KR20220113068A - 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법 - Google Patents

딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법 Download PDF

Info

Publication number
KR20220113068A
KR20220113068A KR1020210016802A KR20210016802A KR20220113068A KR 20220113068 A KR20220113068 A KR 20220113068A KR 1020210016802 A KR1020210016802 A KR 1020210016802A KR 20210016802 A KR20210016802 A KR 20210016802A KR 20220113068 A KR20220113068 A KR 20220113068A
Authority
KR
South Korea
Prior art keywords
deep learning
algae
information
water treatment
learning model
Prior art date
Application number
KR1020210016802A
Other languages
English (en)
Inventor
조경화
백상수
박상훈
Original Assignee
울산과학기술원
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 울산과학기술원 filed Critical 울산과학기술원
Priority to KR1020210016802A priority Critical patent/KR20220113068A/ko
Publication of KR20220113068A publication Critical patent/KR20220113068A/ko

Links

Images

Classifications

    • 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—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01D—SEPARATION
    • B01D35/00—Filtering devices having features not specifically covered by groups B01D24/00 - B01D33/00, or for applications not specifically covered by groups B01D24/00 - B01D33/00; Auxiliary devices for filtration; Filter housing constructions
    • B01D35/02—Filters adapted for location in special places, e.g. pipe-lines, pumps, stop-cocks
    • 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
    • C02F1/40—Devices for separating or removing fatty or oily substances or similar floating material
    • 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
    • C02F1/52—Treatment of water, waste water, or sewage by flocculation or precipitation of suspended impurities
    • 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
    • C02F1/72—Treatment of water, waste water, or sewage by oxidation
    • C02F1/78—Treatment of water, waste water, or sewage by oxidation with ozone
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Hydrology & Water Resources (AREA)
  • Environmental & Geological Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Organic Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Analytical Chemistry (AREA)
  • Separation Of Suspended Particles By Flocculating Agents (AREA)

Abstract

본 발명에 따른 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법은, 딥 러닝을 통해 수처리 시설로 유입되는 유입수에 분포하는 조류의 종과 조류의 개체수를 자동 검출함으로써, 조류 변화를 보다 신속하게 인식하고 조류 변화에 적합하게 수처리 공정을 수행할 수 있으므로 수처리 효율이 보다 향상될 수 있다. 또한, 딥 러닝을 통해 유입수의 수질이나 조류의 종과 개체수에 따라 적합한 최적 공정 변수를 자동 도출함으로써, 수질 변화와 조류 변화에 보다 신속하게 대응할 수 있으므로, 수처리 효율이 보다 향상될 수 있다. 또한, 수처리 공정들의 비용 효율을 반영하여 공정변수 도출 딥러닝 모델을 강화학습시킴으로써, 수처리 공정들의 최적 공정 변수 도출시 비용 효율을 반영함으로써, 수처리 비용은 절감하면서도 수처리 효율은 향상시킬 수 있다.

