KR20240110257A - 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법 - Google Patents
스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법 Download PDFInfo
- Publication number
- KR20240110257A KR20240110257A KR1020230002125A KR20230002125A KR20240110257A KR 20240110257 A KR20240110257 A KR 20240110257A KR 1020230002125 A KR1020230002125 A KR 1020230002125A KR 20230002125 A KR20230002125 A KR 20230002125A KR 20240110257 A KR20240110257 A KR 20240110257A
- Authority
- KR
- South Korea
- Prior art keywords
- organic carbon
- total organic
- neural network
- data
- treated water
- Prior art date
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 91
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 91
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 238000011071 total organic carbon measurement Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 239000007788 liquid Substances 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 26
- 230000000007 visual effect Effects 0.000 description 13
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000003647 oxidation Effects 0.000 description 5
- 238000007254 oxidation reaction Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 230000001590 oxidative effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000009279 wet oxidation reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- JRKICGRDRMAZLK-UHFFFAOYSA-L peroxydisulfate Chemical compound [O-]S(=O)(=O)OOS([O-])(=O)=O JRKICGRDRMAZLK-UHFFFAOYSA-L 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- 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
- G01N33/1826—Organic contamination in water
- G01N33/1846—Total carbon analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
- G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
Abstract
본 발명은 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법에 관한 것으로, 프로세서와 메모리로 구성된 컴퓨터를 이용하여 수행되는 총유기탄소 예측 방법에 있어서, 입력되는 액체(처리 공정 전단 및 후단 시료)에 대해, 총유기탄소를 측정하는 총유기탄소 측정장치로부터 측정된, 총유기탄소 측정 데이터를 시계열적으로 입력받아 저장하는 단계(S100); 시계열적으로 저장된 상기 총유기탄소 측정 데이터와 상기 입력된 액체와 관련된 환경 데이터를 매칭하여, 총유기탄소 융합데이터를 생성하는 단계(S200); 상기 생성된 총유기탄소 융합데이터를 신경망 학습 모델을 이용하여 학습(training)시키는 단계(S300); 및 상기 학습시키는 단계(S300)를 통해 학습된 상기 신경망 학습 모델을 통해, 임의의 융합데이터를 입력으로 하였을 때, 처리수 중 총유기탄소 예측 데이터를 출력하는 단계(S400);를 포함함으로써, 처리수 중 총유기탄소의 추정값을 예측한 예측값을 이용하여 총유기탄소 측정장치를 포함하고 있는 수질관리 지원 시스템에서 유용하게 활용할 수 있다.
Description
본 발명은 처리 공정 전단 및 후단에서 측정되는 총유기탄소의 값을 측정 시간 순에 따라, 시계열적으로 배열하고, 이의 분석을 통해 입력 파라미터들의 예측값에 따른 처리수의 총유기탄소의 추정값을 예측함으로써, 이러한 예측값을 이용하여 총유기탄소 측정장치를 포함하고 있는 수질관리 지원 시스템에서 유용하게 활용할 수 있는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 수처리 시설의 처리수 중 총유기탄소 예측 방법에 관한 것이다.
잘 알려진 바와 같이, 반도체용 처리수, 냉각수, 보일러수, 수돗물 및 하폐수처리수 등의 수질을 관리하기 위한 측정 항목 중에서 총유기탄소(TOC, Total Organic Carbon)의 정량 분석이 포함된다.
일반적인 시료 내 총유기탄소의 분석 방법은 시료수에 함유되어 있는 탄산이온과 같은 무기탄소를 제거하는 과정, 유기물질을 이산화탄소로 산화시키는 과정 및 생성된 이산화탄소를 정량하는 과정을 포함한다.
이 때, 무기탄소를 제거하는 과정으로는 시료수에 산을 첨가하여 pH를 낮춘 후 이산화탄소가 제거된 프리가스로 버블링하여 무기탄소를 탈기시켜 제거하는 방식이 사용된다.
또한, 유기물질을 이산화탄소로 산화시키는 과정은 크게 습식산화법과 연소산화법으로 구분되는데, 습식산화법은 시료에 자외선을 조사시켜 유기물을 산화시키는 방법으로, 산화력을 높이기 위하여 퍼설페이트를 첨가하거나 온도를 높이거나 오존을 투입하는 수단이 보조적으로 사용되기도 한다.
