KR20190136681A - 분류 알고리즘을 이용한 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법 - Google Patents
분류 알고리즘을 이용한 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법 Download PDFInfo
- Publication number
- KR20190136681A KR20190136681A KR1020180062687A KR20180062687A KR20190136681A KR 20190136681 A KR20190136681 A KR 20190136681A KR 1020180062687 A KR1020180062687 A KR 1020180062687A KR 20180062687 A KR20180062687 A KR 20180062687A KR 20190136681 A KR20190136681 A KR 20190136681A
- Authority
- KR
- South Korea
- Prior art keywords
- membrane
- reverse osmosis
- osmosis process
- prediction
- contamination
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000001223 reverse osmosis Methods 0.000 title claims abstract description 58
- 238000007635 classification algorithm Methods 0.000 title claims abstract description 11
- 239000012528 membrane Substances 0.000 claims abstract description 127
- 230000008569 process Effects 0.000 claims abstract description 62
- 238000012423 maintenance Methods 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000000926 separation method Methods 0.000 claims abstract description 15
- 238000011109 contamination Methods 0.000 claims description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 45
- 238000004140 cleaning Methods 0.000 claims description 33
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 8
- 239000013535 sea water Substances 0.000 description 12
- 238000010612 desalination reaction Methods 0.000 description 9
- 239000000047 product Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000001704 evaporation Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000013505 freshwater Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008020 evaporation Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000009285 membrane fouling Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/10—Testing of membranes or membrane apparatus; Detecting or repairing leaks
- B01D65/109—Testing of membrane fouling or clogging, e.g. amount or affinity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/10—Testing of membranes or membrane apparatus; Detecting or repairing leaks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D61/00—Processes of separation using semi-permeable membranes, e.g. dialysis, osmosis or ultrafiltration; Apparatus, accessories or auxiliary operations specially adapted therefor
- B01D61/02—Reverse osmosis; Hyperfiltration ; Nanofiltration
- B01D61/025—Reverse osmosis; Hyperfiltration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/02—Membrane cleaning or sterilisation ; Membrane regeneration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/08—Prevention of membrane fouling or of concentration polarisation
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F1/00—Treatment of water, waste water, or sewage
- C02F1/44—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis
- C02F1/441—Treatment of water, waste water, or sewage by dialysis, osmosis or reverse osmosis by reverse osmosis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N15/082—Investigating permeability by forcing a fluid through a sample
- G01N15/0826—Investigating permeability by forcing a fluid through a sample and measuring fluid flow rate, i.e. permeation rate or pressure change
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2313/00—Details relating to membrane modules or apparatus
- B01D2313/70—Control means using a programmable logic controller [PLC] or a computer
- B01D2313/701—Control means using a programmable logic controller [PLC] or a computer comprising a software program or a logic diagram
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/005—Processes using a programmable logic controller [PLC]
- C02F2209/006—Processes using a programmable logic controller [PLC] comprising a software program or a logic diagram
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
- G01N2015/086—Investigating permeability, pore-volume, or surface area of porous materials of films, membranes or pellicules
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nanotechnology (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Organic Chemistry (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Dispersion Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Separation Using Semi-Permeable Membranes (AREA)
Abstract
본 발명의 일 실시예는 역삼투 공정의 센서로부터 모니터링 데이터를 수집하여 데이터베이스화 하는 단계; 상기 데이터베이스화된 데이터의 노이즈(noise)를 제거하는 단계; 상기 노이즈(noise)가 제거된 데이터를 예측 알고리즘에 입력하여 분리막 오염을 예측하는 단계; 및 상기 분리막 오염 예측 결과를 분류 알고리즘에 입력하여 분리막 오염 정도를 등급화하는 단계;를 포함하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법을 제공함으로써, 역삼투 공정의 운전자는 역삼투 공정에서 수집된 모니터링 데이터를 예측 알고리즘에 입력하여 얻어진 막 오염 예측 데이터를 별도로 분석하지 않고 분류 알고리즘에 입력하여 등급화 함으로써 등급화 결과에 따라 쉽게 분리막 유지관리 의사결정을 수행할 수 있는 효과가 있다.
Description
본 발명은 역삼투 공정에 있어서 분리막 유지관리에 관한 의사결정을 지원하는 방법에 관한 것으로, 보다 상세하게는 역삼투 공정의 모니터링 데이터를 수집하여 막 오염 예측을 진행하고 이를 분류 알고리즘을 이용하여 등급화함으로써 공정 운전자가 분리막 세정 또는 교체를 결정하는 것을 지원하는 방법에 관한 것이다.
해수담수화 기술은 최근 대두되기 시작한 물 부족 문제를 해결할 수 있는 기술로서, 계절이나 기상조건에 상관없이 다량의 수자원의 확보가 가능한 해수를 담수화하는 기술을 말한다. 해수담수화 기술은 댐 건설에 비해 공사기간이 짧고 초기 투자비가 작으므로 지속적인 수자원 확보를 위한 대체 기술로 자리 잡고 있으며 저에너지, 대형화, 안정성, 친환경 등을 추구하는 기술이다.
