KR20220096046A - Uv-vis 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템 - Google Patents
Uv-vis 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템 Download PDFInfo
- Publication number
- KR20220096046A KR20220096046A KR1020200188166A KR20200188166A KR20220096046A KR 20220096046 A KR20220096046 A KR 20220096046A KR 1020200188166 A KR1020200188166 A KR 1020200188166A KR 20200188166 A KR20200188166 A KR 20200188166A KR 20220096046 A KR20220096046 A KR 20220096046A
- Authority
- KR
- South Korea
- Prior art keywords
- organic matter
- sample
- vis spectrum
- monitoring system
- treated water
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 78
- 238000002371 ultraviolet--visible spectrum Methods 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 239000005416 organic matter Substances 0.000 title claims description 83
- 230000009467 reduction Effects 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000002835 absorbance Methods 0.000 claims abstract description 26
- 230000003647 oxidation Effects 0.000 claims abstract description 12
- 238000007254 oxidation reaction Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000002347 injection Methods 0.000 claims abstract description 7
- 239000007924 injection Substances 0.000 claims abstract description 7
- 210000004027 cell Anatomy 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 32
- 230000003595 spectral effect Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000001429 visible spectrum Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 229910052799 carbon Inorganic materials 0.000 description 6
- 239000000654 additive Substances 0.000 description 5
- 239000003054 catalyst Substances 0.000 description 5
- 230000000996 additive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000002351 wastewater Substances 0.000 description 3
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000009303 advanced oxidation process reaction Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
- G01N21/6404—Atomic fluorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1893—Water using flow cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/59—Transmissivity
- G01N21/5907—Densitometers
- G01N2021/5957—Densitometers using an image detector type detector, e.g. CCD
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/20—Controlling water pollution; Waste water treatment
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명의 일 실시예에 따른 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템은, 유기물 저감 모니터링 시스템에 있어서, 원수 및/또는 처리수의 샘플을 채취한 후, 상기 샘플의 산화처리를 통해 상기 샘플의 유기물을 저감시키는 전처리부; 상기 전처리부로부터 전처리된 샘플을 자외선-가시광선(UV-VIS) 분광기의 셀에 주입하는 주입부; 상기 자외선-가시광선 분광기의 셀에 주입된 샘플의 파장별 흡광도를 측정하는 분광부; 및 합성곱 인공신경망(CNN) 모델 및/또는 수치 분석 모델이 상기 샘플의 파장별 흡광도를 통해 출력하는 UV-VIS 스펙트럼을 기반으로 상기 셀에 주입된 샘플의 유기물 저감 정도를 분석하는 분석부;를 포함할 수 있다.
Description
본 발명은 자외선-가시광선(UV-VIS) 분광기에 주입된 원수 및/또는 처리수의 유기물 저감 정도를 자동으로 모니터링할 수 있는 시스템에 관한 것이다.
수질관리 방법은 하·폐수의 발생을 억제하는 것보다 발생된 하·폐수를 처리하는 기술에 주로 초점이 맞추어져 있으며, 상수원의 보호를 위해서는 하·폐수의 처리도 중요하지만, 상수원의 오염원이 될 수 있는 부분의 모니터링이 보다 중요한 문제이다.
수질환경 분야에서 하천 등의 수질 측정은 측정하고자 하는 지점의 시료를 채취한 후 분석을 위하여 시료를 연구소 등의 실험기기를 구비한 장소로 운반하여 측정하거나, 제한된 인자들에 대해서는 센서 등의 측정수단을 이용하여 수질조사가 이루어지고 있다.
이러한 수질조사를 위한 종래의 수질분석방법은 화학적 산소 요구량(Chemical xidation emand, COD), 총유기탄소(Total organic carbon, TOC) 및 부유고형물(Suspended solids, SS)의 농도를 검사하는 방법 등이 있다.
그러나 종래의 수질분석방법은 전처리 과정이 번거로우며, 결과를 얻기까지 소요되는 시간이 길고, 시간과 인력을 많이 소모하며, 수작업과 약품이 요구되는 등의 이유로 실시간의 수질 관리가 어렵다.
또한, 종래의 수질분석방법은 하·폐수의 수질이나 영향인자에 의한 판단에 따라 현장 운영자가 수동으로 장치의 가동을 결정하므로, 수질분석장치의 운전이나 비용적 측면에서 비효율적인 문제점이 있다.
본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로서, 자외선-가시광선 분광기에 주입된 원수 및/또는 처리수의 파장별 흡광도를 통해 출력되는 UV-VIS 스펙트럼을 기반으로 원수 및/또는 처리수의 유기물 저감 정도를 자동으로 모니터링할 수 있는 시스템을 제공하는데 목적이 있다.
또한, 본 발명은 원수 및/또는 처리수의 유기물 저감 정도를 통해 원수 및/또는 처리수의 유기물 저감 정도를 적정 또는 미흡으로 판단하거나, 유기물 저감 모니터링 시스템의 이상 상황을 판단할 수 있는 시스템을 제공하는데 목적이 있다.
한편, 본 발명에서 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기와 같은 목적을 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예에 따른 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템은, 유기물 저감 모니터링 시스템에 있어서, 원수 및/또는 처리수의 샘플을 채취한 후, 상기 샘플의 산화처리를 통해 상기 샘플의 유기물을 저감시키는 전처리부; 상기 전처리부로부터 전처리된 샘플을 자외선-가시광선(UV-VIS) 분광기의 셀에 주입하는 주입부; 상기 자외선-가시광선 분광기의 셀에 주입된 샘플의 파장별 흡광도를 측정하는 분광부; 및 합성곱 인공신경망(CNN) 모델 및/또는 수치 분석 모델이 상기 샘플의 파장별 흡광도를 통해 출력하는 UV-VIS 스펙트럼을 기반으로 상기 셀에 주입된 샘플의 유기물 저감 정도를 분석하는 분석부;를 포함할 수 있다.
또한, 상기 분광부는, 상기 자외선-가시광선 분광기로부터 200~600 nm의 자외선-가시광선이 출력되도록 제어하여 상기 셀에 주입된 샘플의 200~600 nm의 흡광도를 측정하며, 상기 분석부는, 상기 합성곱 인공신경망 모델 및/또는 상기 수치 분석 모델이 200~600 nm의 흡광도로부터 출력되는 UV-VIS 스펙트럼을 통해 상기 셀에 주입된 샘플의 유기물 저감 정도를 분석할 수 있다.
그리고 상기 합성곱 인공신경망 모델은, 라벨링된 복수의 학습 UV-VIS 스펙트럼 중 적어도 하나의 학습 UV-VIS 스펙트럼을 수집한 후, 상기 학습 UV-VIS 스펙트럼 내에서 스펙트럼 영역을 지정하며, 지정된 스펙트럼 영역을 픽셀 또는 돗트로 설정한 후, 상기 스펙트럼 영역을 복수개의 뉴런으로 출력층이 나오게 하는 복수개의 합성곱 레이어를 생성하고, 상기 합성곱 레이어의 가중치와 합산하고 편향을 더하여 복수개 뉴런의 출력 레이어를 생성하며, 상기 복수개 뉴런의 출력 레이어를 활성화 함수에 통과시켜 상기 복수개의 뉴런의 출력 레이어와 동일 개수의 활성층을 도출하고, 상기 활성층을 구획하여 최대값을 도출하기 위한 풀링층을 형성하며, 상기 풀링층에 대한 동일 행렬의 가중치 행렬을 합산하고 편향을 더하여 결과층을 도출하고, 상기 결과층의 결과 값을 원-핫 구조로 인코딩하여 상기 셀에 주입된 샘플의 유기물 저감 정도를 적정 또는 미흡으로 판단하거나, 상기 유기물 저감 모니터링 시스템의 이상 상황을 판단한 후에 라벨링할 수 있다.
또한, 상기 합성곱 인공신경망 모델은, 상기 학습 UV-VIS 스펙트럼을 통해 학습된 경사하강법 및/또는 오차역전파법을 기반으로 가중치와 편향을 구성할 수 있다.
그리고 상기 합성곱 인공신경망 모델은, 상기 스펙트럼 영역을 200×200에 준하는 픽셀 또는 돗트로 설정하고, 상기 스펙트럼 영역에서 복수개 뉴런이 나오도록, 3×3 필터를 가지는 복수개의 합성곱 레이어를 생성할 수 있다.
또한, 상기 합성곱 인공신경망 모델은, 상기 스펙트럼 영역 내에서 상기 합성곱 레이어의 순회를 통해 합성곱하여 198×198의 픽셀 또는 돗트로 구성된 복수개의 출력 레이어를 생성할 수 있다.
그리고 상기 합성곱 인공신경망 모델은, 상기 출력 레이어를 시그모이드 함수인 상기 활성화 함수에 통과시켜 복수의 활성층을 도출할 수 있다.
또한, 상기 합성곱 인공신경망 모델은, 상기 활성층을 2×2씩 구획하여 99×99의 픽셀 또는 돗트로 이루어지는 복수개 뉴런의 풀링층을 생성하며, 상기 풀링층에 대한 99×99의 가중치 행렬을 합산하고 편향을 더하여 결과층을 도출할 수 있다.
그리고 상기 수치 분석 모델은, 상기 샘플에 대한 UV-VIS 스펙트럼의 수치 또는 면적을 산출한 후, 상기 샘플에 대한 UV-VIS 스펙트럼의 수치 또는 면적을 라벨링된 복수의 학습 UV-VIS 스펙트럼 중 샘플의 유기물 저감 정도가 적정이었을 때에 대한 학습 UV-VIS 스펙트럼의 수치 또는 면적과 비교하여 상기 샘플의 유기물 저감 정도를 적정 또는 미흡으로 판단하거나, 상기 유기물 저감 모니터링 시스템의 이상 상황으로 판단할 수 있다.