또한, 연소산화법은 650-950 ℃의 중고온에서 유기물을 산화시키는 방법으로, 습식산화법의 경우, 저농도나 부유물이 적은 시료수 분석에 적합하지만, 연소산화법의 경우, 고농도 시료 또는 부유물의 양이 많은 시료 분석에 적합하므로, 분석대상인 시료수의 성상에 따라 선택하여 적용하는 것이 바람직하다
상술한 바와 같이, 다양한 방식을 통해 총유기탄소를 측정하되, 처리 공정 전단 및 후단에서 측정되는 총유기탄소의 값을 측정 시간순에 따라, 시계열적으로 배열하고, 이를 분석하게 되면, 입력 파라미터들의 예측값에 따른 처리수 중 총유기탄소의 추정값을 예측할 수 있게 된다. 이러한 예측값은 전술한 총유기탄소 측정장치를 포함하고 있는 수질관리 지원 시스템에서 유용하게 활용될 수 있다.
특히, 이러한 처리수 중 총유기탄소의 예측과 추정에 신경망 알고리즘을 적용하면, 좀더 정확한 예측이 가능하게 되어, 스마트한 수질 관리가 가능하게 된다.
본 발명은 처리 공정 전단 및 후단에서 측정되는 총유기탄소의 값을 측정 시간 순에 따라, 시계열적으로 배열하고, 이의 분석을 통해 입력 파라미터들의 예측값에 따른 처리수 중 총유기탄소의 추정값을 예측함으로써, 이러한 예측값을 이용하여 총유기탄소 측정장치를 포함하고 있는 수질관리 지원 시스템에서 유용하게 활용할 수 있는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 총유기탄소 예측 방법을 제공하고자 한다.
또한, 본 발명은 처리수 중 총유기탄소의 예측과 추정에 신경망 알고리즘을 적용하여 좀더 정확한 예측을 수행함으로서, 스마트한 수질 관리를 수행할 수 있을 뿐만 아니라, 과거의 데이터를 활용하여 총유기탄소의 값을 예측하도록 함으로써, 수질 관리에 필요한 여러가지 자원환경을 최적화할 수 있는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법을 제공하고자 한다.
본 발명의 실시예들의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 실시예에 따르면, 프로세서와 메모리로 구성된 컴퓨터를 이용하여 수행되는 총유기탄소 예측 방법에 있어서, 입력되는 액체(처리 공정 전단 및 후단 시료)에 대해, 총유기탄소를 측정하는 총유기탄소 측정장치로부터 측정된, 총유기탄소 측정 데이터를 시계열적으로 입력받아 저장하는 단계(S100); 시계열적으로 저장된 상기 총유기탄소 측정 데이터와 상기 입력된 액체와 관련된 환경 데이터를 매칭하여, 총유기탄소 융합데이터를 생성하는 단계(S200); 상기 생성된 총유기탄소 융합데이터를 신경망 학습 모델을 이용하여 학습(training)시키는 단계(S300); 및 상기 학습시키는 단계(S300)를 통해 학습된 상기 신경망 학습 모델을 통해, 임의의 융합데이터를 입력으로 하였을 때, 처리수 중 총유기탄소 예측 데이터를 출력하는 단계(S400);를 포함하는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법이 제공될 수 있다.
상기 S200 단계에서 상기 총유기탄소 융합데이터를 생성 시, 상기 총유기탄소 측정 데이터 및 상기 환경 데이터를 전처리하는 단계;를 더 포함하는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법이 제공될 수 있다.
상기 전처리하는 단계는, 상기 총유기탄소 측정 데이터 및 상기 환경 데이터의 일시적인 잡음 데이터를 필터링하는 단계를 더 포함하며, 상기 필터링은 상기 총유기탄소 융합데이터를 주파수 도메인으로 변환하는 방식을 이용하는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법이 제공될 수 있다.
상기 S300 단계에서, 상기 신경망 학습 모델은 RNN(Recurrent Neural Network)을 활용하는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 총유기탄소 예측 방법이 제공될 수 있다.
상기 신경망 학습 모델은, Stacking Fusion RNN을 사용하여, 멀티플 RNN 레이어를 이용하는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 총유기탄소 예측 방법이 제공될 수 있다.
상기 신경망 학습 모델은, XGBoost 알고리즘을 사용한 회귀 예측 모델을 이용하는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 총유기탄소 예측 방법이 제공될 수 있다.
상기 신경망 학습 모델의 평가는, 아래 수식 1, 2를 사용하는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 총유기탄소 예측 방법이 제공될 수 있다.
(수식 1 :
수식 2 :
여기서, 는 훈련 집합과 테스트 집합 결정 계수이고, RMSE은 훈련 집합과 테스트 집합 평균 제곱근 오차이며, 는 i번째 샘플 모델의 예측값이고, 는 모든 샘플 예측값에 대한 모델의 평균값이며, 는 i번째 샘플의 진실값이고, m은 샘플의 수임)
상기 S300 단계에서, 상기 신경망 학습 모델은 RBM(Restriced Bolzmann Machine) 회귀 방식을 이용하는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 총유기탄소 예측 방법이 제공될 수 있다.
본 발명은 처리 공정 전단 및 후단에서 측정되는 총유기탄소의 값을 측정 시간 순에 따라, 시계열적으로 배열하고, 이의 분석을 통해 입력 파라미터들의 예측값에 따른 처리수 중 총유기탄소의 추정값을 예측함으로써, 이러한 예측값을 이용하여 총유기탄소 측정장치를 포함하고 있는 수질관리 지원 시스템에서 유용하게 활용할 수 있다.
또한, 본 발명은 처리수 중 총유기탄소의 예측과 추정에 신경망 알고리즘을 적용하여 좀더 정확한 예측을 수행함으로서, 스마트한 수질 관리를 수행할 수 있을 뿐만 아니라, 과거의 데이터를 활용하여 처리수 중 총유기탄소의 값을 예측하도록 함으로써, 수질 관리에 필요한 여러가지 자원환경을 최적화할 수 있다.
아울러, 본 발명은, 여러 데이터들을 기반으로 하여, 실시간으로 변화하는 처리수중 총유기탄소의 예측을 수행할 수 있어 이에 대한 관리를 용이하게 수행할 수 있다.
도 1은 본 발명의 실시예에 따라 스마트 수질관리를 위해 신경망 알고리즘을 이용하여 총유기탄소를 예측하는 과정을 나타낸 플로우차트이다.
본 발명의 실시예들에 대한 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따라 스마트 수질관리를 위해 신경망 알고리즘을 이용하여 총유기탄소를 예측하는 과정을 나타낸 플로우차트이다.
도 1을 참조하면, 프로세서와 메모리로 구성된 컴퓨터를 이용하여 수행되는 총유기탄소 예측 방법에 있어서, 입력되는 액체(처리 공정 전단 및 후단 시료)에 대해, 총유기탄소를 측정하는 총유기탄소 측정장치로부터 측정된, 총유기탄소 측정 데이터를 시계열적으로 입력받아 저장하는 단계(S100)를 수행할 수 있다.
여기에서, 입력되는 액체는 하천수, 하수, 오수, 우수, 용수 등을 포함할 수 있으며, 특정한 산업활동의 프로세스를 거쳐서 나온 폐수의 형태일 수도 있고, 특정 처리공정을 거친 방류수일 수도 있다.
또한, 총유기탄소 측정 데이터는 총유기탄소의 양(TOC 양)일 수 있고, 해당 총유기탄소 측정 데이터는 총유기탄소 분석장치를 통해 실시간으로 측정되는 인시츄(In-situ) 데이터일 수 있다.
또 다른 측정 데이터로는 예를 들어, pH(수소농도이온지수), ORP(Oxidation-Reduction Potential, 산화환원전위), TN(Total Nitrogen, 총질소) 등과 같은 수소이온농도, 산화환원전위, 총질소 등을 포함할 수 있는데, 산화화원전위는 어떤 물질이 산화되거나 환원되려는 경향의 세기를 의미하고, 독성물질에 민감한 영향을 받는다.
그리고, 시계열적으로 저장된 총유기탄소 측정 데이터와 입력된 액체와 관련된 환경 데이터를 매칭하여, 총유기탄소 융합데이터를 생성하는 단계(S200)를 수행할 수 있다.
여기에서, 액체의 환경 데이터는 예를 들면, 유속, 유량 등을 포함할 수 있고, 추가적인 환경 데이터는 예를 들어 입력되는 액체가 유입되는 지역의 기상 정보를 포함할 수 있다.
구체적으로, 기상 정보의 경우 예를 들어, 온도, 습도, 강우량, 강설량 등을 추가적으로 포함할 수 있다.
또한, 총유기탄소 융합데이터의 경우 입력되는 액체와 연관된 총유기탄소 측정 데이터, 액체와 관련된 환경 데이터를 융합한 데이터를 의미하며, 액체와 관련된 환경 데이터는 예를 들어 액체가 입력되는 시간대의 액체가 유입되는 지역의 기상 정보들로 이루어진 데이터일 수 있다.
상술한 바와 같은 해당 총유기탄소 융합데이터는 해당 데이터들의 값들로 이루어진 벡터형태로 제공될 수 있다.
한편, S200 단계에서 총유기탄소 융합데이터를 생성 시, 총유기탄소 측정 데이터 및 상기 환경 데이터를 전처리하는 단계를 더 포함할 수 있다.
여기에서, 전처리하는 단계는, 총유기탄소 측정 데이터 및 환경 데이터의 일시적인 잡음 데이터를 필터링하는 단계를 더 포함할 수 있으며, 필터링은 총유기탄소 융합데이터를 주파수 도메인으로 변환하는 방식을 이용할 수 있다.
예를 들면, 전처리하는 단계에서는, 총유기탄소 측정 데이터와 입력된 액체와 관련된 환경 데이터를 매칭하여 총유기탄소 융합데이터를 생성할 때, 다양한 환경적 요인들로 인해 발생하는 랜덤 노이즈를 제거하기 위해 전처리하되, 시계열적인 두 데이터의 시간 순차성과 지연값이라는 2가지 특성을 이용하여 시계열 데이터에 대해 패스트푸리에변환(FFT)을 수행하여 주파수 도메인으로 데이터를 변환한 후에, 변환되 주파수 도메인의 데이터 중 임계 기준 이상의 데이터들만 다시 역패스트푸리에변환(IFFT)을 수행하는 방식으로 랜덤 노이즈를 제거할 수 있다.
다음에, 생성된 총유기탄소 융합데이터를 신경망 학습 모델을 이용하여 학습(training)시키는 단계(S300)를 수행할 수 있다.
이러한 S300 단계에서, 신경망 학습 모델은 RNN(Recurrent Neural Network)을 활용할 수 있으며, 신경망 학습 모델은 예를 들어, Stacking Fusion RNN을 사용하여, 멀티플 RNN 레이어를 이용할 수 있다.
여기에서, S300 단계에서는, 과거 총유기탄소 측정량을 이용한 미래 총유기탄소 예측을 신경망 알고리즘을 이용하여 예측할 수 있는데, 이러한 신경망 알고리즘은 시계열적인 데이터의 처리에 적합한 RNN을 기본으로 하되, 정확도 등을 향상시키기 위해 Stacking Fusion RNN을 사용할 수 있다.
또한, 신경망 학습 모델은 예를 들어, XGBoost 알고리즘을 사용한 회귀 예측 모델을 이용할 수 있다.
한편, 신경망 학습 모델의 평가는 예를 들면, 아래의 수학식 1 및 수학식 2를 이용하여 수행될 수 있다.
여기에서, 는 훈련 집합과 테스트 집합 결정 계수이고, RMSE은 훈련 집합과 테스트 집합 평균 제곱근 오차이며, 는 i번째 샘플 모델의 예측값이고, 는 모든 샘플 예측값에 대한 모델의 평균값이며, 는 i번째 샘플의 진실값이고, m은 샘플의 수를 의미한다.
상술한 바와 같은 S300 단계에서, 신경망 학습 모델은 RBM(Restriced Bolzmann Machine) 회귀 방식을 이용할 수 있다.
여기에서, RBM 신경망 모델을 설명하면, 비주얼레이어(v, visible layer)는 입력 데이터가 들어가는 곳으로, 각 입력 데이터들은 여러가지 상태(state)를 가질 수 있고, 히든레이어(h, hidden layer)는 은닉 데이터가 샘플링되어 나오는 곳으로, 각 은닉 데이터들은 여러가지 상태를 가질 수 있으며, 웨이트매트릭스(w, weight matrix)는 비주얼레이어와 히든레이어를 연결해주는 장치로 원래의 볼츠만 머신(Boltzmann Machine)에서부터 파생된 개념이고, 바이어스비주얼레이어(b, bias for visible layer)는 입력 데이터의 내재적 특성(inherent property)을 설정해주는 부분으로, 어떤 비주얼 유닛이 거의 항상 1인 경우라면 해당 유닛의 바이어스는 높을수록 좋다는 것을 의미하며, 바이어스히든레이어(c, bias for hidden layer는 은닉 데이터의 내재적 특성을 설정해주는 부분으로, 비주얼레이어의 바이어스와 유사한 역할을 수행할 수 있다.
여기에서, 상기 v, h, b, c는 각각 모두 벡터이며, W는 행렬이다.
한편, 비주얼레이어(v)의 노드(node) 개수가 d개, 히든레이어(h)의 노드 개수가 n개라고 할 경우 각각의 차원은 아래의 수학식 3과 같이 나타낼 수 있다.
또한, RBM은 그 독특한 형태로 인해 비주얼레이어(v)의 데이터를 이용해 히든레이어(h)의 데이터를 샘플링할 수 있고, 또 반대로 히든레이어(h)의 데이터를 이용해 비주얼레이어(v)를 다시 샘플링할 수도 있다.
따라서, 우리는 비주얼데이터(v)의 데이터가 주어졌을 때 히든레이어(h)의 데이터를 샘플링할 때의 조건부 확률을 아래의 수학식 4와 같이 계산할 수 있다. 여기에서, 반대로 히든레이어(h)의 데이터가 주어졌을 때 비주얼데이터(v)의 데이터를 샘플링할 조건부 확률을 계산할 수도 있음은 물론이다.
여기에서, 총 n개의 히든레이어유닛(hidden layer unit) 중 i번 째 히든레이어의 유닛이 1로 샘플링될 확률 p(hi=1|v)는 아래의 수학식 5와 같이 구할 수 있다.
마찬가지 방법으로, 총 n개의 비주얼레이어유닛(visual layer unit) 중 i번 째 비주얼레이어의 유닛이 1로 샘플링될 확률 p(vj=1|h)은 아래의 수학식 6과 같이 구할 수 있다.
상술한 바와 같은 RBM 신경망 모델의 학습에 대해 설명하면, 샘플링을 통해 얻은 비주얼레이어(v)의 데이터가 원래의 데이터와 거의 같은 형태를 가지고 있을 때, RBM 신경망 모델이 잘 학습된 것으로 보이는데, RBM의 파라미터들(b, c, W)이 잘 학습되는 경우, 현재 가지고 있는 모든 데이터들이 가진 가능도(likelihood, 즉, 모든 데이터들을 통해 얻은 확률밀도함수의 높이를 곱한 것)가 최대가 되고, 이에 -1을 곱해준 값은 최소가 되는 것이 바람직하므로, 경사하강법(Gradient Descent)을 이용할 수 있다.
다음에, 학습시키는 단계(S300)를 통해 학습된 신경망 학습 모델을 통해, 임의의 융합데이터를 입력으로 하였을 때, 처리수 중 총유기탄소 예측 데이터를 출력하는 단계(S400)를 수행할 수 있다.
따라서, 본 발명의 실시예에 따르면, 처리 공정 전단 및 후단에서 측정되는 총유기탄소의 값을 측정 시간 순에 따라, 시계열적으로 배열하고, 이의 분석을 통해 입력 파라미터들의 예측값에 따른 처리수 중 총유기탄소의 추정값을 예측함으로써, 이러한 예측값을 이용하여 총유기탄소 측정장치를 포함하고 있는 수질관리 지원 시스템에서 유용하게 활용할 수 있다.
또한, 본 발명의 실시예에 따르면, 처리수 중 총유기탄소의 예측과 추정에 신경망 알고리즘을 적용하여 좀더 정확한 예측을 수행함으로서, 스마트한 수질 관리를 수행할 수 있을 뿐만 아니라, 과거의 데이터를 활용하여 처리수 중 총유기탄소의 값을 예측하도록 함으로써, 수질 관리에 필요한 여러가지 자원환경을 최적화할 수 있다.
아울러, 본 발명의 실시예에 따르면, 여러 데이터들을 기반으로 하여, 실시간으로 변화하고 있는 처리수 중 총유기탄소의 예측을 수행할 수 있어 이에 대한 관리를 용이하게 수행할 수 있다.
상술한 처리수 중 총유기탄소 예측 방법의 경우, 전술한 구체적인 단계들을 수행하는 프로그래밍 코드(code)를 동작시키는 단수 또는 복수의 프로세서를 포함하며, 상기 프로그래밍 코드(code) 또는 그 결과물을 읽거나, 저장할 수 있는 매체(media)를 포함할 수 있다. 상기 매체(media)의 경우, 일 실시예로 메모리일 수 있다.
즉, 상기 총유기탄소 예측방법은 프로세서에 의해 수행되며, 읽기가능한 매체에 저장되는 형태로 구현될 수 있다. 또한 상기 프로세서와 매체를 포함하는 컴퓨터에 의해 수행될 수도 있다.
상기 컴퓨터는 서버의 형태이거나, 모바일 디바이스의 형태일 수도 있다.
아울러, 상술한 바와 같은 총유기탄소 예측 방법을 수행할 수 있도록 단수 또는 복수의 프로세서와 메모리를 포함하되, 서버, 컴퓨터, 모바일 디바이스 등의 형태를 가지는 총유기탄소 예측장치로 하여 구현될 수도 있다.
이상의 설명에서는 본 발명의 다양한 실시예들을 제시하여 설명하였으나 본 발명이 반드시 이에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능함을 쉽게 알 수 있을 것이다.
Claims (8)
- 프로세서와 메모리로 구성된 컴퓨터를 이용하여 수행되는 처리수 중 총유기탄소 예측 방법에 있어서,
입력되는 액체(처리 공정 전단 및 후단 시료)에 대해, 총유기탄소를 측정하는 총유기탄소 측정장치로부터 측정된, 총유기탄소 측정 데이터를 시계열적으로 입력받아 저장하는 단계(S100);
시계열적으로 저장된 상기 총유기탄소 측정 데이터와 상기 입력된 액체와 관련된 환경 데이터를 매칭하여, 총유기탄소 융합데이터를 생성하는 단계(S200);
상기 생성된 총유기탄소 융합데이터를 신경망 학습 모델을 이용하여 학습(training)시키는 단계(S300); 및
상기 학습시키는 단계(S300)를 통해 학습된 상기 신경망 학습 모델을 통해, 임의의 융합데이터를 입력으로 하였을 때, 처리수 중 총유기탄소 예측 데이터를 출력하는 단계(S400);
를 포함하는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법.
- 청구항 1에 있어서,
상기 S200 단계에서 상기 총유기탄소 융합데이터를 생성 시, 상기 총유기탄소 측정 데이터 및 상기 환경 데이터를 전처리하는 단계;
를 더 포함하는 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법.
- 청구항 2에 있어서,
상기 전처리하는 단계는, 상기 총유기탄소 측정 데이터 및 상기 환경 데이터의 일시적인 잡음 데이터를 필터링하는 단계를 더 포함하며,
상기 필터링은 상기 총유기탄소 융합데이터를 주파수 도메인으로 변환하는 방식을 이용하는
스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법.
- 청구항 3에 있어서,
상기 S300 단계에서, 상기 신경망 학습 모델은 RNN(Recurrent Neural Network)을 활용하는
스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법.
- 청구항 4에 있어서,
상기 신경망 학습 모델은,
Stacking Fusion RNN을 사용하여, 멀티플 RNN 레이어를 이용하는
스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법.
- 청구항 5에 있어서,
상기 신경망 학습 모델은, XGBoost 알고리즘을 사용한 회귀 예측 모델을 이용하는
스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법.
- 청구항 6에 있어서,
상기 신경망 학습 모델의 평가는,
아래 수식 1, 2를 사용하는
스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법.
(수식 1 :
수식 2 :
여기서, 는 훈련 집합과 테스트 집합 결정 계수이고, RMSE은 훈련 집합과 테스트 집합 평균 제곱근 오차이며, 는 i번째 샘플 모델의 예측값이고, 는 모든 샘플 예측값에 대한 모델의 평균값이며, 는 i번째 샘플의 진실값이고, m은 샘플의 수임)
- 청구항 3에 있어서,
상기 S300 단계에서, 상기 신경망 학습 모델은 RBM(Restriced Bolzmann Machine) 회귀 방식을 이용하는
스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230002125A KR20240110257A (ko) | 2023-01-06 | 2023-01-06 | 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230002125A KR20240110257A (ko) | 2023-01-06 | 2023-01-06 | 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240110257A true KR20240110257A (ko) | 2024-07-15 |
Family
ID=91949793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230002125A KR20240110257A (ko) | 2023-01-06 | 2023-01-06 | 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240110257A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101118030B1 (ko) | 2011-05-20 | 2012-02-27 | (주) 휴마스 | 약수물 수질 관리 시스템 |
-
2023
- 2023-01-06 KR KR1020230002125A patent/KR20240110257A/ko unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101118030B1 (ko) | 2011-05-20 | 2012-02-27 | (주) 휴마스 | 약수물 수질 관리 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Houlahan et al. | The priority of prediction in ecological understanding | |
| Kratzert et al. | NeuralHydrology–interpreting LSTMs in hydrology | |
| Ravansalar et al. | Wavelet-linear genetic programming: A new approach for modeling monthly streamflow | |
| Dogan et al. | Application of artificial neural networks to estimate wastewater treatment plant inlet biochemical oxygen demand | |
| Kim et al. | Assessing the biochemical oxygen demand using neural networks and ensemble tree approaches in South Korea | |
| Swenson et al. | Phylogenetic and functional alpha and beta diversity in temperate and tropical tree communities | |
| Ayvaz | A linked simulation–optimization model for solving the unknown groundwater pollution source identification problems | |
| Nojavan et al. | Rethinking the lake trophic state index | |
| Bansal et al. | Advanced evaluation methodology for water quality assessment using artificial neural network approach | |
| Noori et al. | Development and application of reduced‐order neural network model based on proper orthogonal decomposition for BOD 5 monitoring: Active and online prediction | |
| Banik et al. | Illicit intrusion characterization in sewer systems | |
| Antanasijević et al. | Forecasting human exposure to PM10 at the national level using an artificial neural network approach | |
| Mohammad-Azari et al. | State-of-art of genetic programming applications in water-resources systems analysis | |
| Asefa et al. | Support vector machines (SVMs) for monitoring network design | |
| Rustum et al. | Applying Kohonen self‐organizing map as a software sensor to predict biochemical oxygen demand | |
| Ababakr et al. | Spatio-temporal variations of groundwater quality index using geostatistical methods and GIS | |
| Homayoun Aria et al. | Eutrophication modelling of Amirkabir Reservoir (Iran) using an artificial neural network approach | |
| Selim et al. | Predictive models for dissolved oxygen in an urban lake by regression analysis and artificial neural network | |
| KR20240110257A (ko) | 스마트 수질관리를 위해 신경망 알고리즘을 이용한 처리수 중 총유기탄소 예측 방법 | |
| In Ieong et al. | Using principle component regression, artificial neural network, and hybrid models for predicting phytoplankton abundance in Macau storage reservoir | |
| De Vito et al. | A distributed sensor network for waste water management plant protection | |
| Bashir et al. | Use of wavelet and bootstrap methods in streamflow prediction | |
| Harrison | Two-stage decision-making under uncertainty and stochasticity: Bayesian programming | |
| Vrugt et al. | Inverse modeling of soil hydraulic properties | |
| CN115511341A (zh) | 一种滑坡时变失效概率评估方法及装置 |