Description

딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법{Method of optimizing the process of water treatment for the removal of algae using deep learning}
본 발명은 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법에 관한 것으로서, 보다 상세하게는 딥 러닝을 이용하여 조류 정보와 수질 정보에 따라 최적의 수처리 공정을 위한 최적 공정 변수를 도출할 수 있는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법에 관한 것이다.
정수 처리 시설은 상수원에서 송수되어 온 원수를 급배수 지역의 근교에서 사용에 적합한 수질로 정화하는 시설이다.
한편, 상수원에서 일시적으로 과다하게 조류가 발생할 경우, 조류 유입에 따른 응집 공정이 원활하게 가동되지 않게 되어 정수 처리 과정에 문제가 발생될 수 있으므로, 조류를 제거하기 위한 약품의 투입량을 증가시키는 등 대책이 필요하다.
따라서, 정수 처리 시설에는 상수원으로부터 유입되는 유입수의 조류 제거를 위한 다양한 기술들을 마련하고 있지만, 유입수를 분석하여 조류를 파악하는 데 많은 시간을 필요로 하기 때문에, 조류 발생에 신속한 대응이 어려운 한계가 있다.
한국등록특허 제10-2149170호
본 발명의 목적은, 수처리 공정의 비용 효율을 최대화할 수 있는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법을 제공하는 데 있다.
본 발명의 실시예에 따른 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법은, 수처리 시설의 실험 또는 시뮬레이션을 통해 미리 구축된 학습용 데이터 중에서 유입수를 촬영한 이미지 정보를 입력 변수로 하고, 상기 이미지 정보에 분포하는 조류의 종과 개체수를 포함한 조류 정보를 출력 변수로 하여 딥러닝을 진행하여, 상기 이미지 정보로부터 상기 조류 정보를 검출하기 위한 조류정보 검출 딥러닝 모델을 생성하는 제1딥러닝 모델 생성단계와; 상기 학습용 데이터 중에서 상기 조류 정보, 수질 정보 및 복수의 수처리 공정들에 기입력된 기존 공정 변수를 입력 변수로 하고, 상기 조류 정보와 상기 수질 정보에 적합하게 설정된 최적 공정 변수들을 출력 변수로 하여 딥러닝을 진행하여, 상기 조류 정보와 상기 수질 정보에 적합한 최적 공정 변수들을 도출하기 위한 공정변수 도출 딥러닝 모델을 생성하는 제2딥러닝 모델 생성단계와; 상기 수처리 시설의 실제 작동시, 상기 수처리 시설로 실시간으로 유입되는 유입수를 촬영한 이미지 정보를 상기 조류정보 검출 딥러닝 모델에 입력하여, 상기 조류정보 검출 딥러닝 모델로부터 조류의 종과 개체수를 포함하는 실시간 조류 정보를 검출하는 조류정보 검출단계와; 상기 조류정보 검출단계에서 검출된 실시간 조류 정보, 상기 유입수로부터 실시간으로 측정한 실시간 수질 정보 및 상기 수처리 공정들에 기입력된 기존 공정 변수를 상기 공정변수 도출 딥러닝 모델에 입력하고 강화학습을 진행하여, 상기 공정변수 도출 딥러닝 모델로부터 상기 실시간 조류 정보와 상기 실시간 수질 정보에 적합한 최적 공정 변수를 도출하는 공정변수 도출단계를 포함하고, 상기 수처리 공정은, 전 오존 처리 공정, 혼화 공정, 응집침전 공정, 여과 공정, 후 오존 처리 공정 및 배수 공정을 포함하고, 상기 수처리 공정에 대한 상기 기존 공정 변수와 상기 최적 공정 변수는, 상기 전 오존 처리 공정에서 사용되는 전 오존 사용량, 상기 혼화 공정에서 사용되는 혼화제 투여량, 교반 강도 및 교반 시간, 상기 응집침전 공정에서 사용되는 응집제 종류와 응집제 투여량, 상기 여과 공정에서 체류 시간, 상기 후 오존 처리 공정에서 사용되는 후 오존 사용량을 포함한다.
상기 공정변수 도출단계에서 도출된 최적 공정 변수에 따른 비용 효율(cost-effectiveness)을 미리 설정된 알고리즘을 이용하여 계산하는 비용효율 계산단계를 더 포함한다.
상기 공정변수 도출단계에서는, 상기 비용효율 계산단계에서 계산된 비용 효율에 따라 설정된 리워드를 반영하여 상기 공정변수 도출 딥러닝 모델의 강화학습을 진행한다.
상기 수질 정보는, 부유물질 총량(TSS,Total suspended solids), 탁도, pH를 포함한다.
상기 제1딥러닝 모델 생성단계에서는, R-CNN(Regional Convolutional Neural Network) 신경망을 이용하여 딥러닝한다.
상기 최적 공정 변수는, 염소 사용량, 슬러지 회수 주기 및 여과 보조제 투입량을 더 포함한다.
본 발명의 다른 측면에 따른 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법은, 수처리 시설의 실험 또는 시뮬레이션을 통해 미리 구축된 학습용 데이터 중에서 유입수를 촬영한 이미지 정보를 입력 변수로 하고, 상기 이미지 정보에 분포하는 조류의 종과 개체수를 포함한 조류 정보를 출력 변수로 하여 딥러닝을 진행하여, 상기 이미지 정보로부터 상기 조류 정보를 검출하기 위한 조류정보 검출 딥러닝 모델을 생성하는 제1딥러닝 모델 생성단계와; 상기 학습용 데이터 중에서 상기 조류 정보, 수질 정보 및 복수의 수처리 공정들에 기입력된 기존 공정 변수를 입력 변수로 하고, 상기 조류 정보와 상기 수질 정보에 적합하게 설정된 최적 공정 변수들을 출력 변수로 하여 딥러닝을 진행하여, 상기 조류 정보와 상기 수질 정보에 적합한 최적 공정 변수들을 도출하기 위한 공정변수 도출 딥러닝 모델을 생성하는 제2딥러닝 모델 생성단계와; 상기 수처리 시설의 실제 작동시, 상기 수처리 시설로 실시간으로 유입되는 유입수를 촬영한 이미지 정보를 상기 조류정보 검출 딥러닝 모델에 입력하여, 상기 조류정보 검출 딥러닝 모델로부터 조류의 종과 개체수를 포함하는 실시간 조류 정보를 검출하는 조류정보 검출단계와; 상기 조류정보 검출단계에서 검출된 실시간 조류 정보, 상기 유입수로부터 실시간으로 측정한 실시간 수질 정보 및 상기 수처리 공정들에 기입력된 기존 공정 변수를 상기 공정변수 도출 딥러닝 모델에 입력하고 강화학습을 진행하여, 상기 공정변수 도출 딥러닝 모델로부터 상기 실시간 조류 정보와 상기 실시간 수질 정보에 적합한 최적 공정 변수를 도출하는 공정변수 도출단계를 포함하고, 상기 공정변수 도출단계에서 도출된 최적 공정 변수에 따른 비용 효율(cost-effectiveness)을 미리 설정된 알고리즘을 이용하여 계산하는 비용효율 계산단계를 포함한다.
본 발명의 다른 측면에 따른 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법은, 수처리 시설의 실험 또는 시뮬레이션을 통해 미리 구축된 학습용 데이터 중에서 유입수를 촬영한 이미지 정보를 입력 변수로 하고, 상기 이미지 정보로부터 보여지는 조류 정보를 출력 변수로 하여 딥러닝을 진행하여, 상기 이미지 정보로부터 상기 조류 정보를 검출하기 위한 조류정보 검출 딥러닝 모델을 생성하는 제1딥러닝 모델 생성단계와; 상기 학습용 데이터 중에서 상기 조류 정보, 수질 정보 및 복수의 수처리 공정들에 기입력된 기존 공정 변수를 입력 변수로 하고, 상기 조류 정보와 상기 수질 정보에 적합하게 설정된 최적 공정 변수들을 출력 변수로 하여 딥러닝을 진행하여, 상기 조류 정보와 상기 수질 정보에 적합한 최적 공정 변수들을 도출하기 위한 공정변수 도출 딥러닝 모델을 생성하는 제2딥러닝 모델 생성단계와; 상기 수처리 시설의 실제 작동시, 상기 수처리 시설로 실시간으로 유입되는 유입수를 촬영한 이미지 정보를 상기 조류정보 검출 딥러닝 모델에 입력하여, 상기 조류정보 검출 딥러닝 모델로부터 실시간 조류 정보를 검출하는 조류정보 검출단계와; 상기 조류정보 검출단계에서 검출된 실시간 조류 정보, 상기 유입수로부터 실시간으로 측정한 실시간 수질 정보 및 상기 수처리 공정들에 기입력된 기존 공정 변수를 상기 공정변수 도출 딥러닝 모델에 입력하고 강화학습을 진행하여, 상기 공정변수 도출 딥러닝 모델로부터 상기 실시간 조류 정보와 상기 실시간 수질 정보에 적합한 최적 공정 변수를 도출하는 공정변수 도출단계를 포함한다.
상기 조류 정보는 조류의 종과 개체수를 포함한다.
상기 수처리 공정은, 전 오존 처리 공정, 혼화 공정, 응집침전 공정, 여과 공정, 후 오존 처리 공정 및 배수 공정 중 하나 또는 복수를 포함한다.
상기 수처리 공정은, 상기 전 오존 처리 공정, 상기 혼화 공정, 상기 응집침전 공정, 상기 여과 공정, 상기 후 오존 처리 공정 및 상기 배수 공정을 포함하고,
상기 수처리 공정에 대한 상기 기존 공정 변수와 상기 최적 공정 변수는, 상기 전 오존 처리 공정에서 사용되는 전 오존 사용량, 상기 혼화 공정에서 사용되는 혼화제 투여량, 교반 강도 및 교반 시간, 상기 응집침전 공정에서 사용되는 응집제 종류와 응집제 투여량, 상기 여과 공정에서 체류 시간, 상기 후 오존 처리 공정에서 사용되는 후 오존 사용량을 포함한다.
상기 공정변수 도출단계에서 도출된 최적 공정 변수에 따른 비용 효율(cost-effectiveness)을 미리 설정된 알고리즘을 이용하여 계산하는 비용효율 계산단계를 더 포함한다.
상기 공정변수 도출단계에서는, 상기 비용효율 계산단계에서 계산된 비용 효율에 따라 설정된 리워드를 반영하여 상기 공정변수 도출 딥러닝 모델의 강화학습을 진행한다.
상기 수질 정보는, 부유물질 총량(TSS,Total suspended solids), 탁도, pH를 포함한다.
상기 최적 공정 변수는, 염소 사용량, 슬러지 회수 주기 및 여과 보조제 투입량을 더 포함한다.