본 발명은 유기물 저감 모니터링 시스템의 각 구성이 자동으로 동작됨에 따라, 수동으로 운영되는 종래의 수질분석방법에 비해 효율적인 모니터링이 이루어질 수 있다.
또한, 본 발명은 유기물의 저감 정도를 적정 또는 미흡으로 판단하거나, 유기물 저감 모니터링 시스템의 이상 상황을 판단하여 효율적인 유기물 저감 모니터링 시스템의 운영이 가능할 수 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템의 개략적인 구성을 나타내는 도면이다.
도 2는 전처리 시간을 달리하는 원수 및/또는 처리수의 UV-VIS 스펙트럼이다.
도 3은 유체의 전처리 시간에 따른 총유기탄소와 UV 254의 그래프이다.
도 4는 도 1에 도시된 분석부에 기저장된 분석 모델을 나타내는 도면이다.
도 5는 도 4에 도시된 합성곱 인공신경망 모델의 개략적인 흐름도이다.
도 2는 전처리 시간을 달리하는 원수 및/또는 처리수의 UV-VIS 스펙트럼이다.
도 3은 유체의 전처리 시간에 따른 총유기탄소와 UV 254의 그래프이다.
도 4는 도 1에 도시된 분석부에 기저장된 분석 모델을 나타내는 도면이다.
도 5는 도 4에 도시된 합성곱 인공신경망 모델의 개략적인 흐름도이다.
이하에서는, 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시 예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시 예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.
본 발명에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.
이하에서는, 첨부된 도면들을 참조하여 바람직한 실시예의 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템(1)(이하에서는 '유기물 저감 모니터링시스템(1)')에 대해 자세히 설명하도록 하겠다.
도 1을 참조하면, 본 발명의 유기물 저감 모니터링 시스템(1)은 전처리부(10), 주입부(20), 분광부(30) 및 분석부(40)를 포함하도록 구성된다.
전처리부(10)는 하수처리장 등으로부터 원수 및/또는 처리수의 샘플을 채취한 후, 채취한 샘플의 산화처리를 통해 상기 샘플의 유기물을 저감시킨다.
여기서, 처리수는 전처리부(10)와 동일 방식의 산화처리 또는 전처리부(10)와 다른 방식의 산화처리를 통해 유기물이 저감된 유체를 의미할 수 있다.
또한, 전처리부(10)는 원수 및/또는 처리수의 샘플을 채취하기 위한 채취수단 및 상기 채취수단으로부터 배출되는 샘플을 수용한 후에 산화처리하기 위한 산화처리수단이 마련되는 것이 바람직하며, 상기 산화처리수단은 고도산화처리법(Advanced Oxidation Process, AOP)에 따라 자외선과 오존(O3)의 상호반응을 통해 생성되는 OH라디칼을 기반으로 유기물을 제거할 수 있는 장치일 수 있다. 다만, 산화처리수단의 산화처리 방식은 고도산화처리법에 한정되지 아니하며, 유기물의 저감을 위한 다양한 방식이 적용될 수 있다.
주입부(20)는 전처리부(10)로부터 전처리된 샘플을 자외선-가시광선(UV-VIS) 분광기에 구비되는 셀(cell)에 주입한다.
여기서, 주입부(20)는 전처리된 샘플을 자외선-가시광선(UV-VIS) 분광기에 구비되는 셀(cell)에 주입하기 위해 전처리부(10)의 산화처리수단에 수용된 전처리된 샘플을 흡입하기 위한 흡입수단이 마련되며, 상기 흡입수단은 산화처리된 샘플의 흡입 뿐만 아니라, 흡입한 산화처리된 샘플을 자외선-가시광선 분광기의 셀에 배출한다.
분광부(30)는 자와선-가시광선 분광기의 동작을 제어하며, 자외선-가시광선 분광기가 동작되는동안 셀에 주입된 샘플의 파장별 흡광도를 측정한다.
이러한 분광부(30)는 샘플에 대한 200~600 nm의 흡광도 측정하는 것이 바람직하나, 200~600 nm 중에서도 200~400 nm의 흡광도를 측정하는 것이 가장 바람직하다.
분광부(30)가 200~400 nm의 흡광도를 측정하는 것은 도 2에 도시된 전처리 시간에 따른 원수 및/또는 처리수의 UV-VIS 스펙트럼과 같이, 전처리부(10)에서 전처리 시간(0, 2, 4, 6분)을 달리하여 전처리가 이루어진 원수 및/또는 처리수의 200~500 nm의 흡광도 파형이 대각선 아래 방향으로 감소하고 있으며, 특히 200~400 nm에서 흡광도의 감소 폭이 크기 때문이다.
또한, 도 2에서 전처리 시간이 증가할수록 파장별 흡광도가 낮은 것은 도 3에 도시된 유체의 전처리 시간에 따른 총유기탄소(Total Organic Carbon, TOC)와 UV 254의 그래프와 같이, 유체의 전처리 시간이 증가할수록 감소 폭은 좁아지나 총유기탄소 및 UV 254(자외선)의 흡광도가 계속 감소되기 때문이다.
이러한 도 3의 UV 254를 이용하는 분석방법은 현장에서 신속하게 분석이 가능하지만 실제 총유기탄소인 TOC 결과와는 차이가 있다. 반면에, 도 2의 UV-VIS 스펙트럼은 254 nm(UV 254)를 포함하는 보다 넓은 범위의 스펙트럼이 도출된다.
이에, 분석부(40)는 UV-VIS 스펙트럼을 기반으로 UV 254를 이용하는 분석방법보다 총유기탄소에 근접한 판단을 수행하기 위해 분광부(30)로부터 측정되는 샘플의 파장별 흡광도를 통해 UV-VIS 스펙트럼을 출력하며, 출력한 UV-VIS 스펙트럼의 모니터링을 통해 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 분석한다.
이러한 분석부(40)는 분광부(30)가 측정하는 200~600 nm의 흡광도를 기반으로 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 분석하는 것이 바람직하나, 분광부(30)가 측정하는 200~400 nm의 흡광도를 기반으로 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 분석하는 것이 가장 바람직하다.
또한, 분석부(40)는 도 4 내지 5에 도시된 바와 같이, 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 분석하기 위한 합성곱 인공신경망 모델(41)과 수치 분석 모델(42)이 기저장되며, 합성곱 인공신경망 모델(41)과 수치 분석 모델(42) 중 적어도 하나를 이용하여 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 분석하는 것이 바람직하다.
합성곱 인공신경망 모델(41)은 합성곱층 및 풀링층 등으로 이루어지는 합성곱 신경망(Convolutional neural network, CNN) 기반의 모델로서, 이하의 분석 과정을 통해 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 분석할 수 있다.
먼저, 합성곱 인공신경망 모델(41)은 라벨링된 복수의 학습 UV-VIS 스펙트럼 중 적어도 하나의 학습 UV-VIS 스펙트럼을 수집한 후, 상기 UV-VIS 스펙트럼 내에서 스펙트럼 영역을 지정한다.
여기서, 라벨링된 복수의 학습 UV-VIS 스펙트럼은 분석부(40)에 기저장될 수 있으며, 샘플의 유기물 저감 정도가 적정(정상) 및 미흡(비정상)인 UV-VIS 스펙트럼과 원수 및/또는 처리수의 변동, 전처리부(10)의 작동 이상 등과 같은 유기물 저감 모니터링 시스템(1)의 동작 과정에 대한 이상 상황의 UV-VIS 스펙트럼이 포함될 수 있다.
다음으로, 합성곱 인공신경망 모델(41)은 스펙트럼 영역을 200×200에 준하는 픽셀 또는 돗트로 설정하며, 스펙트럼 영역에서 복수의 뉴런으로 구성된 합성곱 레이어의 가중치(weight)와 합산(sumproduct)하고 편향(bias)을 더한다.
상기 및 이하에서, 복수는 3개일 수 있으나 이로 한정되는 것은 아니며, 정확도를 향상시키거나 라벨링 개수에 따라 변경될 수 있다. 또한, 합성곱 레이어는 3×3의 필터를 가질 수 있고, 합산은 각 일치하는 행렬 요소를 곱한 후 모두 더하여 복수개 뉴런의 출력 레이어를 생성하는 과정을 의미할 수 있다.
다음으로, 합성곱 인공신경망 모델(41)은 합성곱 레이어의 순회를 통해 스펙트럼 영역 내에서 하나의 픽셀씩 옮겨가면서 영역을 지정하고, 지정된 영역을 다층으로 합산한다. 이에, 복수개 뉴런의 출력 레이어는 198×198 돗트로 구성되며 3개의 행렬이 생성된다.
다음으로, 합성곱 인공신경망 모델(41)은 스펙트럼 영역을 200×200 돗트로 설정했을 경우, 합성곱 적용 결과인 198×198 돗트의 출력 뉴런 3개를 활성화 함수(Sigmoid)에 통과시켜 동일한 뉴런 개수인 3개의 활성층(Activation Layers)을 도출한다.
다음으로, 합성곱 인공신경망 모델(41)은 활성층을 구획하여 최대값을 도출하기 위한 풀링층(Pooling layers)을 형성한다. 이때, 활성층은 2×2씩 구획하는 것이 바람직하나 이로 한정되는 것은 아니며, 활성층을 2×2씩 구획하는 경우 풀링층은 3개의 99×99가 된다.
다음으로, 합성곱 인공신경망 모델(41)은 풀링층에 대한 동일 행렬의 가중치 행렬을 합산하고 편향을 더하여 결과층을 얻는다.
이때, 결과층은 합성곱 인공신경망 모델(41)이 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 적정 또는 미흡으로 판단하거나, 유기물 저감 모니터링 시스템(1)의 동작 과정에 대한 이상 상황을 판단할 수 있도록 하기 위한 결과 값을 가지는 것이 바람직하다.
다음으로, 합성곱 인공신경망 모델(41)은 결과층의 결과 값을 통해 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 적정 또는 미흡으로 판단하거나, 유기물 저감 모니터링 시스템(1)의 동작 과정에 대한 이상 상황을 판단한 후에 라벨링할 수 있다.
다음으로, 합성곱 인공신경망 모델(41)로부터 라벨링된 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도는 합성곱 인공신경망 모델(41)의 학습을 위해 분석부(40)에 기저장된다.
한편, 상기 합성곱 인공신경망 모델(41)의 분석 과정에서 합성곱 인공신경망 모델(41)은 가중치 및 편향을 임의로 구성(계산)할 수 있으나, 학습 UV-VIS 스펙트럼을 통해 학습된 경사하강법 및/또는 오차역전파법으로 정확도를 높이는 학습을 수행할 수 있다. 여기서, 경사 하강법(Gradient Descent)은 머신러닝 및 딥러닝 알고리즘을 학습시킬때 사용하는 방법 중 하나로, 1차 근사값 발견에 최적화된 알고리즘이다. 함수의 기울기를 측정하여 기울기가 낮은 쪽으로 계속 이동시키며, 극값(최적값)에 이를 때까지 이동을 반복하여 1차 근사값을 발견한다. 오차역전파법이란 경사하강법과 같이 모델의 오차를 줄이기 위해 파라미터의 최적값을 찾는 방법이며, 모델의 합성함수와 오차함수의 상관관계를 연쇄함수를 이용해 정의하고, 이로부터 오차함수의 기울기를 모델의 파라미터에 재차 적용하여 최적값에 도달하는 방법으로 이를 통해 정확도를 높이는 학습을 할 수 있다.
수치 분석 모델(42)은 이하의 분석 과정을 통해 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 분석할 수 있다.
먼저, 수치 분석 모델(42)은 분광부(30)로부터 측정된 파장별 흡광도를 기반으로 자외선-가시광선 분광기의 셀에 주입된 샘플에 대한 UV-VIS 스펙트럼의 수치 또는 면적을 산출한다.
다음으로, 수치 분석 모델(42)은 자외선-가시광선 분광기의 셀에 주입된 샘플에 대한 UV-VIS 스펙트럼의 수치 또는 면적을 라벨링된 복수의 학습 UV-VIS 스펙트럼 중 샘플의 유기물 저감 정도가 적정이었을 때에 대한 학습 UV-VIS 스펙트럼의 수치 또는 면적과 비교한다.
이때, UV-VIS 스펙트럼의 수치 비교는 동일한 파장에서의 흡광도의 값을 비교하는 것이다. 구체적인 일례로, 자외선-가시광선 분광기의 셀에 주입된 샘플에 대한 UV-VIS 스펙트럼의 250 nm의 흡광도는 샘플의 유기물 저감 정도가 적정이었을 때에 대한 학습 UV-VIS 스펙트럼의 250 nm의 흡광도와 비교될 수 있다.
또한, UV-VIS 스펙트럼의 면적 비교는 동일한 전처리 시간의 UV-VIS 스펙트럼의 면적을 비교하는 것이다. 구체적인 일례로, 자외선-가시광선 분광기의 셀에 주입된 샘플에 대한 UV-VIS 스펙트럼이 전처리부(10)로부터 30분 전처리된 샘플의 UV-VIS 스펙트럼인 경우, 상기 UV-VIS 스펙트럼과 비교될 샘플의 유기물 저감 정도가 적정이었을 때에 대한 학습 UV-VIS 스펙트럼은 30분 전처리된 샘플의 UV-VIS 스펙트럼이 포함될 수 있다.
UV-VIS 스펙트럼의 수치 또는 면적 비교 다음으로, 수치 분석 모델(42)은 UV-VIS 스펙트럼의 수치 또는 면적 비교를 통해 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 적정 또는 미흡으로 판단하거나, 유기물 저감 모니터링 시스템(1)의 동작 과정에 대한 이상 상황을 판단할 수 있다.
이때, 수치 분석 모델(42)은 자외선-가시광선 분광기의 셀에 주입된 샘플에 대한 UV-VIS 스펙트럼의 수치 또는 면적이 샘플의 유기물 저감 정도가 적정이었을 때에 대한 학습 UV-VIS 스펙트럼의 수치 또는 면적과 유사한 경우, 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도가 적정하다고 판단할 수 있다.
또한, 수치 분석 모델(42)은 자외선-가시광선 분광기의 셀에 주입된 샘플에 대한 UV-VIS 스펙트럼의 수치 또는 면적이 샘플의 유기물 저감 정도가 적정이었을 때에 대한 학습 UV-VIS 스펙트럼의 수치 또는 면적과 유사하지 않는 경우, 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도가 미흡하거나, 유기물 저감 모니터링 시스템(1)의 동작 과정에 이상 상황이 발생된 것으로 판단할 수 있다.