해수담수화 플랜트란 바닷물을 증발시키거나 막을 통과하여 염분뿐만 아니라 다수의 무기 염류를 제거하여 공업용수, 식수 등 인류가 사용할 수 있는 담수를 생산하는 공정과 설비를 총칭한다.
담수화 방식은 크게 열에너지와 물의 증발현상을 이용한 증류/증발법과 막의 차별성과 선택적 투과 능력을 이용한 역삼투(Reverse Osmosis; RO)법으로 나눌 수 있다. 해수담수화 플랜트의 주요 공법 중 역삼투(RO) 방식, 즉 해수 역삼투(Seawater Reverse Osmosis; SWRO) 방식은 기존의 다단 플래쉬 증류법(Multi-Stage Flash Distillation; MSF)이나 다중효용 증발법(Multiple-Effect Evaporation; ME)보다 에너지 효율이 높아 최근 상업실적이 증가하고 있다. 역삼투법은 압력을 이용하여 물은 통과시키고 용질은 투과시키지 않는 역삼투막에 해수를 가입하여 담수를 분리하는 공법이다.
역삼투막을 이용한 해수담수화 공정에서는 역삼투가 진행될수록 막의 오염이 발생한다. 막 오염은 유입수에 존재하는 물질들이 막에 부착하여 분리막의 성능을 저하시키는 것을 말하며, 특히 해수담수화에서는 고압조건(50 내지 70bar)으로 인하여 유입수에 존재하는 물질들이 막에 강하게 축적된다. 막이 오염되면 전체 공정의 효율이 급격하게 저하되므로 막 오염을 제어하는 것은 역삼투 공정에 있어서 매우 중요하다. 막 오염이 진행되면 주기적으로 막을 세정하거나, 세정으로 해결할 수 없을 정도가 되면 막을 교체해야 한다.
문제는 막 오염이 진행되는 정도를 파악하여 막 세정시기나 교체시기를 결정해야 하는데, 막 오염 정도를 실시간으로 모니터링하거나 예측하는데 한계가 있다는 것이다. 생산수의 흐름이 감소하거나 운전압력의 증가 정도를 측정하여 간접적으로 막 오염의 진행정도를 파악할 수 있으나, 막 자체의 오염정도를 판단하는 것은 아니고, 이렇게 간접적으로 막 오염을 판단하여 막 세정이나 교체시기를 결정하는 경우 부적절한 시기의 세정이나 교체가 발생하여 불필요한 유지관리 비용을 초래하게 된다. 이를 해결하기 위하여 막 오염 정도를 파악하는데 있어서 알고리즘을 이용한 접근 방법이 모색되어 왔다.
종래기술에서는 역삼투 공정으로 유입되는 유입원수의 수질, 공정의 운전 조건, 그리고 생산수 수질을 측정하여 데이터 베이스를 구축하고, 구축된 데이터 베이스를 기반으로 막 오염 정도에 대한 지표인 막간 차압, 수투과량 변화 그리고 막 저항 등의 변화를 예측하고 이를 통해서 공정의 성능 변화를 예측하는 기술을 제공한다.
그러나 막 오염을 예측하고 공정의 성능 변화를 예측하는 것만으로 곧바로 분리막의 세정 시기나 세정 횟수 또는 분리막 교체 시기를 정확히 결정할 수 있는 것은 아니다. 막 오염의 지표나 공정의 성능 변화 예측 데이터를 분석하여 세정 시기를 결정하는 것은 여전히 역삼투 공정 운전자의 몫으로 남아있다. 막 오염 예측의 정확도가 100%가 아닌 이상 실제 막 오염의 정도를 파악하고 세정 시기를 결정하는 것은 운전자의 경험이 개입될 수밖에 없는 것이다. 따라서 역삼투 공정 운전자가 보다 쉽게 막 오염 예측 데이터를 분석하고 세정 시기나 횟수를 결정할 수 있도록 지원하는 시스템이 필요한 실정이다.
본 발명의 목적은 상기한 문제점을 해결하기 위한 것으로, 역삼투 공정에 있어서 분리막 유지관리 의사결정을 지원하는 방법을 제공하는 것을 목적으로 한다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 달성하기 위하여, 본 발명의 일 실시예는 역삼투 공정의 센서로부터 모니터링 데이터를 수집하여 데이터베이스화 하는 단계; 상기 데이터베이스화된 데이터의 노이즈(noise)를 제거하는 단계; 상기 노이즈(noise)가 제거된 데이터를 예측 알고리즘에 입력하여 분리막 오염을 예측하는 단계; 및 상기 분리막 오염 예측 결과를 분류 알고리즘에 입력하여 분리막 오염 정도를 등급화하는 단계;를 포함하는 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법을 제공한다.
본 발명의 일 실시예에 있어서, 상기 역삼투 공정의 센서로부터 수집되는 모니터링 데이터는 유입수 온도, 유입수 TDS 농도, 운전 압력, 유입수 유량, 생산수 유량, 생산수 TDS 농도, 생산수 압력 및 농축수 압력 중 어느 하나 이상일 수 있다.
본 발명의 일 실시예에 있어서, 상기 데이터베이스는 1년 이상의 역삼투 공정 모니터링 데이터를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 데이터베이스화된 데이터의 노이즈(noise)는 칼만 필터(Kalman Filter) 알고리즘에 의해 제거될 수 있다.
본 발명의 일 실시예에 있어서, 상기 예측 알고리즘은 인공신경망 (Artificial Neural Network, ANN)일 수 있다.
본 발명의 일 실시예에 있어서, 상기 분리막 오염 예측은 막 저항 예측, 생산수 유량 예측 및 압력강하 예측을 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 분류 알고리즘은 서포트 벡터 머신 (Support Vector Machine, SVM)일 수 있다.
본 발명의 일 실시예에 있어서, 상기 분리막 오염 정도를 등급화하는 단계는 분리막 오염 정도를 정상 운전 등급, 세정 필요 등급 및 분리막 교체 필요 등급으로 등급화하는 것일 수 있다.
본 발명의 일 실시예에 있어서, 상기 분리막 오염 정도를 등급화한 결과를 역삼투 공정 운전자에게 제공하여 역삼투 공정 운전자의 분리막 세정 또는 분리막 교체 결정을 지원할 수 있다.
본 발명의 일 실시예에 있어서, 상기 분리막 오염 정도를 등급화하는 단계 이후에, 상기 등급화된 분리막 오염 정도에 따라 각각 유지관리를 진행할 경우 유지관리 효율을 예측하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 유지관리 효율을 예측하는 단계는 등급화된 분리막 오염 정도에 따라 각각 세정 횟수를 달리하였을 때 세정에 필요한 전기 사용량을 예측하는 것일 수 있다.
본 발명의 일 실시예에 있어서, 상기 유지관리 효율 예측 결과를 역삼투 공정 운전자에게 제공하여 역삼투 공정 운전자의 분리막 세정 시기 및 분리막 세정 횟수 결정을 지원할 수 있다.
본 발명의 실시예에 따르면, 역삼투 공정의 운전자는 역삼투 공정에서 수집된 모니터링 데이터를 예측 알고리즘에 입력하여 얻어진 막 오염 예측 데이터를 별도로 분석하지 않고 분류 알고리즘에 입력하여 등급화 함으로써 등급화 결과에 따라 쉽게 분리막 유지관리 의사결정을 수행할 수 있다.
또한 본 발명의 실시예에 따르면, 상기 등급화 결과에 따라 유지관리 의사결정을 하였을 때 유지관리 효율을 예측할 수 있어 그 예측 결과에 따라 분리막 유지관리에 필요한 의사결정을 수행할 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시예에 따른 분리막 유지관리 의사결정 지원 방법을 나타낸 순서도이다.
도 2는 본 발명의 일 실시예에 따른 인공신경망의 구조도이다.
도 3은 본 발명의 일 실시예에 따른 막 저항 예측 그래프이다.
도 4는 본 발명의 일 실시예에 따른 서포트 벡터 머신의 구조도이다.
도 5는 본 발명의 일 실시예에 따른 막 오염 예측(생산수 유량-막 저항) 그래프이다.
도 6은 본 발명의 일 실시예에 따른 막 오염 예측(생산수 유량-막 저항) 을 등급화한 그래프이다.
도 7은 본 발명의 일 실시예에 따른 막 오염 예측(막 저항-압력강하) 그래프이다.
도 8은 본 발명의 일 실시예에 따른 막 오염 예측(막 저항-압력강하)을 등급화한 그래프이다.
도 9는 본 발명의 일 실시예에 따른 막 오염 예측(생산수 유량-압력강하)을 등급화한 그래프이다.
도 10은 본 발명의 일 실시예에 따른 유지관리 효율 예측(전기 소모량) 그래프이다.
도 11은 본 발명의 일 실시예에 따른 유지관리 효율 예측(생산수 유량) 그래프이다.
도 12는 본 발명의 일 실시예에 따른 유지관리 효율 예측(막 저항) 그래프이다.
도 2는 본 발명의 일 실시예에 따른 인공신경망의 구조도이다.
도 3은 본 발명의 일 실시예에 따른 막 저항 예측 그래프이다.
도 4는 본 발명의 일 실시예에 따른 서포트 벡터 머신의 구조도이다.
도 5는 본 발명의 일 실시예에 따른 막 오염 예측(생산수 유량-막 저항) 그래프이다.
도 6은 본 발명의 일 실시예에 따른 막 오염 예측(생산수 유량-막 저항) 을 등급화한 그래프이다.
도 7은 본 발명의 일 실시예에 따른 막 오염 예측(막 저항-압력강하) 그래프이다.
도 8은 본 발명의 일 실시예에 따른 막 오염 예측(막 저항-압력강하)을 등급화한 그래프이다.
도 9는 본 발명의 일 실시예에 따른 막 오염 예측(생산수 유량-압력강하)을 등급화한 그래프이다.
도 10은 본 발명의 일 실시예에 따른 유지관리 효율 예측(전기 소모량) 그래프이다.
도 11은 본 발명의 일 실시예에 따른 유지관리 효율 예측(생산수 유량) 그래프이다.
도 12는 본 발명의 일 실시예에 따른 유지관리 효율 예측(막 저항) 그래프이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 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 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.
도 1을 참고하면, 본 발명은 역삼투 공정의 센서로부터 모니터링 데이터를 수집하여 데이터베이스화 하는 단계(S100); 상기 데이터베이스화된 데이터의 노이즈(noise)를 제거하는 단계(S200); 상기 노이즈(noise)가 제거된 데이터를 예측 알고리즘에 입력하여 분리막 오염을 예측하는 단계(S300); 및 상기 분리막 오염 예측 결과를 분류 알고리즘에 입력하여 분리막 오염 정도를 등급화하는 단계(S400);를 포함하는 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법을 제공한다.
상기 역삼투 공정의 센서로부터 수집된 모니터링 데이터는 유입수 온도, 유입수 TDS 농도, 운전 압력, 유입수 유량, 생산수 유량, 생산수 TDS 농도, 생산수 압력 및 농축수 압력 중 어느 하나 이상일 수 있다.
예를 들어 역삼투를 이용한 해수담수화 플랜트에 있어서 유입원수는 해수가 되고, 생산수는 담수가 되는데, 유입수의 온도, 압력 또는 유량을 조절함으로써 생산수의 유량 또는 수질을 향상시킬 수 있다. 수질은 통상적으로 총 용존성 고형물질(Total Dissolved solids; TDS) 단위로 판단한다.
유입수의 온도, 압력 또는 유량의 제어에 따른 생산수의 유량, 수질 데이터는 수일 내지는 수년에 걸쳐 축적될 수 있고, 이를 데이터베이스로 구축하여 본 발명에 이용한다. 상기 데이터베이스는 1년 이상의 역삼투 공정 모니터링 데이터를 포함하는 것이 바람직하다. 1년 미만의 데이터는 예측 알고리즘이 충분히 기계학습을 진행할 수 없어 바람직하지 않다. 기계학습은 데이터의 양이 많을수록 유리해지며, 1년은 유의미한 막 오염 예측을 하기 위한 최소한의 기간인 것이다. 모니터링 데이터의 종류는 상술한 것에 한정되지 않고, 막 오염 예측에 필요한 정도로 확장 또는 부가될 수 있다.
상기 데이터베이스화된 데이터의 노이즈(noise)는 칼만 필터(Kalman Filter) 알고리즘에 의해 제거될 수 있다.
칼만 필터는 측정값에 확률적인 오차가 포함되고, 또한 특정 시점에서의 상태는 이전 시점의 상태와 선형적인 관계를 가지고 있는 경우에 적용 가능하다. 본 발명의 역삼투 공정의 센서로부터 수집된 모니터링 데이터는 측정값에 오차가 포함되어 있을 수 있다. 모니터링 데이터는 연속적으로 측정하는 값들을 가지므로 특정 측정 시점에서의 값이 이전 측정값과 선형적인 관계를 가지고, 따라서 칼만 필터를 이용하여 노이즈를 제거할 수 있다.
칼만 필터는 재귀적으로 동작한다. 즉, 칼만 필터는 바로 이전 시간에 추정한 값을 토대로 해서 현재의 값을 추정하며, 또한 바로 이전 시간 외의 측정값이나 추정값은 사용되지 않는다. 각 추정 계산은 두 단계로 이루어지며, 먼저 이전 시간에 추정된 상태에 대해, 그 상태에서 입력을 가했을 때 예상되는 상태를 계산한다. 이 단계는 예측단계라고 부른다. 그 다음 앞서 계산된 예측 상태와 실제로 측정된 상태를 토대로 정확한 상태를 계산한다. 이 단계는 보정단계라고 부른다.
상기 노이즈(noise)가 제거된 데이터를 예측 알고리즘에 입력하여 분리막 오염을 예측하는 단계는 기계학습을 통하여 이루어질 수 있고, 기계학습은 인공신경망을 통하여 이루어질 수 있다.
기계학습은 인공지능의 한 분야로, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다. 컴퓨터에 명시적인 프로그램 없이 학습하는 능력을 부여하는 것이며, 인공신경망 모델은 기계학습의 한 분야이다.
도 2는 본 발명에 따른 인공신경망의 구조를 개략적으로 나타낸 구조도이다. 인공신경망은 인간의 뇌가 패턴을 인식하는 방식을 모사한 알고리즘이다. 도 2에서 보는 원은 인간의 신경망을 구성하는 뉴런을 모사한 것이고, 노드라고 불린다. 노드들은 시냅스의 결합으로 연결되어 네트워크를 형성한다. 노드들이 여러 개 배열되어 층을 형성하며, 층은 입력층과 숨김층, 출력층으로 형성된다.
노드에서는 실제로 연산이 일어나는데, 이 연산 과정은 인간의 신경망을 구성하는 뉴런에서 일어나는 과정을 모사하도록 설계되어 있다. 노드는 일정 크기 이상의 자극을 받으면 반응을 하는데, 그 반응의 크기는 입력 값과 노드의 계수(또는 가중치)를 곱한 값과 대략 비례한다. 일반적으로 노드는 여러 개의 입력을 받으며 입력의 개수만큼 계수를 가지고 있다. 따라서 이 계수를 조절함으로써 여러 입력에 다른 가중치를 부여할 수 있다. 최종적으로 곱한 값들은 전부 더해지고 그 합은 활성 함수의 입력으로 들어가게 된다. 활성 함수의 결과가 노드의 출력에 해당하며 이 출력값이 궁극적으로 분류나 회귀 분석에 쓰이게 된다.
인공신경망 학습의 목적은 출력의 오류를 최소화 하는 것이다. 학습이 시작되기 전에 네트워크 상의 모든 계수를 초기화한다. 그리고 반복적으로 데이터를 보내주어서 학습을 한다. 만일 학습이 잘 되었다면 계수는 적절한 값으로 업데이트 되어 있을 것이고, 그 인공신경망으로 각종 분류와 예측이 가능하다. 학습과정 내부에서는 같은 원리의 계수 업데이트가 반복적으로 일어난다. 계수 업데이트의 원리는 우선 계수를 추정하고 그 계수를 사용했을 때 발생하는 에러를 측정한 뒤 그 에러에 기반해서 계수를 약간씩 업데이트 하는 것이다. 먼저 입력이 신경망에 들어오면, 현재 상태의 계수를 이용하여 결과를 출력한다. 그리고 이렇게 추정한 값을 실제 정답과 비교한다. 정답과 추정값의 차이가 오차이며, 신경망은 오차를 측정하고 이 오차를 반영해서 계수를 보정하는 것이다. 이 과정을 계속 반복하는 것이 학습 과정이다.
상기 분리막 오염 예측은 막 저항 예측, 생산수 유량 예측 및 압력강하 예측을 포함할 수 있다. Chen, K. L., L. Song, S. L. Ong and W. J. Ng (2004). "The development of membrane fouling in full-scale RO processes." Journal of Membrane Science 232(1): 63-72.)을 참고하면, 막 저항은 하기 식 (1) 및 (2)에 따라 계산될 수 있고, 예측 정확도에 대한 값은 NSE 값을 이용하며, NSE 값은 하기 식 (3)에 따라 계산될 수 있다. 도 3은 시간에 따른 막 저항을 예측하여 나타낸 그래프이다. 도 3의 예측 정확도는 0.86이다.
(상기 식 (1) 및 (2)에서 
는 막 저항(Pa s/m), 
은 막 자체의 저항(Pa s/m), 
는 막 오염으로 인한 저항(Pa s/m), 
는 유입수 파울링 포텐셜(m-2), 
는 생산수 유량(m/s)이다.)
(상기 식 (3)에서 
는 t에서 모의값, 
는 t에서 관측값, 
은 관측값의 평균값이다.)
상기 분류 알고리즘은 서포트 벡터 머신 (Support Vector Machine, SVM)일 수 있다. 도 4는 본 발명에 따른 서포트 벡터 머신의 구조도이다.
서포트 벡터 머신은 분류에 사용 가능한 분리선 또는 초평면을 정의한다. 초평면이 가장 가까운 학습 데이터 점과 큰 차이를 가지고 있으면 분류 오차가 작기 때문에 좋은 분류를 위해서는 어떤 분류된 점에 대해서 가장 가까운 학습 데이터와 가장 먼 거리를 가지는 초평면을 찾아야 한다. 이 과정에서 초기 유한차원 내에서 데이터가 선형 구분이 되지 않는 문제가 발생하였고 이를 해결하기 위해 더 높은 차원으로 대응시켜 분류를 쉽게 하는 방법이 제안되었다. 그 과정에서 계산량이 늘어나는 것을 막기 위해 각 문제에 적절한 커널 함수를 정의한 구조를 설계하여 벡터의 내적 연산을 초기 문제의 변수들을 사용해서 효과적으로 계산할 수 있게 한 것이 서포트 벡터 머신이다. 높은 차원 공간의 초평면은 점들의 집합과 상수 벡터의 내적 연산으로 정의된다.
도 4를 참고하면, 서포트 벡터 머신은 커널 함수를 정의하여 사용한다. 커널이란 구별을 만들기 위해서 데이터에 부가적인 차원을 추가하는 것을 말한다. 하나의 분리선이나 초평면을 고차원으로 보내게 되면 데이터들을 분리하는 영역이 생기게 되고 그 가장자리에 걸려있는 데이터들을 서포트 벡터라고 한다. 즉, 커널 함수의 정의에 따라 초평면에 가장 근접하는 데이터들이 서포트 벡터가 되나 결과적으로는 커널 함수의 정의에 서포트 벡터를 이용하는 모양새가 된다.
서포트 벡터 머신은 패턴 인식을 통한 분류에서 자주 사용된다. 패턴 인식에 기반하기 때문에 모니터링 데이터에 기반하여 타겟 시스템을 분류하는 것이 가능하며, 본 발명에서는 막 오염 예측 결과를 분류하여 등급화하는 알고리즘으로 사용된다.
도 4에 도시된 것과 같이 본 발명에서는 분리막 오염 정도를 정상 운전 등급(normal), 세정 필요 등급(cleaning) 및 분리막 교체 필요 등급(replacement)으로 등급화할 수 있다. 서포트 벡터 머신이 인식한 패턴은 등급화의 기준이 될 수 있으며, 본 발명에서는 예측 알고리즘을 통하여 예측되는 값인 막 저항, 생산수 유량 및 압력강하가 기준이 될 수 있다. 예를 들어 생산수 유량 5 내지 10% 감소, 막 저항 5 내지 10% 증가 및 압력강하 10 내지 15% 증가가 공통으로 포함되는 범위를 정상 운전 등급(normal)과 세정 필요 등급(cleaning)을 나누는 기준으로 삼을 수 있으며, 상기 기준은 역삼투 공정 운전자에 의해서 변경 및 추가가 가능하다.
상기 분리막 오염 정도를 등급화한 결과를 역삼투 공정 운전자에게 제공하여 역삼투 공정 운전자의 분리막 세정 또는 분리막 교체 결정을 지원할 수 있다. 종래기술에서는 기계학습을 통해 분리막의 오염을 예측하고, 예측 데이터의 정확도 및 운전자의 경험을 고려하여 예측 데이터를 분석하여, 그에 따라 운전자가 분리막 세정 또는 분리막 교체 등의 유지관리를 결정하였다. 본 발명에서는 분리막 오염 예측 데이터를 등급화하여 운전자에게 제공하므로, 운전자는 분리막 오염 예측 데이터를 분석하는데 들이는 노력을 줄일 수 있는 것이다. 또한 서포트 벡터 머신에 분류 기준을 운전자가 경험을 반영하여 미리 설정해 놓을 수 있기 때문에 등급화한 결과를 보고 세정 시점을 결정하는데 들이는 노력을 더욱 줄일 수 있다.
도 5 내지 도 8은 서포트 벡터 머신에 의해 막 오염 예측 결과를 등급화하는 것을 보여준다.
도 5는 등급화 전의 생산수 유량 대 막 저항, 도 6은 등급화 후의 생산수 유량 대 막 저항 그래프이고, 도 7은 등급화 전의 막 저항 대 압력강하, 도 8은 등급화 후의 막 저항 대 압력강하 그래프이다.
역삼투 공정 운전자는 상기 도 6 및 도 8의 등급화 영역을 보고 유지관리 의사결정을 쉽게 할 수 있다.
본 발명의 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법은 상기 분리막 오염 정도를 등급화하는 단계 이후에, 상기 등급화된 분리막 오염 정도에 따라 각각 유지관리를 진행할 경우 유지관리 효율을 예측하는 단계를 더 포함할 수 있다. 상기 유지관리 효율을 예측하는 단계는 등급화된 분리막 오염 정도에 따라 각각 세정 횟수를 달리하였을 때 세정에 필요한 전기 사용량을 예측하는 것일 수 있다.
상기 유지관리 효율 예측 결과를 역삼투 공정 운전자에게 제공하여 역삼투 공정 운전자의 분리막 세정 시기 및 분리막 세정 횟수 결정을 지원할 수 있다. 전기 사용량이 가장 적으면서도 충분한 세정 횟수를 선택한다면 세정에 필요한 불필요한 에너지 낭비를 줄일 수 있는 것이다.
도 9 내지 도 12는 등급화된 분리막 오염 정도에 따라 각각 유지관리를 진행할 경우 유지관리 효율을 보여준다.
도 9는 등급화 후 생산수 유량 대 압력강하 그래프이다. 도 9의 (A), (B) 및 (C) 세 점에서 막 세정 시점을 결정할 경우 시간에 따른 전기 소모, 생산수 유량 변화 및 막 저항 변화를 각각 도 10 내지 도 12에 나타내었다.
도 10 내지 도 12에 따르면 (A) 점에서 세정 시점을 결정할 경우 세정 횟수는 가장 많아지나 전기 소모량은 가장 적고, (C) 점에서 세정 시점을 결정할 경우 세정 횟수는 줄어드나 전기 소모량은 커지는 것을 알 수 있다. 또한 (C) 점에서는 압력강하와 막 저항 변화도 크게 나타남을 알 수 있다. 역삼투 공정 운전자는 이를 고려하여 공정 운전 실정에 맞는 세정 시점을 선택할 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (12)
- 역삼투 공정의 센서로부터 모니터링 데이터를 수집하여 데이터베이스화 하는 단계;
상기 데이터베이스화된 데이터의 노이즈(noise)를 제거하는 단계;
상기 노이즈(noise)가 제거된 데이터를 예측 알고리즘에 입력하여 분리막 오염을 예측하는 단계; 및
상기 분리막 오염 예측 결과를 분류 알고리즘에 입력하여 분리막 오염 정도를 등급화하는 단계;를 포함하는 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법. - 제1항에 있어서,
상기 역삼투 공정의 센서로부터 수집되는 모니터링 데이터는 유입수 온도, 유입수 TDS 농도, 운전 압력, 유입수 유량, 생산수 유량, 생산수 TDS 농도, 생산수 압력 및 농축수 압력 중 어느 하나 이상인 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법. - 제1항에 있어서,
상기 데이터베이스는 1년 이상의 역삼투 공정 모니터링 데이터를 포함하는 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법. - 제1항에 있어서,
상기 데이터베이스화된 데이터의 노이즈(noise)는 칼만 필터(Kalman Filter) 알고리즘에 의해 제거되는 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법. - 제1항에 있어서,
상기 예측 알고리즘은 인공신경망 (Artificial Neural Network, ANN)인 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법. - 제1항에 있어서,
상기 분리막 오염 예측은 막 저항 예측, 생산수 유량 예측 및 압력강하 예측을 포함하는 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법. - 제1항에 있어서,
상기 분류 알고리즘은 서포트 벡터 머신 (Support Vector Machine, SVM)인 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법. - 제1항에 있어서,
상기 분리막 오염 정도를 등급화하는 단계는 분리막 오염 정도를 정상 운전 등급, 세정 필요 등급 및 분리막 교체 필요 등급으로 등급화하는 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법. - 제1항에 있어서,
상기 분리막 오염 정도를 등급화한 결과를 역삼투 공정 운전자에게 제공하여 역삼투 공정 운전자의 분리막 세정 또는 분리막 교체 결정을 지원하는 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법. - 제1항에 있어서,
상기 분리막 오염 정도를 등급화하는 단계 이후에, 상기 등급화된 분리막 오염 정도에 따라 각각 유지관리를 진행할 경우 유지관리 효율을 예측하는 단계를 더 포함하는 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법. - 제10항에 있어서,
상기 유지관리 효율을 예측하는 단계는 등급화된 분리막 오염 정도에 따라 각각 세정 횟수를 달리하였을 때 세정에 필요한 전기 사용량을 예측하는 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법. - 제10항에 있어서,
상기 유지관리 효율 예측 결과를 역삼투 공정 운전자에게 제공하여 역삼투 공정 운전자의 분리막 세정 시기 및 분리막 세정 횟수 결정을 지원하는 것을 특징으로 하는 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180062687A KR102085296B1 (ko) | 2018-05-31 | 2018-05-31 | 분류 알고리즘을 이용한 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180062687A KR102085296B1 (ko) | 2018-05-31 | 2018-05-31 | 분류 알고리즘을 이용한 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190136681A true KR20190136681A (ko) | 2019-12-10 |
| KR102085296B1 KR102085296B1 (ko) | 2020-03-06 |
Family
ID=69002548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180062687A KR102085296B1 (ko) | 2018-05-31 | 2018-05-31 | 분류 알고리즘을 이용한 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102085296B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022080068A1 (ja) * | 2020-10-14 | 2022-04-21 | 横河電機株式会社 | 支援装置、支援方法、及び、支援プログラム |
| KR20220134914A (ko) * | 2021-03-29 | 2022-10-06 | 울산과학기술원 | 수처리 공정 중 막 오염 제어 자동화 방법 및 이를 위한 오염 예측 모델을 학습하는 방법 |
| CN117138589A (zh) * | 2023-10-27 | 2023-12-01 | 克拉玛依曜诚石油科技有限公司 | 反渗透膜的污染监测系统及其方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101133664B1 (ko) * | 2009-12-16 | 2012-04-12 | 한국건설기술연구원 | 분리막을 이용한 수처리 시스템에서 유전자 알고리즘/프로그래밍을 이용한 막오염지수 예측모델 기반 완화 세정 방법 및 시스템 |
| JP2014237072A (ja) * | 2013-06-06 | 2014-12-18 | 株式会社日立製作所 | 水処理運転支援システム及び水処理運転支援方法 |
| KR20170086017A (ko) * | 2014-08-12 | 2017-07-25 | 워터 플래닛, 아이엔씨. | 지능형 유체 여과 관리 시스템 |
| KR20170099201A (ko) * | 2016-02-23 | 2017-08-31 | 두산중공업 주식회사 | 유기성 막 오염의 예측 방법 |
| KR101794658B1 (ko) * | 2015-11-03 | 2017-11-07 | 주식회사 필드솔루션 | 분리막 시스템의 막 오염 모니터링 시스템 |
-
2018
- 2018-05-31 KR KR1020180062687A patent/KR102085296B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101133664B1 (ko) * | 2009-12-16 | 2012-04-12 | 한국건설기술연구원 | 분리막을 이용한 수처리 시스템에서 유전자 알고리즘/프로그래밍을 이용한 막오염지수 예측모델 기반 완화 세정 방법 및 시스템 |
| JP2014237072A (ja) * | 2013-06-06 | 2014-12-18 | 株式会社日立製作所 | 水処理運転支援システム及び水処理運転支援方法 |
| KR20170086017A (ko) * | 2014-08-12 | 2017-07-25 | 워터 플래닛, 아이엔씨. | 지능형 유체 여과 관리 시스템 |
| KR101794658B1 (ko) * | 2015-11-03 | 2017-11-07 | 주식회사 필드솔루션 | 분리막 시스템의 막 오염 모니터링 시스템 |
| KR20170099201A (ko) * | 2016-02-23 | 2017-08-31 | 두산중공업 주식회사 | 유기성 막 오염의 예측 방법 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022080068A1 (ja) * | 2020-10-14 | 2022-04-21 | 横河電機株式会社 | 支援装置、支援方法、及び、支援プログラム |
| JP2022064517A (ja) * | 2020-10-14 | 2022-04-26 | 横河電機株式会社 | 支援装置、支援方法、及び、支援プログラム |
| KR20220134914A (ko) * | 2021-03-29 | 2022-10-06 | 울산과학기술원 | 수처리 공정 중 막 오염 제어 자동화 방법 및 이를 위한 오염 예측 모델을 학습하는 방법 |
| CN117138589A (zh) * | 2023-10-27 | 2023-12-01 | 克拉玛依曜诚石油科技有限公司 | 反渗透膜的污染监测系统及其方法 |
| CN117138589B (zh) * | 2023-10-27 | 2024-02-13 | 克拉玛依曜诚石油科技有限公司 | 反渗透膜的污染监测系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102085296B1 (ko) | 2020-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bagheri et al. | Advanced control of membrane fouling in filtration systems using artificial intelligence and machine learning techniques: A critical review | |
| KR102085296B1 (ko) | 분류 알고리즘을 이용한 역삼투 공정에서의 분리막 유지관리 의사결정 지원 방법 | |
| Liu et al. | Predicting urban arterial travel time with state-space neural networks and Kalman filters | |
| Badrnezhad et al. | Modeling and optimization of cross-flow ultrafiltration using hybrid neural network-genetic algorithm approach | |
| Soleimani et al. | Experimental investigation, modeling and optimization of membrane separation using artificial neural network and multi-objective optimization using genetic algorithm | |
| KR102097552B1 (ko) | 역삼투막 오염 예측 모델의 표본 입력 데이터 양 결정 방법 및 이를 이용한 장치 | |
| Teodosiu et al. | Neural network models for ultrafiltration and backwashing | |
| CN109408774B (zh) | 基于随机森林和梯度提升树的预测污水出水指标的方法 | |
| Liu et al. | Prediction of microfiltration membrane fouling using artificial neural network models | |
| Libotean et al. | Neural network approach for modeling the performance of reverse osmosis membrane desalting | |
| Curcio et al. | Reduction and control of flux decline in cross-flow membrane processes modeled by artificial neural networks | |
| KR20090078501A (ko) | 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분농도의 예측 방법 및 장치 | |
| Maere et al. | Membrane bioreactor fouling behaviour assessment through principal component analysis and fuzzy clustering | |
| CN104933310A (zh) | 基于ga-lssvm模型预测膜蒸馏水处理系统中膜污染趋势的方法 | |
| Bello et al. | Fuzzy dynamic modelling and predictive control of a coagulation chemical dosing unit for water treatment plants | |
| KR101963124B1 (ko) | 도서지에 분산 설치된 소규모 담수화장치의 원격 진단관리 시스템 및 그 방법 | |
| KR101187416B1 (ko) | 예측 모델을 이용한 해수담수화 방법 및 이를 수행하는 장치 | |
| Curcio et al. | Ultrafiltration of BSA in pulsating conditions: an artificial neural networks approach | |
| Altunkaynak et al. | Prediction of specific permeate flux during crossflow microfiltration of polydispersed colloidal suspensions by fuzzy logic models | |
| Díaz et al. | Dynamic hybrid model for ultrafiltration membrane processes | |
| Puig-Bargués et al. | Prediction by neural networks of filtered volume and outlet parameters in micro-irrigation sand filters using effluents | |
| CN105005684A (zh) | 基于稀疏受限非负矩阵分解算法的超滤膜水处理预测方法 | |
| Hwang et al. | Prediction of membrane fouling rate by neural network modeling | |
| Esfahani et al. | Proposed new fouling monitoring indices for seawater reverse osmosis to determine the membrane cleaning interval | |
| Hwang et al. | Development of a statistical and mathematical hybrid model to predict membrane fouling and performance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |