.
2 is a block diagram of an inundation prediction apparatus according to an embodiment of the present invention.
3 is a conceptual diagram illustrating a immersion prediction method according to an embodiment of the present invention.
4 is a diagram illustrating actual rainfall data causing flooding.
5 is a diagram illustrating a virtually generated rainfall scenario.
6 is a conceptual diagram of a first neural network constituting an inundation predicting apparatus according to an embodiment of the present invention.
7 is a diagram illustrating an input value of cumulative rainfall used in the immersion prediction method according to an embodiment of the present invention.
8 is a diagram illustrating a cumulative overflow amount output value (target value) of a manhole used in the flooding prediction method according to an embodiment of the present invention.
9 is a diagram illustrating a immersion depth map generated from a specific cumulative rainfall according to an embodiment of the present invention.
10 illustrates immersion depth maps generated according to an embodiment of the present invention.
FIG. 11 is a diagram illustrating a result of generating 36 submerged depth maps (optimal maximum submerged depth maps) according to an exemplary embodiment of the present invention.
12 is a diagram illustrating rainfall information used in the immersion prediction method according to an embodiment of the present invention.
FIG. 13 is a diagram illustrating a cumulative overflow amount of a manhole calculated for immersion prediction according to an embodiment of the present invention.
14 and 15 are graphs comparing the amount of overflow of a manhole calculated according to an embodiment of the present invention with simulation results.

본 발명의 다른 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술하는 실시예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되지 않으며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 만일 정의되지 않더라도, 여기서 사용되는 모든 용어들(기술 혹은 과학 용어들을 포함)은 이 발명이 속한 종래 기술에서 보편적 기술에 의해 일반적으로 수용되는 것과 동일한 의미를 갖는다. 공지된 구성에 대한 일반적인 설명은 본 발명의 요지를 흐리지 않기 위해 생략될 수 있다. 본 발명의 도면에서 동일하거나 상응하는 구성에 대하여는 가급적 동일한 도면부호가 사용된다. 본 발명의 이해를 돕기 위하여, 도면에서 일부 구성은 다소 과장되거나 축소되어 도시될 수 있다.Other advantages and features of the present invention, and methods of achieving them will become apparent with reference to the following embodiments in detail in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below, and the present invention is only defined by the scope of the claims. If not defined, all terms used herein (including technical or scientific terms) have the same meaning as commonly accepted by universal techniques in the prior art to which this invention belongs. General descriptions of known configurations may be omitted so as not to obscure the subject matter of the present invention. In the drawings of the present invention, the same reference numerals are used for the same or corresponding configurations. In order to help the understanding of the present invention, some of the components in the drawings may be somewhat exaggerated or reduced.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다", "가지다" 또는 "구비하다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used herein is for the purpose of describing particular example embodiments only and is not intended to be limiting of the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In this application, the terms "comprise", "have" or "include" are intended to indicate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification. Or any other feature or number, step, operation, component, part, or combination thereof.

본 명세서 전체에서 사용되는 '~부'는 적어도 하나의 기능이나 동작을 처리하는 단위로서, 예를 들어 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소를 의미할 수 있다. 그렇지만 '~부'가 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다.As used throughout the present specification, '~ part' is a unit for processing at least one function or operation, and may mean, for example, a hardware component such as software, FPGA, or ASIC. However, '~' is not meant to be limited to software or hardware. '~ Portion' may be configured to be in an addressable storage medium or may be configured to play one or more processors.

일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함할 수 있다. 구성요소와 '~부'에서 제공하는 기능은 복수의 구성요소 및 '~부'들에 의해 분리되어 수행될 수도 있고, 다른 추가적인 구성요소와 통합될 수도 있다.As an example, '~' means components such as software components, object-oriented software components, class components, and task components, and processes, functions, properties, procedures, and subs. Routines, segments of program code, drivers, firmware, microcode, circuits, data, databases, data structures, tables, arrays, and variables. The functions provided by the component and the '~' may be performed separately by the plurality of components and the '~', or may be integrated with other additional components.

도 1은 본 발명의 일 실시예에 따른 침수 예측 방법의 흐름도이다. 도 2는 본 발명의 일 실시예에 따른 침수 예측 장치의 구성도이다. 도 3은 본 발명의 일 실시예에 따른 침수 예측 방법을 설명하기 위한 개념도이다. 이하에서 도 1 내지 도 3을 참조하여 본 발명의 실시예에 따른 침수 예측 방법 및 침수 예측 장치를 설명한다.1 is a flowchart of a submersion prediction method according to an embodiment of the present invention. 2 is a block diagram of an inundation prediction apparatus according to an embodiment of the present invention. 3 is a conceptual diagram illustrating a immersion prediction method according to an embodiment of the present invention. Hereinafter, a immersion prediction method and a immersion prediction apparatus according to an embodiment of the present invention will be described with reference to FIGS. 1 to 3.

본 발명의 실시예에 따른 침수 예측 장치(100)는 산정부(110), 제 1 학습부(120), 2차원 해석부(130), 제 2 학습부(140), 저장부(150), 제 1 예측부(160), 결정부(170) 및 제 2 예측부(180)를 포함한다.The immersion prediction apparatus 100 according to the embodiment of the present invention includes a calculation unit 110, a first learning unit 120, a two-dimensional analysis unit 130, a second learning unit 140, a storage unit 150, The first predictor 160, the determiner 170, and the second predictor 180 are included.

산정부(110)는 침수 분석 대상 지역의 하수관 정보, 유역별 불투수율 정보 및 유역경사 정보를 기반으로, 누적강우 별로 맨홀별 월류량을 예측한다(도 1의 단계 S10).The mountain government 110 predicts the monthly amount of manhole by cumulative rainfall based on sewer pipe information, watershed impermeability information, and watershed slope information of the region subject to the inundation analysis (step S10 of FIG. 1).

하수관 정보는 맨홀들 각각의 표고와 깊이, 하수관의 관로 모양, 관로 길이, 관로 폭 및 관로 경사를 포함할 수 있다. 불투수율 정보는 흙, 아스팔트 등에 따라 변화되는 빗물의 투수율을 나타낼 수 있다. 유역경사는 유역별 최대 표고와 최저 표고의 차이일 수 있다.The sewer pipe information may include the elevation and depth of each of the manholes, the pipe shape of the sewer pipe, the pipe length, the pipe width and the pipe slope. The water impermeability information may indicate the water permeability of the rain that changes according to soil, asphalt, and the like. Watershed slope can be the difference between the maximum and minimum elevations for each watershed.

산정부(110)는 하수관 관리 시스템에 구축되어 있는 데이터베이스로부터 침수 분석 대상 지역의 하수관 정보, 유역별 불투수율 정보, 유역경사 정보를 제공받을 수 있다. 이를 위해, 침수 예측 장치(100)에는 침수 예측을 위해 필요한 각종 데이터를 송수신하기 위한 유/무선 통신부(도시생략)가 구비될 수 있다.The mountain government 110 may receive the sewer pipe information, the watershed impermeability rate information, and the watershed slope information of the submerged analysis target region from a database built in the sewer pipe management system. To this end, the immersion prediction apparatus 100 may be provided with a wired / wireless communication unit (not shown) for transmitting and receiving various data required for immersion prediction.

누적강우는 제 1 학습부(120)의 학습을 위한 입력값에 해당한다. 누적강우는 시간별 강우량 변화를 나타내는 데이터로 제공될 수 있다. 누적강우는 도 4의 예와 같이, 침수 분석 대상 지역에 침수를 일으킨 실제 강우 데이터일 수도 있고, 도 5의 예와 같이 가상으로 생성된 강우 시나리오일 수도 있다.The cumulative rainfall corresponds to an input value for learning of the first learner 120. Cumulative rainfall can be provided as data representing changes in rainfall over time. The cumulative rainfall may be actual rainfall data that caused the inundation in the inundation analysis region, as in the example of FIG. 4, or may be a virtually generated rainfall scenario as in the example of FIG. 5.

맨홀별 월류량은 각 맨홀에서 빗물이 월류하는 유량을 나타낸다. 누적강우 자료가 입력되면, 산정부(110)는 각종 하수관 정보, 유역별 불투수율 정보 및 유역경사 정보를 기반으로 맨홀 월류지점과, 맨홀별 월류량을 산정한다.The amount of overflow by manhole represents the flow rate of rainwater in each manhole. When the cumulative rainfall data is input, the mountain government 110 calculates the manhole overflow point and the monthly amount of manhole based on various sewer pipe information, watershed impermeability information, and watershed slope information.

누적강우 별로 맨홀별 월류량이 산정되면, 제 1 학습부(120)는 누적강우 별로 예측된 맨홀별 월류량을 기반으로 제 1 신경망(10)에 의해 누적강우와 맨홀별 누적월류량 간의 관계 정보를 학습한다(도 1의 단계 S20).When the monthly amount of manholes is calculated for each of the cumulative rainfalls, the first learning unit 120 determines the relationship between the cumulative rainfall and the cumulative monthly amount of manholes by the first neural network 10 based on the estimated monthly amount of manholes. Learn (step S20 of Fig. 1).

도 6은 본 발명의 실시예에 따른 침수 예측 장치를 구성하는 제 1 신경망의 개념도이다. 도 7은 본 발명의 실시예에 따른 침수 예측 방법에 사용된 누적강우의 입력값을 예시한 도면이다. 도 8은 본 발명의 실시예에 따른 침수 예측 방법에 사용된 맨홀의 누적월류량 출력값(목표값)을 예시한 도면이다.6 is a conceptual diagram of a first neural network constituting an inundation predicting apparatus according to an embodiment of the present invention. 7 is a diagram illustrating an input value of cumulative rainfall used in the immersion prediction method according to an embodiment of the present invention. 8 is a diagram illustrating a cumulative overflow amount output value (target value) of a manhole used in the flooding prediction method according to an embodiment of the present invention.

도 6 내지 도 8을 참조하면, 제 1 신경망은 누적강우가 제 1 입력값으로 입력되고, 맨홀별 월류량을 출력값(목표값)으로 포함하고, 맨홀별 월류량의 출력값이 제 2 입력값으로 피드백되도록 구성될 수 있다.6 to 8, in the first neural network, the cumulative rainfall is input as the first input value, the overflow amount per manhole is included as an output value (target value), and the output value of the overflow amount per manhole is used as the second input value. It may be configured to be fed back.

맨홀별 월류량의 출력값 z(t+n)은 t 시점까지의 누적강우에 따른 t+n 시점에서의 맨홀별 월류량을 나타낸다. 맨홀별 월류량의 이전 출력값 z(t+n-1)은 제 1 신경망의 제 2 입력값으로 피드백된다.The output value z (t + n) of the monthly amount of manholes represents the monthly amount of manholes at time t + n according to the cumulative rainfall up to time t. The previous output value z (t + n−1) of the monthly amount of manholes is fed back to the second input value of the first neural network.

제 1 신경망은 맨홀별 월류량의 직전 출력값 z(t+n-1)을 포함하여 q개(q는 1 이상의 정수)의 이전 출력값이 제 2 입력값으로 피드백될 수 있다. 입력값과 출력값(목표값) 사이에는 복수층의 은닉층이 포함될 수 있다.The first neural network may be fed back to the second input value with q previous output values (q is an integer of 1 or more), including the output value z (t + n−1) immediately before the monthly amount of manholes. A plurality of hidden layers may be included between the input value and the output value (target value).

일 실시예로, 제 1 신경망(10)은 외생변수의 입력을 가지는 비선형 순환형 자기회귀 신경망(nonlinear autoregressive neural network with exougeneous inputs)으로 제공될 수 있다.In one embodiment, the first neural network 10 may be provided as nonlinear autoregressive neural network with exougeneous inputs with input of exogenous variables.

다시 도 1 내지 도 3을 참조하면, 2차원 해석부(130)는 지형 표고 정보, 건물 정보 및 지표면 조도를 포함하는 지표 정보를 기반으로, 2차원 침수 해석에 의해 k개의 누적강우 별로 k개의 침수심 지도(40)를 생성한다(도 1의 단계 S30).Referring back to FIGS. 1 to 3, the two-dimensional analysis unit 130 based on surface information including terrain elevation information, building information, and surface roughness, k needles for each of k cumulative rainfalls by two-dimensional immersion analysis. The depth map 40 is generated (step S30 of FIG. 1).

2차원 해석부(130)는 2차원 지도에서 지형 표고와 건물을 추출하고, 토지이용도, 토양도를 이용하여 조도계수를 산정하여 지표면 거칠기에 따른 상수값을 산정하고, 지형 표고 정보, 건물 정보, 지표면 조도에 따른 상수값을 기반으로 침수심 지도(40)를 생성할 수 있다.The two-dimensional analysis unit 130 extracts terrain elevations and buildings from a two-dimensional map, calculates roughness coefficients using land use and soil maps, calculates constant values according to surface roughness, terrain elevation information, and building information. In addition, the submerged depth map 40 may be generated based on a constant value according to surface roughness.

도 9는 본 발명의 실시예에 따라 특정 누적강우로부터 생성된 침수심 지도를 예시한 도면이다. 도 9의 예에서, 침수심 지도는 약 25만개의 격자에 대한 침수심 정보를 포함하고 있다.9 is a diagram illustrating a immersion depth map generated from a specific cumulative rainfall according to an embodiment of the present invention. In the example of FIG. 9, the immersion depth map includes immersion depth information for about 250,000 grids.

제 2 학습부(140)는 제 2 신경망(50)의 학습에 의해 k개(k는 누적강우의 개수)의 2차원 침수심 지도(50)를 군집화하여, 미리 설정된 개수(2보다 크고 k보다 작은 m개)의 2차원 침수심 지도들(60)을 생성한다(도 1의 단계 S40).The second learning unit 140 clusters the k-dimensional submerged depth maps 50 of k (k is the number of cumulative rainfall) by learning the second neural network 50, and sets a predetermined number (greater than 2 and greater than k). Small m two-dimensional submerged depth maps 60 are generated (step S40 of FIG. 1).

일 실시예로, 제 2 신경망(50)은 입력벡터 자료만으로 학습이 가능하고 고차원의 위상 데이터로부터 저차원의 위상으로 정리된 출력 데이터를 형성하는 자기조직화 신경망(self-organizing map neural network)으로 제공될 수 있다.In one embodiment, the second neural network 50 is provided as a self-organizing map neural network that can be learned using only input vector data and forms output data arranged in a low dimensional phase from high dimensional phase data. Can be.

제 1 학습부(120)의 학습에 의해 생성된 누적강우와 맨홀별 누적월류량 간의 관계 정보, 제 2 학습부(140)의 학습에 의해 생성된 복수개(k개)의 침수심 지도들은 저장부(150)에 저장된다.The relationship information between the cumulative rainfall generated by the learning of the first learning unit 120 and the cumulative monthly amount for each manhole, and the plurality (k) submerged depth maps generated by the learning of the second learning unit 140 are stored. Stored at 150.

또한, 침수심 지도들에 각각 대응되는 k개의 총 침수량(70) 정보도 저장부(150)에 저장된다. 이때 총 침수량(70)은 학습에 사용된 각 침수심 지도에 대한 누적강우에 따른 맨홀의 총 누적월류량에 상응하는 값일 수 있다.In addition, the k total immersion amount 70 information corresponding to the immersion depth maps are also stored in the storage unit 150. In this case, the total immersion amount 70 may be a value corresponding to the total cumulative moon moon amount of the manhole according to the cumulative rainfall for each immersion depth map used for learning.

도 10은 본 발명의 실시예에 따라 생성된 침수심 지도들을 예시한 도면이다. 도 10에는 1024개의 침수심 지도를 군집화하여 각각 16개, 25개, 36개의 침수심 지도를 생성한 결과가 도시되어 있다.10 illustrates immersion depth maps generated according to an embodiment of the present invention. FIG. 10 shows the result of generating 16, 25, and 36 submerged depth maps by clustering 1024 submerged depth maps.

도 11은 본 발명의 실시예에 따라 36개의 침수심 지도(최적 최대침수심 지도)를 생성한 결과를 예시한 도면이다. 침수심 지도를 2차원 해석 결과와 비교한 결과, 36개(6×6)의 침수심 지도를 생성하였을 때의 침수 면적 적합도가 78.47%로 가장 높았다. 16개, 25개의 침수심 지도를 생성한 경우의 침수 면적 적합도는 각각 76.01%, 73.73%였다.FIG. 11 is a diagram illustrating a result of generating 36 submerged depth maps (optimal maximum submerged depth maps) according to an exemplary embodiment of the present invention. As a result of comparing the submersion depth map with the 2D analysis result, the best fit of the submerged area was 78.47% when 36 (6 × 6) submersion depth maps were generated. In the case of generating 16 and 25 submerged depth maps, the submerged area suitability was 76.01% and 73.73%, respectively.

다시 도 1 내지 도 3을 참조하면, 제 1 예측부(160)는 제 1 학습부(120)에 의해 생성된 누적강우와 맨홀별 누적월류량 간의 관계 정보를 기반으로, 강우정보에 대한 맨홀별 월류량(20)을 예측하여 총 누적월류량을 산출한다(도 1의 단계 S50).Referring back to FIGS. 1 to 3, the first predictor 160 based on the relationship information between the cumulative rainfall generated by the first learner 120 and the cumulative monthly amount for each manhole, for each manhole for rainfall information The total cumulative monthly amount is calculated by predicting the monthly amount 20 (step S50 of FIG. 1).

강우정보는 침수 분석 대상 지역에 대해 침수를 예측하기 위한 강우 자료를 의미한다. 제 1 예측부(160)는 강우정보를 제 1 신경망(10)의 입력값에 적용하여 그 출력값(목표값)에 해당하는 맨홀별 월류량(20)을 산출하고, 맨홀별 월류량(20)을 모두 합산하여 맨홀의 총 누적월류량(30)을 산출할 수 있다.Rainfall information refers to rainfall data for predicting inundation for the inundation analysis region. The first prediction unit 160 applies rainfall information to an input value of the first neural network 10, calculates a monthly amount 20 for each manhole corresponding to the output value (a target value), and the monthly amount 20 for each manhole. By summing all the total cumulative amount of moon (30) of the manhole can be calculated.

도 12는 본 발명의 실시예에 따른 침수 예측 방법에 사용된 강우정보를 예시한 도면이다. 도 13은 본 발명의 실시예에 따라 침수 예측을 위해 산출된 맨홀의 월류량을 예시한 도면이다. 도 14 및 도 15는 본 발명의 실시예에 따라 산출된 맨홀의 월류량을 시뮬레이션 결과와 비교한 그래프이다.12 is a diagram illustrating rainfall information used in the immersion prediction method according to an embodiment of the present invention. 13 is a diagram illustrating a monthly amount of a manhole calculated for immersion prediction according to an embodiment of the present invention. 14 and 15 are graphs comparing the amount of overflow of a manhole calculated according to an embodiment of the present invention with simulation results.

도 14 및 도 15의 도시와 같이, 본 발명의 실시예에 따라 산출되는 맨홀의 월류량은 시뮬레이션 결과와 유사하다. 예측 모델의 예측력을 평가하기 위한 효율계수(NSE; Nash-Sutcliffe Efficiency)는 0.98로 측정되었다.As shown in FIGS. 14 and 15, the amount of overflow of the manhole calculated according to the embodiment of the present invention is similar to the simulation result. The Nash-Sutcliffe Efficiency (NSE) for evaluating the predictive power of the predictive model was 0.98.

다시 도 1 내지 도 3을 참조하면, 결정부(170)는 제 1 예측부(160)로부터 맨홀의 총 누적월류량을 입력받고, 복수개(k개)의 총 침수량에 대응되는 침수심 지도들 중 맨홀의 총 누적월류량에 대응되는 하나 이상의 침수심 지도를 결정한다(도 1의 단계 S60). 결정부(170)는 m개의 침수심 지도들(60) 중, 맨홀의 총 누적월류량(30)에 가장 가까운 2개의 총 침수량에 대응하는 2개의 침수심 지도를 선택할 수 있다.Referring back to FIGS. 1 to 3, the determination unit 170 receives the total cumulative moon overflow amount of the manhole from the first prediction unit 160, and submerged depth maps corresponding to a plurality (k) total inundation amounts. One or more immersion depth maps corresponding to the total cumulative moon overflow amount of the manhole are determined (step S60 of FIG. 1). The determination unit 170 may select two immersion depth maps corresponding to the two immersion depths closest to the total cumulative overflow amount 30 of the manhole among the m immersion depth maps 60.

다음으로, 제 2 예측부(180)는 결정부(170)에 의해 결정된 침수심 지도를 기반으로, 강우정보에 따른 침수 분포를 예측한다(도 1의 단계 S70). 제 2 예측부(180)는 m개의 침수심 지도들(60) 중 맨홀의 총 누적월류량에 가장 가까운 2개의 총 침수량에 대응하는 2개의 침수심 지도를 보간(80)하여 침수 분포를 예측할 수 있다.Next, the second prediction unit 180 predicts the immersion distribution according to the rainfall information based on the immersion depth map determined by the determination unit 170 (step S70 of FIG. 1). The second prediction unit 180 may interpolate two submersion depth maps corresponding to the two total submersion amounts closest to the total cumulative monthly amount of the manhole among m submersion depth maps 60 to predict the submerged distribution. Can be.

제 2 예측부(180)에 의해 생성되는 침수 분포는 2차원 침수심 지도(90) 형태로 제공될 수 있다. 결정부(170)에 의해 선택된 2개의 침수심 지도의 i번째 셀(cell)의 침수심이 각각 f_i1, f_i2 이고, 2개의 침수심 지도의 총 침수량이 각각 F_i1, F_i2 이고, 맨홀의 총 누적월류량이 M 인 경우, 제 2 예측부는 i번째 셀의 침수심(mi)을 수식 mi = {f_i1(F_i2-M)+f_i2(M-F_i1)}/(F_i2-F_i1)에 따라 산정할 수 있다.The submerged distribution generated by the second predictor 180 may be provided in the form of a 2D submerged depth map 90. The submerged depths of the i-th cell of the two submerged depth maps selected by the determining unit 170 are f _i1 and f _i2 , respectively, and the total submerged amounts of the two submerged depth maps are F _i1 and F _i2 , respectively. If the total cumulative monthly amount of M is M, the second prediction unit calculates the submersion depth m i of the i-th cell, where m i = {f _i1 (F _i2 -M) + f _i2 (MF _i1 )} / (F _i2 Can be calculated according to -F _i1 ).

본 발명의 실시예에 의하면, 순환형 인공신경망(제 1 신경망)과 제 2 신경망에 의해 생성된 자기조직화 침수심 지도를 이용하여 새로운 강우에 대한 실시간 예측이 가능하며, 1차원 도시침수 해석 결과가 주어지지 않더라도, 강우정보만으로 내수 침수의 예측이 가능하다.According to an embodiment of the present invention, real-time prediction of new rainfall is possible by using a self-organizing submerged depth map generated by a cyclic artificial neural network (first neural network) and a second neural network, and a 1-dimensional urban inundation analysis result is obtained. Even if it is not given, it is possible to predict the inundation of domestic water only by rainfall information.

본 발명의 실시예에 의하면, 비선형 자기회귀 신경망과 자기조직화 지도 신경망을 연계함으로써 2차원 내수 침수를 대략 10초 내에 실시간으로 예측할 수 있다. 또한, 맨홀의 월류 지점 및 각 맨홀별 월류량의 예측이 가능하다.According to an embodiment of the present invention, by linking a nonlinear autoregressive neural network and a self-organizing map neural network, it is possible to predict two-dimensional inundation in real time in about 10 seconds. In addition, it is possible to predict the monthly point of the manhole and the monthly amount of each manhole.

본 발명의 실시예에 따른 방법은 예를 들어 컴퓨터에서 실행될 수 있는 프로그램으로 작성 가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 컴퓨터로 읽을 수 있는 기록매체는 SRAM(Static RAM), DRAM(Dynamic RAM), SDRAM(Synchronous DRAM) 등과 같은 휘발성 메모리, ROM(Read Only Memory), PROM(Programmable ROM), EPROM(Electrically Programmable ROM), EEPROM(Electrically Erasable and Programmable ROM), 플래시 메모리 장치, PRAM(Phase-change RAM), MRAM(Magnetic RAM), RRAM(Resistive RAM), FRAM(Ferroelectric RAM)과 같은 불휘발성 메모리, 플로피 디스크, 하드 디스크 또는 광학적 판독 매체 예를 들어 시디롬, 디브이디 등과 같은 형태의 저장매체일 수 있으나, 이에 제한되지는 않는다.The method according to an embodiment of the present invention may be implemented in a general-purpose digital computer, for example, which may be written as a program executable on a computer, and which operates the program using a computer-readable recording medium. The computer-readable recording medium may be volatile memory such as static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), read only memory (ROM), programmable ROM (PROM), electrically programmable ROM (EPROM), Nonvolatile memory, such as electrically erasable and programmable ROM (EEPROM), flash memory device, phase-change RAM (PRAM), magnetic RAM (MRAM), resistive RAM (RRAM), ferroelectric RAM (FRAM), floppy disk, hard disk, or Optical reading media may be, for example, but not limited to, a storage medium in the form of CD-ROM, DVD, and the like.

이상의 실시예들은 본 발명의 이해를 돕기 위하여 제시된 것으로, 본 발명의 범위를 제한하지 않으며, 이로부터 다양한 변형 가능한 실시예들도 본 발명의 범위에 속하는 것임을 이해하여야 한다. 본 발명의 기술적 보호범위는 특허청구범위의 기술적 사상에 의해 정해져야 할 것이며, 본 발명의 기술적 보호범위는 특허청구범위의 문언적 기재 그 자체로 한정되는 것이 아니라 실질적으로는 기술적 가치가 균등한 범주의 발명까지 미치는 것임을 이해하여야 한다.The above embodiments are presented to aid the understanding of the present invention, and do not limit the scope of the present invention, from which it should be understood that various modifications are within the scope of the present invention. The technical protection scope of the present invention should be defined by the technical spirit of the claims, and the technical protection scope of the present invention is not limited to the literary description of the claims per se, but the scope of the technical equivalents is substantially equal. It should be understood that the invention extends to the invention.

100: 침수 예측 장치
110: 산정부
120: 제 1 학습부
130: 2차원 해석부
140: 제 2 학습부
150: 저장부
160: 제 1 예측부
170: 결정부
180: 제 2 예측부100: immersion prediction device
110: mountain government
120: first learning unit
130: two-dimensional analysis unit
140: second learning unit
150: storage unit
160: first prediction unit
170: decision
180: second prediction unit

Claims (13)

누적강우와 맨홀별 누적월류량 간의 관계 정보를 기반으로, 강우정보에 대한 맨홀별 누적월류량을 예측하여 총 누적월류량을 산출하는 단계;
복수개의 총 침수량에 대응되는 침수심 지도들 중 상기 총 누적월류량에 대응되는 하나 이상의 침수심 지도를 결정하는 단계; 그리고
상기 하나 이상의 침수심 지도를 기반으로, 상기 강우정보에 따른 침수 분포를 예측하는 단계;를 포함하는 침수 예측 방법.Calculating the total cumulative monthly amount by predicting the cumulative monthly amount for each manhole for the rainfall information based on the relationship information between the cumulative rainfall and the cumulative monthly amount for each manhole;
Determining at least one submersion depth map corresponding to the total cumulative overflow amount among submersion maps corresponding to the total submersion amount; And
And predicting the immersion distribution based on the rainfall information based on the at least one submersion depth map. 제 1 항에 있어서,
수집된 하수관 정보, 유역별 불투수율 정보 및 유역경사 정보를 기반으로, 누적강우 별로 맨홀별 월류량을 예측하는 단계; 그리고
상기 누적강우 별로 예측된 맨홀별 월류량을 기반으로, 제 1 신경망에 의해 상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 학습하는 단계;를 더 포함하는 침수 예측 방법.The method of claim 1,
Predicting a monthly amount of manhole by cumulative rainfall based on collected sewer pipe information, watershed impermeability information, and watershed slope information; And
And learning relationship information between the cumulative rainfall and the cumulative monthly amount by the manhole by a first neural network based on the monthly amount of the estimated monthly manhole by the cumulative rainfall. 제 2 항에 있어서,
상기 제 1 신경망은,
상기 누적강우가 상기 제 1 신경망의 제 1 입력값으로 입력되고, 상기 맨홀별 월류량을 상기 제 1 신경망의 출력값으로 포함하고, 상기 맨홀별 월류량의 출력값이 상기 제 1 신경망의 제 2 입력값으로 피드백되도록 구성되는 침수 예측 방법.The method of claim 2,
The first neural network,
The cumulative rainfall is input as a first input value of the first neural network, and the amount of monthly manholes is included as an output value of the first neural network, and the output value of the amount of monthly manholes is a second input value of the first neural network. Immersion prediction method is configured to be fed back. 제 2 항에 있어서,
상기 하수관 정보는 맨홀의 표고, 맨홀 깊이, 하수관의 관로 모양, 관로 길이, 관로 폭 및 관로 경사를 포함하는 침수 예측 방법.The method of claim 2,
The sewer pipe information includes the elevation of the manhole, the depth of the manhole, the pipe shape of the sewer pipe, the pipe length, the pipe width and the pipe slope. 제 2 항에 있어서,
지형 표고 정보, 건물 정보 및 지표면 조도를 포함하는 지표 정보를 기반으로, 2차원 침수 해석에 의해 k개의 누적강우 별로 k개의 침수심 지도를 생성하는 단계; 그리고
제 2 신경망의 학습에 의해 상기 k개의 침수심 지도를 군집화하여, 2보다 크고 상기 k보다 작은 m개의 침수심 지도들을 생성하는 단계;를 더 포함하는 침수 예측 방법.The method of claim 2,
Generating k submerged depth maps for each of k cumulative rainfalls by two-dimensional submerged analysis based on surface information including topographic elevation information, building information, and surface roughness; And
And clustering the k submerged depth maps by learning a second neural network to generate m submerged depth maps greater than 2 and less than k. 제 5 항에 있어서,
상기 하나 이상의 침수심 지도를 결정하는 단계는,
상기 m개의 침수심 지도들 중 상기 총 누적월류량에 가장 가까운 2개의 총 침수량에 대응하는 2개의 침수심 지도를 보간하여 상기 침수 분포를 예측하는 침수 예측 방법.The method of claim 5,
Determining the at least one submersion map,
An immersion prediction method for predicting the immersion distribution by interpolating two immersion depth maps corresponding to the two total immersion amounts closest to the total cumulative overflow amount among the m immersion depth maps. 제 1 항 내지 제 6 항 중 어느 한 항의 침수 예측 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.A computer-readable recording medium having recorded thereon a program for executing the immersion prediction method according to any one of claims 1 to 6. 누적강우와 맨홀별 누적월류량 간의 관계 정보와, 복수개의 총 침수량에 대응되는 침수심 지도들을 저장하는 저장부;
상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 기반으로, 강우정보에 대한 맨홀별 누적월류량을 예측하여 총 누적월류량을 산출하는 제 1 예측부;
상기 복수개의 총 침수량에 대응되는 침수심 지도들 중 상기 총 누적월류량에 대응되는 하나 이상의 침수심 지도를 결정하는 결정부; 및
상기 하나 이상의 침수심 지도를 기반으로, 상기 강우정보에 따른 침수 분포를 예측하는 제 2 예측부;를 포함하는 침수 예측 장치.A storage unit for storing relationship information between the cumulative rainfall and the cumulative monthly amount of each manhole and the submerged depth maps corresponding to the plurality of total submerged amounts;
A first predicting unit calculating a total cumulative monthly amount by estimating the cumulative monthly amount for each manhole based on the relationship information between the cumulative rainfall and the cumulative monthly amount for each manhole;
A determination unit that determines one or more submerged depth maps corresponding to the total cumulative overflow amount among submerged depth maps corresponding to the plurality of total submerged amounts; And
And a second estimator configured to predict an inundation distribution based on the rainfall information based on the at least one submersion depth map. 제 8 항에 있어서,
수집된 하수관 정보, 유역별 불투수율 정보 및 유역경사 정보를 기반으로, 누적강우 별로 맨홀별 월류량을 산정하는 산정부; 및
상기 누적강우 별로 예측된 맨홀별 월류량을 기반으로, 제 1 신경망에 의해 상기 누적강우와 맨홀별 누적월류량 간의 관계 정보를 학습하는 제 1 학습부;를 더 포함하는 침수 예측 장치.The method of claim 8,
A mountain government that calculates the monthly amount of manhole by cumulative rainfall based on collected sewer pipe information, watershed impermeability information, and watershed slope information; And
And a first learning unit configured to learn relationship information between the cumulative rainfall and the cumulative monthly amount by the manhole by a first neural network based on the monthly amount of the monthly manhole estimated by the cumulative rainfall. 제 9 항에 있어서,
상기 제 1 신경망은,
상기 누적강우가 상기 제 1 신경망의 제 1 입력값으로 입력되고, 상기 맨홀별 월류량을 상기 제 1 신경망의 출력값으로 포함하고, 상기 맨홀별 월류량의 출력값이 상기 제 1 신경망의 제 2 입력값으로 피드백되도록 구성되는 침수 예측 장치.The method of claim 9,
The first neural network,
The cumulative rainfall is input as a first input value of the first neural network, and the amount of monthly manholes is included as an output value of the first neural network, and the output value of the amount of monthly manholes is a second input value of the first neural network. Immersion prediction device is configured to be fed back to. 제 9 항에 있어서,
상기 하수관 정보는 맨홀의 표고, 맨홀 깊이, 하수관의 관로 모양, 관로 길이, 관로 폭 및 관로 경사를 포함하는 침수 예측 장치.The method of claim 9,
The sewer pipe information includes the elevation of the manhole, the depth of the manhole, the pipe shape of the sewer pipe, the pipe length, the pipe width and the pipe slope. 제 9 항 내지 제 11 항 중 어느 한 항에 있어서,
지형 표고 정보, 건물 정보 및 지표면 조도를 포함하는 지표 정보를 기반으로, 2차원 침수 해석에 의해 k개의 누적강우 별로 k개의 침수심 지도를 생성하는 2차원 해석부; 및
제 2 신경망의 학습에 의해 상기 k개의 침수심 지도를 군집화하여, 2보다 크고 k보다 작은 m개의 상기 침수심 지도들을 생성하는 제 2 학습부;를 더 포함하는 침수 예측 장치.The method according to any one of claims 9 to 11,
A two-dimensional analysis unit generating k submerged depth maps for each of k cumulative rainfalls based on surface information including topographic elevation information, building information, and surface roughness; And
And a second learning unit for clustering the k submerged depth maps by learning a second neural network and generating m submerged depth maps larger than 2 and smaller than k. 제 12 항에 있어서,
상기 결정부는 상기 m개의 침수심 지도들 중 상기 총 누적월류량에 가장 가까운 2개의 총 침수량에 대응하는 2개의 침수심 지도를 선택하고,
상기 제 2 예측부는 선택된 상기 2개의 침수심 지도를 보간하여 상기 침수 분포를 예측하는 침수 예측 장치.The method of claim 12,
The determining unit selects two submersion depth maps corresponding to the two total submersion amounts closest to the total cumulative overflow amount of the m submersion depth maps,
And the second predictor predicts the immersion distribution by interpolating the selected two immersion depth maps.
KR1020180002304A 2018-01-08 2018-01-08 Apparatus and method for estimating flooding KR102158286B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180002304A KR102158286B1 (en) 2018-01-08 2018-01-08 Apparatus and method for estimating flooding

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180002304A KR102158286B1 (en) 2018-01-08 2018-01-08 Apparatus and method for estimating flooding

Publications (2)

Publication Number Publication Date
KR20190098774A true KR20190098774A (en) 2019-08-23
KR102158286B1 KR102158286B1 (en) 2020-09-22

Family

ID=67763728

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180002304A KR102158286B1 (en) 2018-01-08 2018-01-08 Apparatus and method for estimating flooding

Country Status (1)

Country Link
KR (1) KR102158286B1 (en)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102108790B1 (en) 2019-11-18 2020-05-11 대한민국 Flooding Pridiction System of lower area and Driving method thereof
CN111931330A (en) * 2020-06-19 2020-11-13 西安理工大学 Generalized calculation method for pipe network drainage process of urban area without pipe network data
CN112699599A (en) * 2020-12-17 2021-04-23 南京大学 Flood disaster early warning method based on BP-GEO
KR102263963B1 (en) * 2020-11-13 2021-06-10 오영재 Multiplex Prevention System of Disaster
KR20210123974A (en) * 2020-04-03 2021-10-14 한국과학기술정보연구원 Apparatus and method for estimating flooding
KR102314013B1 (en) * 2020-04-24 2021-10-18 대한민국 Urban flood limit rainfall forecasting method based on deep learning
KR102343736B1 (en) * 2021-10-05 2021-12-27 중원대학교 산학협력단 Flooding prediction system and method for environmental facilities
KR102518554B1 (en) * 2022-04-27 2023-04-06 주식회사세오 Method and system for predicting water level
KR102543203B1 (en) * 2022-08-25 2023-06-15 주식회사 홍익기술단 Apparatus for simulating flood for flood response

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100522129B1 (en) * 2002-12-17 2005-10-18 차희원 The method and system for real time monitoring flow and pollution load in sewer system and storm sewer system during rainfall
KR101703981B1 (en) * 2016-03-31 2017-02-08 광주과학기술원 Control methods of sewage processing facilities using rainfall forecasting
KR101815581B1 (en) * 2016-10-26 2018-01-05 연세대학교 산학협력단 Judgement system and method for flooding road area using gis and information model of sewer pipe network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100522129B1 (en) * 2002-12-17 2005-10-18 차희원 The method and system for real time monitoring flow and pollution load in sewer system and storm sewer system during rainfall
KR101703981B1 (en) * 2016-03-31 2017-02-08 광주과학기술원 Control methods of sewage processing facilities using rainfall forecasting
KR101815581B1 (en) * 2016-10-26 2018-01-05 연세대학교 산학협력단 Judgement system and method for flooding road area using gis and information model of sewer pipe network

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102108790B1 (en) 2019-11-18 2020-05-11 대한민국 Flooding Pridiction System of lower area and Driving method thereof
KR20210123974A (en) * 2020-04-03 2021-10-14 한국과학기술정보연구원 Apparatus and method for estimating flooding
KR102314013B1 (en) * 2020-04-24 2021-10-18 대한민국 Urban flood limit rainfall forecasting method based on deep learning
CN111931330A (en) * 2020-06-19 2020-11-13 西安理工大学 Generalized calculation method for pipe network drainage process of urban area without pipe network data
CN111931330B (en) * 2020-06-19 2024-01-05 西安理工大学 Generalized calculation method for pipe network drainage process of non-pipe network data urban area
KR102263963B1 (en) * 2020-11-13 2021-06-10 오영재 Multiplex Prevention System of Disaster
CN112699599A (en) * 2020-12-17 2021-04-23 南京大学 Flood disaster early warning method based on BP-GEO
KR102343736B1 (en) * 2021-10-05 2021-12-27 중원대학교 산학협력단 Flooding prediction system and method for environmental facilities
KR102518554B1 (en) * 2022-04-27 2023-04-06 주식회사세오 Method and system for predicting water level
KR102543203B1 (en) * 2022-08-25 2023-06-15 주식회사 홍익기술단 Apparatus for simulating flood for flood response

Also Published As

Publication number Publication date
KR102158286B1 (en) 2020-09-22

Similar Documents

Publication Publication Date Title
KR102158286B1 (en) Apparatus and method for estimating flooding
Luo et al. Urban flood numerical simulation: Research, methods and future perspectives
Dottori et al. A methodology for flood susceptibility and vulnerability analysis in complex flood scenarios
Hickey Slope angle and slope length solutions for GIS
CN109657841B (en) Deep extraction method for urban rainstorm waterlogging
CN114997541B (en) Urban waterlogging prediction method and early warning platform based on digital twin technology
KR102225241B1 (en) Apparatus and method for real-time flooding prediction
KR102365591B1 (en) Apparatus and method for estimating flooding
Ahmad et al. Estimation of a unique pair of Nash model parameters: an optimization approach
Ahn et al. Development of two-dimensional inundation modelling process using MIKE21 model
CN115471078B (en) Flood risk point assessment method and device based on urban water affair system
CN116362419B (en) Urban flood control early warning system and method
Niyonkuru et al. Calibration and validation of EPA SWMM for stormwater runoff modelling in Nyabugogo catchment, Rwanda
JP7133940B2 (en) Flood prediction evaluation device
JP2019138742A (en) Runoff analyzer and runoff analysis parameter adjusting method
Irvem Application of GIS to determine storage volume and surface area of reservoirs: the case study of Buyuk Karacay dam
KR101761020B1 (en) System For Supporting Urban Planning and Method For Urban Planning Information
William et al. Artificial Intelligence based Performance Models to Support Hydrologic Rainfall Conditions using Ensembling Approach
Baby et al. Finding areas at risk from floods in a downpour using the Lidar-based elevation model
Ruessink et al. Predicting monthly to multi‐annual foredune growth at a narrow beach
Qiu et al. A rainwater control optimization design approach for airports based on a self-organizing feature map neural network model
KR20200005271A (en) Method for Providing Inundation Simulation In Coastal Urban Area and Computer Program Therefore
JP6277018B2 (en) Flood simulation apparatus and flood simulation program
Savage et al. The impact of scale on probabilistic flood inundation maps using a 2D hydraulic model with uncertain boundary conditions
Pariartha et al. The prediction of flood damage in coastal urban areas

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
J201 Request for trial against refusal decision
J301 Trial decision

Free format text: TRIAL NUMBER: 2019101002108; TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20190624

Effective date: 20200522

GRNO Decision to grant (after opposition)
GRNT Written decision to grant