본 발명에 따른 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법은, 딥 러닝을 통해 수처리 시설로 유입되는 유입수에 분포하는 조류의 종과 조류의 개체수를 자동 검출함으로써, 조류 변화를 보다 신속하게 인식하고 조류 변화에 적합하게 수처리 공정을 수행할 수 있으므로 수처리 효율이 보다 향상될 수 있다.
또한, 딥 러닝을 통해 유입수의 수질이나 조류의 종과 개체수에 따라 적합한 최적 공정 변수를 자동 도출함으로써, 수질 변화와 조류 변화에 보다 신속하게 대응할 수 있으므로, 수처리 효율이 보다 향상될 수 있다.
또한, 수처리 공정들의 비용 효율을 반영하여 공정변수 도출 딥러닝 모델을 강화학습시킴으로써, 수처리 공정들의 최적 공정 변수 도출시 비용 효율을 반영함으로써, 수처리 비용은 절감하면서도 수처리 효율은 향상시킬 수 있다.
또한, 복수의 수처리 공정들에 대한 약품의 종류, 투입량, 처리 시간, 운전 조건 등을 포함한 모든 변수들에 대해 각각 최적값을 모두 도출할 수 있는 공정변수 도출 딥러닝 모델을 구축하여, 수질 정화에 영향을 미치는 모든 공정 변수들이 고려함으로써, 최적의 수처리 공정이 가능한 이점이 있다.
도 1은 본 발명의 실시예에 따른 딥 러닝을 통한 조류 대응 수처리 공정을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법을 나타낸 순서도이다.
도 3은 본 발명의 실시예에 따른 조류정보 검출 딥러닝 모델을 생성하는 방법을 개략적으로 나타낸 블록도이다.
도 4는 본 발명의 실시예에 따른 공정변수 도출 딥러닝 모델을 생성하는 방법을 개략적으로 나타낸 블록도이다.
도 5는 본 발명의 실시예에 따른 조류정보 검출 딥러닝 모델을 이용하여 조류정보를 검출하는 방법을 개략적으로 나타낸 블록도이다.
도 6은 본 발명의 실시예에 따른 공정변수 도출 딥러닝 모델을 이용하여 최적 공정 변수를 도출하는 방법을 개략적으로 나타낸 블록도이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 대해 설명하면 다음과 같다.
본 발명의 실시예에서 딥 러닝을 수행하고, 딥 러닝을 통해 구축된 딥러닝 모델들로부터 조류 정보와 공정 변수를 도출하고, 수처리 공정의 비용 효율을 계산하는 주체는 컴퓨터(미도시)인 것으로 예를 들어 설명한다.
도 1은 본 발명의 실시예에 따른 딥 러닝을 통한 조류 대응 수처리 공정을 개략적으로 나타낸 도면이다.
도 1을 참조하면, 본 발명의 실시예에 따른 수처리 시설은, 제1고도정수처리시설(11), 착수정(12), 혼화조(13), 응집침전지(14), 여과지(15), 제2고도정수처리시설(16) 및 정수 및 배수지(17)를 모두 포함하는 것으로 예를 들어 설명하나, 이에 한정되지 않고 적어도 일부만을 포함하거나 추가 시설을 더 포함하는 것도 물론 가능하다.
상기 제1고도정수처리시설(11)은, 전 오존 접촉조를 포함한다. 상기 제2고도정수처리시설(16)은, 후 오존 접촉조와 활성탄 흡착지를 포함한다.
상기 제1고도정수처리시설(11)은, 상수원이나 취,정수정으로부터 유입수가 유입되는 첫 번째 시설이다.
상기 제1고도정수처리시설(11)의 유입라인에는 상기 유입수의 이미지를 촬영하기 위한 촬영장치(미도시)와, 상기 유입수의 수질 정보를 측정하기 위한 센서장치(미도시)가 설치된다.
상기 수처리 시설들의 각 수처리 공정들은, 상기 제1고도정수처리시설에서 수행되는 전 오존 처리 공정, 상기 혼화조에서 수행되는 혼화 공정, 상기 응집침전지(14)에서 수행되는 응집침전 공정, 상기 여과지(15)에서 수행되는 여과 공정, 상기 제2고도정수처리시설(16)에서 수행되는 후 오존 처리 공정, 상기 정수 및 배수지(17)에서 수행되는 배수 공정 등을 포함한다.
상기와 같이 구성된 수처리 공정의 최적화 방법을 설명하면, 다음과 같다.
도 2는 본 발명의 실시예에 따른 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법을 나타낸 순서도이다.
도 2를 참조하면, 본 발명의 실시예에 따른 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법은, 딥 러닝 모델 생성단계(S10), 조류정보 검출단계(S20), 공정변수 도출단계(S30) 및 비용효율 계산단계(S40)를 포함한다.
상기 딥 러닝 모델 생성단계(S10)는, 수처리 시설의 실험 또는 시뮬레이션을 통해 미리 구축된 학습용 데이터 중 적어도 일부를 이용하여 딥 러닝을 진행하는 단계이다.
여기서, 상기 학습용 데이터는, 상기 유입수를 촬영하여 획득한 이미지 정보(I), 상기 유입수로부터 측정한 수질 정보(W), 상기 유입수에 포함된 조류 정보(A), 상기 수처리 공정들의 공정 상태정보(P0) 및 최적 공정 변수(P)를 포함한다.
상기 이미지 정보(I)는 상기 유입수를 촬영한 촬영 이미지이다. 상기 촬영 이미지로부터 조류의 종과 개체수를 검출하는 방법은 공지된 다양한 기술들을 적용가능하다.
상기 수질 정보(W)는, 부유물질 총량(TSS,Total suspended solids), 탁도, pH를 포함한다.
상기 조류 정보(A)는, 조류의 종과 조류의 개체수를 포함한다.
상기 기존 공정 변수(P0)는, 상기 수처리 공정들에 기 입력된 공정 변수 값들이다. 예를 들어, 상기 기존 공정 변수(P0)는 상기 수처리 시설의 작동 시작시에는 미리 설정된 초기값이며, 상기 수처리 시설이 작동하는 동안에는 진행 중인 수처리 공정들에 대해 기 입력된 값들이다.
상기 최적 공정 변수(P)는, 상기 조류 정보(A)와 상기 수질 정보(W)에 대응할 수 있도록 수처리 공정을 최적화시키기 위한 값이다.
상기 기존 공정 변수(P0)와 상기 최적 공정 변수(P)는 동일한 파라미터이나, 값만 서로 상이하다. 즉, 상기 기존 공정 변수(P0)와 상기 최적 공정 변수(P)는, 각 수처리 공정들마다 각각 사용되는 약품의 종류, 투여량, 처리 시간, 운전 조건, 기타 제어값 등을 포함한다.
상기 기존 공정 변수(P0)와 상기 최적 공정 변수(P)는, 상기 전 오존 처리 공정에서 사용되는 전 오존 사용량(P1), 상기 혼화 공정에서 사용되는 혼화제 투여량(P2), 교반 강도(P3) 및 교반시간(P4), 상기 응집침전 공정에서 사용되는 응집제 종류(P5)와 응집제 투여량(P6), 상기 여과 공정에서 체류 시간(P7), 상기 후 오존 처리 공정에서 사용되는 후 오존 사용량(P8)을 포함한다. 또한, 상기 기존 공정 변수(P0)와 상기 최적 공정 변수(P)는, 염소 사용량, 슬러지 회수 주기 및 여과 보조제 투입량을 더 포함한다.
상기 딥 러닝 모델 생성단계(S10)는, 조류정보 검출 딥러닝 모델(M1)을 생성하는 제1딥러닝 모델 생성단계(S11)와, 공정변수 도출 딥러닝 모델을 생성하는 제2딥러닝 모델 생성단계(S12)를 포함한다.
먼저, 상기 조류정보 검출 딥러닝 모델(M1)을 생성하는 방법은 다음과 같다.
도 3을 참조하면, 상기 제1딥러닝 모델 생성단계(S11)에서는 상기 학습 데이터 중에서 상기 이미지 정보(I)를 입력 변수로 하고, 상기 조류 정보(A)를 출력 변수로 하여, 딥러닝을 수행한다.
즉, 상기 제1딥러닝 모델 생성단계(S11)에서는 상기 학습 데이터 중에서 상기 이미지 정보(I)와 상기 조류 정보(A)를 사용하여 R-CNN(Regional Convolutional Neural Network) 신경망을 학습시키면, 상기 이미지 정보(I)로부터 상기 조류 정보(A)를 검출할 수 있는 상기 조류정보 검출 딥러닝 모델(M1)이 생성된다.
또한, 상기 공정변수 도출 딥러닝 모델을 생성하는 방법은 다음과 같다.
도 4를 참조하면, 상기 제2딥러닝 모델 생성단계(S12)에서는 상기 학습 데이터 중에서 상기 수질 정보(W), 상기 조류 정보(A), 상기 기존 공정 변수(P0)를 입력 변수로 하고, 상기 최적 공정 변수(P)를 출력 변수로 하여, 딥러닝을 수행한다.
즉, 상기 제2딥러닝 모델 생성단계(S12)에서 상기 학습 데이터 중에서 상기 수질 정보(W), 상기 조류 정보(A), 상기 기존 공정 변수(P0) 및 상기 최적 공정 변수(P)를 활용하여 딥 러닝을 진행하면, 상기 수질 정보(W), 상기 조류 정보(A), 상기 기존 공정 변수(P0)로부터 상기 최적 공정 변수(P)를 도출하는 상기 공정변수 도출 딥러닝 모델(M2)이 생성된다.
상기와 같이 상기 딥 러닝 모델 생성단계(S10)에서 상기 조류정보 검출 딥러닝 모델(M1)과 상기 공정변수 도출 딥러닝 모델(M2)이 각각 생성된다.
상기 딥 러닝 모델 생성단계(S10)에서 생성된 상기 조류정보 검출 딥러닝 모델(M1)과 상기 공정변수 도출 딥러닝 모델(M2)은, 수처리 시설의 실제 가동시 조류 정보(A)와 최적 공정 변수(P)를 도출하는 데 사용될 수 있다.
상기 조류정보 검출단계(S20)에서 상기 조류정보 검출 딥러닝 모델(M1)로부터 조류 정보(A)를 검출하는 방법은 다음과 같다.
상기 조류정보 검출단계(S20)는, 상기 수처리 시설로 실시간으로 유입되는 유입수를 촬영하여 획득한 실시간 이미지 정보(I)를 상기 조류정보 검출 딥러닝 모델(M1)에 입력하는 과정(S21)과, 상기 조류정보 검출 딥러닝 모델(M1)로부터 조류의 종과 개체수를 포함한 실시간 조류 정보(A)가 검출하는 과정(S22)을 포함한다.
여기서, 상기 조류정보 검출단계(S20)에서 검출되는 조류 정보(A)는 조류의 종과 조류의 개체수를 포함한다.
따라서, 상기 조류정보 검출 딥러닝 모델(M1)을 통해 상기 수처리 시설로 실시간으로 유입되는 유입수를 촬영한 실시간 이미지 정보(I)로부터 조류 정보(A)를 신속하게 자동 검출할 수 있다. 즉, 상기 수처리 시설로 유입되는 유입수를 육안으로 확인하거나, 유입수 중 일부를 수거하여 현미경 등을 이용하여 조류의 종이나 조류의 개체수를 확인하는 작업이 필요하지 않으므로, 조류 정보 검출이 보다 용이할 뿐만 아니라, 수처리 공정의 중단이나 지연이 발생되지 않는 이점이 있다.
이후, 상기 공정변수 도출단계(S30)에서 상기 공정변수 도출 딥러닝 모델(M2)로부터 상기 최적 공정 변수(P)를 도출하는 방법은 다음과 같다.
상기 조류정보 검출단계(S20)에서 검출된 실시간 조류 정보(A)에 대응하여 수처리 공정의 최적 공정 변수(P)를 변화시켜야 하므로, 상기 공정변수 도출 딥러닝 모델(M2)을 활용하여 새로운 최적 공정 변수(P)를 도출한다.
상기 공정변수 도출단계(S30)는, 상기 조류정보 검출단계(S20)에서 검출된 실시간 조류 정보(A), 상기 유입수로부터 실시간으로 측정한 실시간 수질 정보(W), 상기 수처리 공정들의 기존 공정 변수(P0)를 상기 공정변수 도출 딥러닝 모델(M2)에 입력하는 과정(S31)과, 상기 공정변수 도출 딥러닝 모델(M2)로부터 최적 공정 변수(P)를 도출하는 과정(S32)을 포함한다.
즉, 상기 공정변수 도출 딥러닝 모델(M2)에 상기 실시간 조류 정보(A), 상기 실시간 수질 정보(W) 및 상기 기존 공정 변수(P0)를 입력함으로써, 상기 실시간 조류 정보(A), 상기 실시간 수질 정보(W)에 적합한 최적 공정 변수(P)를 도출할 수 있다.
여기서, 상기 실시간 수질 정보(W)는, 상기 유입수로부터 실시간으로 측정한 값이며, 부유물질 총량(TSS,Total suspended solids), 탁도, pH를 포함한다.
상기 기존 공정 변수(P0)는, 상기 수처리 공정들에 기 입력된 공정 변수 값들이다. 예를 들어, 상기 기존 공정 변수(P0)는 상기 수처리 시설의 작동 시작시에는 미리 설정된 초기값이며, 상기 수처리 시설이 작동하는 동안에는 진행 중인 수처리 공정들에 대해 기 입력된 값들이다.
상기 공정변수 도출단계(S30)에서 도출되는 최적 공정 변수(P)는, 상기 전 오존 사용량(P1), 상기 혼화제 투여량(P2), 교반 강도(P3) 및 교반시간(P4), 상기 응집제 종류(P5)와 응집제 투여량(P6), 상기 체류 시간(P7), 상기 후 오존 사용량(P8), 염소 사용량, 슬러지 회수 주기 및 여과 보조제 투입량을 포함한다.
상기와 같이, 본 발명에서는 상기 실시간 수질 정보(W)와 상기 실시간 조류 정보(A)에 적합한 최적 공정 변수(P)를 도출함으로써, 실시간으로 변하는 수질이나 조류에 대응할 수 있는 상기 최적 공정 변수(P)를 적용시켜, 최적의 수처리 공정을 수행할 수 있다.
따라서, 실시간으로 변하는 유입수의 수질이나 조류 변화에 보다 신속하게 대응하여 수처리 공정을 진행할 수 있는 이점이 있다.
한편, 상기 비용효율 계산단계(S40)에서는, 상기 공정변수 도출단계(S30)에서 도출된 최적 공정 변수에 따른 비용 효율(cost-effectiveness)을 계산한다.
상기 비용 효율은, 미리 설정된 알고리즘을 이용하여 계산된다. 즉, 상기 비용 효율은, 상기 복수의 수처리 공정들에서 각각 사용되는 약품들의 종류, 각 약품의 투여량, 공정 조건 등을 포함한 최적 공정 변수들에 따른 수처리 비용과 수처리 효율이다. 상기 알고리즘에는 상기 약품들의 단가, 소비 전력, 처리 시간, 기타 비용, 수처리 결과 등이 반영되어, 상기 비용 효율을 계산하도록 설정된다.
상기 비용효율 계산단계(S40)에서 계산된 비용 효율에 따라 리워드가 설정되고, 설정된 리워드는 상기 공정변수 도출 딥러닝 모델(M2)을 강화학습시키는 데 적용된다.
즉, 상기 공정변수 도출단계(S30)에서는, 상기 수처리 공정들의 비용 효율에 따라 설정된 리워드를 반영하여 상기 공정변수 도출 딥러닝 모델(M2)의 강화학습을 진행한다.
따라서, 상기 공정변수 도출 딥러닝 모델(M2)에서는 비용 효율이 가장 좋은 최적 공정 변수(P)를 출력할 수 있다.
상기와 같이 구성된 본 발명에 따르면, 상기 수처리 시설로 유입되는 유입수의 조류의 종과 개체수에 대한 분석이 딥 러닝을 통해 자동화됨으로써, 보다 신속한 분석이 이루어질 수 있다.
또한, 상기 수처리 시설로 유입되는 유입수의 수질 변화나 조류 변화에 대응되는 최적 공정 변수를 도출하는 것이 딥 러닝을 통해 자동화됨으로써, 유입수의 수질과 조류 변화에 보다 신속하게 대응하여 최적의 수처리 공정이 진행될 수 있다.
또한, 수처리 공정들의 최적 공정 변수 도출시 비용 효율을 반영함으로써, 수처리 비용은 절감하면서도 수처리 효율은 향상시킬 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
11: 제1고도정수처리시설 12: 착수정
13: 혼화조 14: 응집침전지
15: 여과지 16: 제2고도정수처리시설
17: 정수 및 배수지 M1: 조류정보 검출 딥러닝 모델
M2: 공정변수 도출 딥러닝 모델

Claims (15)

  1. 수처리 시설의 실험 또는 시뮬레이션을 통해 미리 구축된 학습용 데이터 중에서 유입수를 촬영한 이미지 정보를 입력 변수로 하고, 상기 이미지 정보에 분포하는 조류의 종과 개체수를 포함한 조류 정보를 출력 변수로 하여 딥러닝을 진행하여, 상기 이미지 정보로부터 상기 조류 정보를 검출하기 위한 조류정보 검출 딥러닝 모델을 생성하는 제1딥러닝 모델 생성단계와;
    상기 학습용 데이터 중에서 상기 조류 정보, 수질 정보 및 복수의 수처리 공정들에 기입력된 기존 공정 변수를 입력 변수로 하고, 상기 조류 정보와 상기 수질 정보에 적합하게 설정된 최적 공정 변수들을 출력 변수로 하여 딥러닝을 진행하여, 상기 조류 정보와 상기 수질 정보에 적합한 최적 공정 변수들을 도출하기 위한 공정변수 도출 딥러닝 모델을 생성하는 제2딥러닝 모델 생성단계와;
    상기 수처리 시설의 실제 작동시, 상기 수처리 시설로 실시간으로 유입되는 유입수를 촬영한 이미지 정보를 상기 조류정보 검출 딥러닝 모델에 입력하여, 상기 조류정보 검출 딥러닝 모델로부터 조류의 종과 개체수를 포함하는 실시간 조류 정보를 검출하는 조류정보 검출단계와;
    상기 조류정보 검출단계에서 검출된 실시간 조류 정보, 상기 유입수로부터 실시간으로 측정한 실시간 수질 정보 및 상기 수처리 공정들에 기입력된 기존 공정 변수를 상기 공정변수 도출 딥러닝 모델에 입력하고 강화학습을 진행하여, 상기 공정변수 도출 딥러닝 모델로부터 상기 실시간 조류 정보와 상기 실시간 수질 정보에 적합한 최적 공정 변수를 도출하는 공정변수 도출단계를 포함하고,
    상기 수처리 공정은, 전 오존 처리 공정, 혼화 공정, 응집침전 공정, 여과 공정, 후 오존 처리 공정 및 배수 공정을 포함하고,
    상기 수처리 공정에 대한 상기 기존 공정 변수와 상기 최적 공정 변수는, 상기 전 오존 처리 공정에서 사용되는 전 오존 사용량, 상기 혼화 공정에서 사용되는 혼화제 투여량, 교반 강도 및 교반 시간, 상기 응집침전 공정에서 사용되는 응집제 종류와 응집제 투여량, 상기 여과 공정에서 체류 시간, 상기 후 오존 처리 공정에서 사용되는 후 오존 사용량을 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  2. 청구항 1에 있어서,
    상기 공정변수 도출단계에서 도출된 최적 공정 변수에 따른 비용 효율(cost-effectiveness)을 미리 설정된 알고리즘을 이용하여 계산하는 비용효율 계산단계를 더 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  3. 청구항 2에 있어서,
    상기 공정변수 도출단계에서는,
    상기 비용효율 계산단계에서 계산된 비용 효율에 따라 설정된 리워드를 반영하여 상기 공정변수 도출 딥러닝 모델의 강화학습을 진행하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  4. 청구항 1에 있어서,
    상기 수질 정보는, 부유물질 총량(TSS,Total suspended solids), 탁도, pH를 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  5. 청구항 1에 있어서,
    상기 제1딥러닝 모델 생성단계에서는, R-CNN(Regional Convolutional Neural Network) 신경망을 이용하여 딥러닝하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  6. 청구항 1에 있어서,
    상기 최적 공정 변수는,
    염소 사용량, 슬러지 회수 주기 및 여과 보조제 투입량을 더 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  7. 수처리 시설의 실험 또는 시뮬레이션을 통해 미리 구축된 학습용 데이터 중에서 유입수를 촬영한 이미지 정보를 입력 변수로 하고, 상기 이미지 정보에 분포하는 조류의 종과 개체수를 포함한 조류 정보를 출력 변수로 하여 딥러닝을 진행하여, 상기 이미지 정보로부터 상기 조류 정보를 검출하기 위한 조류정보 검출 딥러닝 모델을 생성하는 제1딥러닝 모델 생성단계와;
    상기 학습용 데이터 중에서 상기 조류 정보, 수질 정보 및 복수의 수처리 공정들에 기입력된 기존 공정 변수를 입력 변수로 하고, 상기 조류 정보와 상기 수질 정보에 적합하게 설정된 최적 공정 변수들을 출력 변수로 하여 딥러닝을 진행하여, 상기 조류 정보와 상기 수질 정보에 적합한 최적 공정 변수들을 도출하기 위한 공정변수 도출 딥러닝 모델을 생성하는 제2딥러닝 모델 생성단계와;
    상기 수처리 시설의 실제 작동시, 상기 수처리 시설로 실시간으로 유입되는 유입수를 촬영한 이미지 정보를 상기 조류정보 검출 딥러닝 모델에 입력하여, 상기 조류정보 검출 딥러닝 모델로부터 조류의 종과 개체수를 포함하는 실시간 조류 정보를 검출하는 조류정보 검출단계와;
    상기 조류정보 검출단계에서 검출된 실시간 조류 정보, 상기 유입수로부터 실시간으로 측정한 실시간 수질 정보 및 상기 수처리 공정들에 기입력된 기존 공정 변수를 상기 공정변수 도출 딥러닝 모델에 입력하고 강화학습을 진행하여, 상기 공정변수 도출 딥러닝 모델로부터 상기 실시간 조류 정보와 상기 실시간 수질 정보에 적합한 최적 공정 변수를 도출하는 공정변수 도출단계를 포함하고,
    상기 공정변수 도출단계에서 도출된 최적 공정 변수에 따른 비용 효율(cost-effectiveness)을 미리 설정된 알고리즘을 이용하여 계산하는 비용효율 계산단계를 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  8. 수처리 시설의 실험 또는 시뮬레이션을 통해 미리 구축된 학습용 데이터 중에서 유입수를 촬영한 이미지 정보를 입력 변수로 하고, 상기 이미지 정보로부터 보여지는 조류 정보를 출력 변수로 하여 딥러닝을 진행하여, 상기 이미지 정보로부터 상기 조류 정보를 검출하기 위한 조류정보 검출 딥러닝 모델을 생성하는 제1딥러닝 모델 생성단계와;
    상기 학습용 데이터 중에서 상기 조류 정보, 수질 정보 및 복수의 수처리 공정들에 기입력된 기존 공정 변수를 입력 변수로 하고, 상기 조류 정보와 상기 수질 정보에 적합하게 설정된 최적 공정 변수들을 출력 변수로 하여 딥러닝을 진행하여, 상기 조류 정보와 상기 수질 정보에 적합한 최적 공정 변수들을 도출하기 위한 공정변수 도출 딥러닝 모델을 생성하는 제2딥러닝 모델 생성단계와;
    상기 수처리 시설의 실제 작동시, 상기 수처리 시설로 실시간으로 유입되는 유입수를 촬영한 이미지 정보를 상기 조류정보 검출 딥러닝 모델에 입력하여, 상기 조류정보 검출 딥러닝 모델로부터 실시간 조류 정보를 검출하는 조류정보 검출단계와;
    상기 조류정보 검출단계에서 검출된 실시간 조류 정보, 상기 유입수로부터 실시간으로 측정한 실시간 수질 정보 및 상기 수처리 공정들에 기입력된 기존 공정 변수를 상기 공정변수 도출 딥러닝 모델에 입력하고 강화학습을 진행하여, 상기 공정변수 도출 딥러닝 모델로부터 상기 실시간 조류 정보와 상기 실시간 수질 정보에 적합한 최적 공정 변수를 도출하는 공정변수 도출단계를 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  9. 청구항 8에 있어서,
    상기 조류 정보는 조류의 종과 개체수를 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  10. 청구항 8에 있어서,
    상기 수처리 공정은, 전 오존 처리 공정, 혼화 공정, 응집침전 공정, 여과 공정, 후 오존 처리 공정 및 배수 공정 중 하나 또는 복수를 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  11. 청구항 8에 있어서,
    상기 수처리 공정은, 상기 전 오존 처리 공정, 상기 혼화 공정, 상기 응집침전 공정, 상기 여과 공정, 상기 후 오존 처리 공정 및 상기 배수 공정을 포함하고,
    상기 수처리 공정에 대한 상기 기존 공정 변수와 상기 최적 공정 변수는, 상기 전 오존 처리 공정에서 사용되는 전 오존 사용량, 상기 혼화 공정에서 사용되는 혼화제 투여량, 교반 강도 및 교반 시간, 상기 응집침전 공정에서 사용되는 응집제 종류와 응집제 투여량, 상기 여과 공정에서 체류 시간, 상기 후 오존 처리 공정에서 사용되는 후 오존 사용량을 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  12. 청구항 8에 있어서,
    상기 공정변수 도출단계에서 도출된 최적 공정 변수에 따른 비용 효율(cost-effectiveness)을 미리 설정된 알고리즘을 이용하여 계산하는 비용효율 계산단계를 더 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  13. 청구항 12에 있어서,
    상기 공정변수 도출단계에서는,
    상기 비용효율 계산단계에서 계산된 비용 효율에 따라 설정된 리워드를 반영하여 상기 공정변수 도출 딥러닝 모델의 강화학습을 진행하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  14. 청구항 8에 있어서,
    상기 수질 정보는, 부유물질 총량(TSS,Total suspended solids), 탁도, pH를 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
  15. 청구항 8에 있어서,
    상기 최적 공정 변수는,
    염소 사용량, 슬러지 회수 주기 및 여과 보조제 투입량을 더 포함하는 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법.
KR1020210016802A 2021-02-05 2021-02-05 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법 KR20220113068A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210016802A KR20220113068A (ko) 2021-02-05 2021-02-05 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210016802A KR20220113068A (ko) 2021-02-05 2021-02-05 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법

Publications (1)

Publication Number Publication Date
KR20220113068A true KR20220113068A (ko) 2022-08-12

Family

ID=82803874

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210016802A KR20220113068A (ko) 2021-02-05 2021-02-05 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법

Country Status (1)

Country Link
KR (1) KR20220113068A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102632229B1 (ko) * 2023-03-23 2024-02-02 주식회사 비즈데이터 스마트 수처리 시스템 및 그 구축 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102149170B1 (ko) 2018-09-18 2020-08-28 (주)썬앤씨 고전압 마이크로펄스 방전을 이용한 상수도 정수처리 방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102149170B1 (ko) 2018-09-18 2020-08-28 (주)썬앤씨 고전압 마이크로펄스 방전을 이용한 상수도 정수처리 방법 및 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102632229B1 (ko) * 2023-03-23 2024-02-02 주식회사 비즈데이터 스마트 수처리 시스템 및 그 구축 방법

Similar Documents

Publication Publication Date Title
CN103744293B (zh) 基于模糊神经网络的废水处理监控方法和系统
JP7076356B2 (ja) 排水処理方法
JP7043983B2 (ja) 汚水処理施設の水質判定装置及び水質判定方法
KR102261819B1 (ko) 인공지능 시뮬레이션을 이용한 정수처리장의 운영 시스템
CN117171661B (zh) 一种化工厂污水处理监控方法及系统
KR101889510B1 (ko) 심층 신경망을 이용한 정수 처리에서의 응집제 주입률 예측 방법
CN102385315A (zh) 水厂智能混凝投药控制系统及其控制方法
KR20110068817A (ko) 수처리 시스템에서의 막오염 예측을 이용한 막오염 예측 및 완화 세정 방법 및 시스템
Wang et al. A data-driven optimization model for coagulant dosage decision in industrial wastewater treatment
KR102440371B1 (ko) 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체
JP2000218263A (ja) 水質制御方法及びその装置
KR20220113068A (ko) 딥 러닝을 통한 조류 대응 수처리 공정의 최적화 방법
CN113705898A (zh) 自来水混凝剂加药量的预测方法及系统
Vijayaraghavan et al. A quick review on applications of fuzzy logic in waste water treatment
KR20120001116A (ko) 하폐수 처리장의 공정진단 시스템 및 방법
dos Santos et al. Intelligent system for improving dosage control
JP2011197714A (ja) プロセス制御システム
KR100331708B1 (ko) 상수처리 시스템의 응집제 주입율 자동 연산 장치 및 방법
CN116216819A (zh) 智慧水务数据分析管理系统及方法
WO2014141837A1 (ja) ノウハウ可視化装置及びノウハウ可視化方法
US20230257283A1 (en) Process, system, and computer readable storage medium for determining optimal coagulant dosage
JP5859866B2 (ja) 監視対象量予測方法及び監視対象量予測装置
CN1112694A (zh) 净水工艺混凝剂投加量的优化控制
Hawari et al. Predicting the performance of multi-media filters using artificial neural networks
CN116433041B (zh) 一种小流域水生态的集成治理方法及系统