한편, 본 발명의 유기물 저감 모니터링 시스템(1)은 분석부(40)로부터 판단된 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도에 따라 원수 및/또는 처리수의 공급량, 유속, 전처리 시간, 방류수량 등과 같은 전처리부(10)의 전처리 과정을 포함하는 유기물 저감 모니터링 시스템(1)의 동작(운전)을 제어할 수 있는 제어장치를 더 포함할 수 있다.
상기 제어장치는 하기의 [표 1]과 같이, 분석부(40)로부터 판단된 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도에 따라 유기물 저감 모니터링 시스템(1)의 동작을 제어할 수 있다.
| 라벨링 | 원인 | 자동제어 |
| 적정 | - | 동작 유지 |
| 미흡 | 전처리 강도(시간) 감소 유량 증가 첨가제(촉매) 감소 |
전처리 강도(시간) 증가 유량 감소 첨가제(촉매) 주입 |
| 미처리 | 전처리부 동작 불량 | 전처리부 또는 전체 구성 운전 정지 |
| 수질 변동 | 원수 및/또는 처리수의 수질 변동 | 원수 및/또는 처리수 저장조로 리턴 |
상기 [표 1]과 같이, 분석부(40)가 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 적정으로 판단하는 경우, 제어장치는 유기물 저감 모니터링 시스템(1)의 전체 동작을 유지할 수 있다.
또한, 분석부(40)가 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 통해 전처리부(10)의 전처리 강도(시간)가 감소한 것으로 판단하는 경우, 제어장치는 전처리부(10)가 채취한 원수 및/또는 처리수의 샘플의 유기물 저감이 가능토록 전처리부(10)의 전처리 강도(시간)를 증가시킬 수 있다.
그리고 분석부(40)가 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 통해 전처리부(10)가 채취한 원수 및/처리수 샘플의 유량이 증가된 것으로 판단하는 경우, 제어장치는 전처리부(10)가 채취한 원수 및/또는 처리수 샘플의 유량이 감소되도록 전처리부(10)를 제어하여 원수 및/또는 처리수 샘플의 일부를 외부로 배출시킬 수 있다.
또한, 분석부(40)가 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 통해 전처리부(10)가 채취한 원수 및/또는 처리수의 샘플에 첨가제(촉매)가 기설정된 투입량만큼 투입되지 않은 것으로 판단하는 경우, 제어장치는 전처리부(10)를 제어하여 원수 및/또는 처리수의 샘플에 첨가제(촉매)를 추가적으로 투입시킬 수 있다. 여기서, 첨가제(촉매)는 전처리부(10)가 고도산화처리를 통해 원수 및/또는 처리수의 샘플의 유기물을 저감하는 경우, 자외선과 오존일 수 있다.
그리고 분석부(40)가 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 통해 이상 상황 중 하나로서 전처리부(10)의 동작 불량에 따라 원수 및/또는 처리수가 미처리된 것으로 판단하는 경우, 제어장치는 전처리부(10) 또는 유기물 저감 모니터링 시스템(1)의 전체 동작을 정지시킬 수 있다.
또한, 분석부(40)가 자외선-가시광선 분광기의 셀에 주입된 샘플의 유기물 저감 정도를 통해 이상 상황 중 하나로서 원수 및/또는 처리수의 수질이 변동된 것으로 판단하는 경우, 제어장치는 전처리부(10)를 제어하여 채취한 원수 및/또는 처리수의 샘플 전부를 외부로 배출시킬 수 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
1: 모니터링 시스템,
10: 전처리부,
20: 주입부,
30: 분광부,
40: 분석부,
41: 합성곱 인공신경망 모델,
42: 수치 분석 모델.
10: 전처리부,
20: 주입부,
30: 분광부,
40: 분석부,
41: 합성곱 인공신경망 모델,
42: 수치 분석 모델.
Claims (9)
- 유기물 저감 모니터링 시스템에 있어서,
원수 및/또는 처리수의 샘플을 채취한 후, 상기 샘플의 산화처리를 통해 상기 샘플의 유기물을 저감시키는 전처리부;
상기 전처리부로부터 전처리된 샘플을 자외선-가시광선(UV-VIS) 분광기의 셀에 주입하는 주입부;
상기 자외선-가시광선 분광기의 셀에 주입된 샘플의 파장별 흡광도를 측정하는 분광부; 및
합성곱 인공신경망(CNN) 모델 및/또는 수치 분석 모델이 상기 샘플의 파장별 흡광도를 통해 출력하는 UV-VIS 스펙트럼을 기반으로 상기 셀에 주입된 샘플의 유기물 저감 정도를 분석하는 분석부;를 포함하는 것을 특징으로 하는 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템. - 제 1 항에 있어서,
상기 분광부는,
상기 자외선-가시광선 분광기로부터 200~600 nm의 자외선-가시광선이 출력되도록 제어하여 상기 셀에 주입된 샘플의 200~600 nm의 흡광도를 측정하며,
상기 분석부는,
상기 합성곱 인공신경망 모델 및/또는 상기 수치 분석 모델이 200~600 nm의 흡광도로부터 출력되는 UV-VIS 스펙트럼을 통해 상기 셀에 주입된 샘플의 유기물 저감 정도를 분석하는 것을 특징으로 하는 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템. - 제 2 항에 있어서,
상기 합성곱 인공신경망 모델은,
라벨링된 복수의 학습 UV-VIS 스펙트럼 중 적어도 하나의 학습 UV-VIS 스펙트럼을 수집한 후, 상기 학습 UV-VIS 스펙트럼 내에서 스펙트럼 영역을 지정하며,
지정된 스펙트럼 영역을 픽셀 또는 돗트로 설정한 후, 상기 스펙트럼 영역을 복수개의 뉴런으로 출력층이 나오게 하는 복수개의 합성곱 레이어를 생성하고, 상기 합성곱 레이어의 가중치와 합산하고 편향을 더하여 복수개 뉴런의 출력 레이어를 생성하며,
상기 복수개 뉴런의 출력 레이어를 활성화 함수에 통과시켜 상기 복수개의 뉴런의 출력 레이어와 동일 개수의 활성층을 도출하고,
상기 활성층을 구획하여 최대값을 도출하기 위한 풀링층을 형성하며,
상기 풀링층에 대한 동일 행렬의 가중치 행렬을 합산하고 편향을 더하여 결과층을 도출하고,
상기 결과층의 결과 값을 원-핫 구조로 인코딩하여 상기 셀에 주입된 샘플의 유기물 저감 정도를 적정 또는 미흡으로 판단하거나, 상기 유기물 저감 모니터링 시스템의 이상 상황을 판단한 후에 라벨링하는 것을 특징으로 하는 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템. - 제 3 항에 있어서,
상기 합성곱 인공신경망 모델은,
상기 학습 UV-VIS 스펙트럼을 통해 학습된 경사하강법 및/또는 오차역전파법을 기반으로 가중치와 편향을 구성하는 것을 특징으로 하는 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템. - 제 4 항에 잇어서,
상기 합성곱 인공신경망 모델은,
상기 스펙트럼 영역을 200×200에 준하는 픽셀 또는 돗트로 설정하고, 상기 스펙트럼 영역에서 복수개 뉴런이 나오도록, 3×3 필터를 가지는 복수개의 합성곱 레이어를 생성하는 것을 특징으로 하는 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템. - 제 5 항에 있어서,
상기 합성곱 인공신경망 모델은,
상기 스펙트럼 영역 내에서 상기 합성곱 레이어의 순회를 통해 합성곱하여 198×198의 픽셀 또는 돗트로 구성된 복수개의 출력 레이어를 생성하는 것을 특징으로 하는 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템. - 제 6 항에 있어서,
상기 합성곱 인공신경망 모델은,
상기 출력 레이어를 시그모이드 함수인 상기 활성화 함수에 통과시켜 복수의 활성층을 도출하는 것을 특징으로 하는 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템. - 제 7 항에 있어서,
상기 합성곱 인공신경망 모델은,
상기 활성층을 2×2씩 구획하여 99×99의 픽셀 또는 돗트로 이루어지는 복수개 뉴런의 풀링층을 생성하며, 상기 풀링층에 대한 99×99의 가중치 행렬을 합산하고 편향을 더하여 결과층을 도출하는 것을 특징으로 하는 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템. - 제 2 항에 있어서,
상기 수치 분석 모델은,
상기 샘플에 대한 UV-VIS 스펙트럼의 수치 또는 면적을 산출한 후, 상기 샘플에 대한 UV-VIS 스펙트럼의 수치 또는 면적을 라벨링된 복수의 학습 UV-VIS 스펙트럼 중 샘플의 유기물 저감 정도가 적정이었을 때에 대한 학습 UV-VIS 스펙트럼의 수치 또는 면적과 비교하여 상기 샘플의 유기물 저감 정도를 적정 또는 미흡으로 판단하거나, 상기 유기물 저감 모니터링 시스템의 이상 상황으로 판단하는 것을 특징으로 하는 UV-VIS 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200188166A KR102453440B1 (ko) | 2020-12-30 | 2020-12-30 | Uv-vis 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200188166A KR102453440B1 (ko) | 2020-12-30 | 2020-12-30 | Uv-vis 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220096046A true KR20220096046A (ko) | 2022-07-07 |
| KR102453440B1 KR102453440B1 (ko) | 2022-10-12 |
Family
ID=82398514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200188166A KR102453440B1 (ko) | 2020-12-30 | 2020-12-30 | Uv-vis 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102453440B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102540068B1 (ko) * | 2022-12-07 | 2023-06-05 | 한국건설기술연구원 | Uv-vis 스펙트럼의 푸리에 변환 기법을 이용한 고농도 유기폐수 처리 실시간 모니터링 시스템 및 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100423115B1 (ko) * | 2002-09-19 | 2004-03-18 | (주) 이스텍 | 화상을 이용한 수질측정장치 및 수질측정방법 |
| KR100622074B1 (ko) | 2004-03-26 | 2006-09-14 | 한국과학기술연구원 | 광학센서를 이용한 수질측정 방법 및 장치 |
| KR20180103546A (ko) * | 2017-03-10 | 2018-09-19 | (주) 테크로스 | 샘플수 분석장치 및 방법 |
| KR20190023152A (ko) * | 2017-08-28 | 2019-03-08 | 주식회사 아르고테크놀리지 | 양식장 수질 모니터링 시스템 |
-
2020
- 2020-12-30 KR KR1020200188166A patent/KR102453440B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100423115B1 (ko) * | 2002-09-19 | 2004-03-18 | (주) 이스텍 | 화상을 이용한 수질측정장치 및 수질측정방법 |
| KR100622074B1 (ko) | 2004-03-26 | 2006-09-14 | 한국과학기술연구원 | 광학센서를 이용한 수질측정 방법 및 장치 |
| KR20180103546A (ko) * | 2017-03-10 | 2018-09-19 | (주) 테크로스 | 샘플수 분석장치 및 방법 |
| KR20190023152A (ko) * | 2017-08-28 | 2019-03-08 | 주식회사 아르고테크놀리지 | 양식장 수질 모니터링 시스템 |
Non-Patent Citations (1)
| Title |
|---|
| 이승수 외 2 '깊이맵 생성 알고리즘의 합성곱 신경망 구현' (방송공학회논문지, Vol.23, No.1, 2018.01.30.) pp.3-10. * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102453440B1 (ko) | 2022-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102453440B1 (ko) | Uv-vis 스펙트럼 분석을 이용한 처리수 내 유기물 저감 모니터링 시스템 | |
| Bieroza et al. | Classification and calibration of organic matter fluorescence data with multiway analysis methods and artificial neural networks: an operational tool for improved drinking water treatment | |
| KR20090095542A (ko) | 광독립영양 유기물의 광합성 파라미터를 형광측정법적으로 측정하는 방법, 상기 방법을 수행하는 장치 및 측정 챔버 | |
| CN111354423A (zh) | 一种基于多元时间序列分析的自组织递归模糊神经网络的出水氨氮浓度预测方法 | |
| Galinha et al. | Real-time monitoring of membrane bioreactors with 2D-fluorescence data and statistically based models | |
| Kaur et al. | Parametric optimization and MCR-ALS kinetic modeling of electro oxidation process for the treatment of textile wastewater | |
| CN114690700B (zh) | 一种基于plc的智能污水处理决策优化方法及系统 | |
| CN105092493B (zh) | 一种基于水样类型识别的水体cod光学测量方法 | |
| CN105067550B (zh) | 一种基于分块稀疏贝叶斯优化的红外光谱波长选择方法 | |
| CN113065095B (zh) | 一种基于紫外光谱的水中氮含量检测算法 | |
| Mohammed et al. | Optimization of solar photocatalytic biodegradability of seawater using statistical modelling | |
| EP0615618B1 (de) | Verfahren und vorrichtung zur messung der fluoreszenzrückmeldung von algen | |
| CN111615498A (zh) | 促进氧化水处理系统及方法 | |
| CN116519613A (zh) | 一种基于深度神经网络的海洋水质检测方法 | |
| CN114835241B (zh) | 污水中难降解有机物实时监测及臭氧智能投加控制方法 | |
| KR102540068B1 (ko) | Uv-vis 스펙트럼의 푸리에 변환 기법을 이용한 고농도 유기폐수 처리 실시간 모니터링 시스템 및 방법 | |
| DE102010033787B4 (de) | Verfahren zum Bestimmen einer Sauerstoffkonzentration in einer Atmosphärendruck-Plasmakammer während eines Plasmaprozesses | |
| KR102292074B1 (ko) | 실시간 다중 형광분석기와 병렬요인 분석장치를 이용한 수중의 수산화라디칼 요구량 지수 모니터링 시스템 및 그 방법 | |
| CN104964943A (zh) | 一种基于自适应Group Lasso的红外光谱波长选择方法 | |
| Dewi et al. | Measurement device of nondestructive testing (NDT) of metanil yellow dye waste concentration using artificial neural network based on microcontroller | |
| Azqhandi et al. | Application of AI in modeling of real system in chemistry | |
| Benjathapanun et al. | Binary encoded 2nd-differential spectrometry using UV-Vis spectral data and neural networks in the estimation of species type and concentration | |
| Liping et al. | Prediction and Realization of DO in sewage Treatment based on Machine Vision and BP Neural Network | |
| CN114965348B (zh) | 基于污水检测的光谱解析方法和系统 | |
| Modrogan et al. | Forecasting study for nitrate ion removal using reactive barriers |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |