WO2020101192A1 - 토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법 - Google Patents

토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법 Download PDF

Info

Publication number
WO2020101192A1
WO2020101192A1 PCT/KR2019/013638 KR2019013638W WO2020101192A1 WO 2020101192 A1 WO2020101192 A1 WO 2020101192A1 KR 2019013638 W KR2019013638 W KR 2019013638W WO 2020101192 A1 WO2020101192 A1 WO 2020101192A1
Authority
WO
WIPO (PCT)
Prior art keywords
driving force
soil gas
time
data
data set
Prior art date
Application number
PCT/KR2019/013638
Other languages
English (en)
French (fr)
Inventor
오윤영
윤성택
Original Assignee
고려대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Priority to US17/294,028 priority Critical patent/US20220308568A1/en
Publication of WO2020101192A1 publication Critical patent/WO2020101192A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • 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
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—Specially adapted to detect a particular component
    • G01N33/004—Specially adapted to detect a particular component for CO, CO2
    • 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—Systems or methods specially adapted for 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
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0073—Control unit therefor
    • G01N33/0075—Control unit therefor for multiple spatially distributed sensors, e.g. for environmental monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06N3/09—Supervised learning

Definitions

  • the present invention relates to integrated environmental monitoring and environmental management techniques, and more specifically, using real-time environmental monitoring data, carbon dioxide underground storage (CCS) and underground storage sites of related gaseous materials and soil gases of candidate sites (CO 2 , NO) 2 , CH 4 , CO, C2H6, N2O, SO 2 , Rn) quantitatively identify, evaluate and predict the natural background changes and environmental factors that govern them, and based on this, detect early leaks and evaluate the environmental impact of leaks Including integrated environmental management technology.
  • CCS carbon dioxide underground storage
  • candidate sites CO 2 , NO 2 , CH 4 , CO, C2H6, N2O, SO 2 , Rn
  • the domestic CCS study is being conducted as a study for the injection test at the test site-scale injection test facility and for the environmental impact assessment by CCS storage, and for technology development and site demonstration to achieve the preset 2030 reduction target. Research is being conducted more actively.
  • CO 2 is stored in the ground is more and more rising to the surface through the natural / artificial emission process by various factors. This release process may be interpreted as a leak, which inevitably affects the physical, chemical and biological environment of the ground and the surface. Therefore, technologies related to environmental impact assessment and prediction for leaks must be implemented simultaneously with the design of the injection facility.
  • the integrated environmental monitoring and environmental management system must be operated for a long time even after the injection is completed to continuously monitor and ensure the storage safety.
  • the CO 2 concentration and flux in the surface can be used as the most direct indicator for detecting CO 2 leaks.
  • soil gases CO 2 , NO 2 , CH 4 , CO, C2H6, N2O, SO 2 , Rn
  • environmental variables hydro meteorological data, soil physicochemical characteristics
  • the concentration and flux of surface soil gas are greatly influenced by daily and seasonal periodic changes and turbulent flows caused by surface air flow due to temperature changes, and are directly regulated by physical, chemical, and biological interactions in the soil that cause the occurrence Receive
  • the present invention provides a variety of environmental factors that change over time for various soil gases (CO 2 , NO 2 , CH 4 , CO, C2H6, N2O, SO 2 , Rn) and environmental time series measurement data measured with them. It aims to reflect structural characteristics.
  • the present invention aims to more systematically separate and identify key environmental drivers and their effects that cause changes in observations using a multi-resolution time-frequency domain analysis method. do.
  • the present invention aims to quantitatively evaluate the environmental driving force and its contribution.
  • the present invention aims to construct a deep learning neural network that uses observations and environmental factors simultaneously.
  • the present invention aims to provide a quantitative basis for causality of characteristic values and prediction for optimal learning by constructing a deep neural network.
  • the present invention aims to more intensively study the core spatial and temporal changes characteristics of target soil gas and environmental impact factors.
  • the present invention aims to efficiently perform more accurate prediction.
  • the present invention aims to universally utilize observation data of various gaseous substances measured in real time, such as concentration, flux, and isotope ratio, without being restricted to a specific type of soil gas.
  • the present invention aims at early detection of leak signals by effectively separating and identifying natural background fluctuations and artificial leaks.
  • the present invention aims to contribute to vulnerability and risk assessment for target sites and environmental variables for specific environmental factors.
  • An operation method of a soil gas monitoring and response system includes configuring a base dataset for soil gas and related environmental observation data, identifying and extracting dynamic characteristics of the constructed base dataset, and And identifying and evaluating driving force for the soil gas based on the extracted dynamic characteristics, and providing an optimal response scenario based on the identified and evaluated driving force.
  • the step of constructing a base data set for the soil gas and related environmental observation data includes the base data set according to the observation items of the composite environmental measurement data data set including soil gas and the data matrix according to the observation time resolution. Comprising and sorting as, interpolating the missing data by time-domain resolution or time observation interval for the sorted base data set, noise filtering the data of the interpolated base data set, and the noise filtered result It may include the step of normalizing and normalizing.
  • the step of identifying and extracting dynamic characteristics of the configured base data set includes performing state space modeling for each time domain resolution of the configured base data set, and the time domain of the configured base data set. Selecting an optimal state space model according to resolution, selecting a potential driving force group of the selected optimal state space model, and extracting variation characteristics over time of the selected potential driving force candidate group And quantifying the dynamic characteristics of the main time-frequency domain through wavelet analysis for the extracted variation characteristics, wherein the variation characteristics are dynamic and time-varying characteristics of the selected potential driving force candidate group over time. It may include at least one of feature and time varying characteristics, spatial characteristics, and spatiotemporal characteristics.
  • the step of selecting the optimal state spatial model includes selecting the number of optimal latent driving forces and the shape of the residual covariance matrix based on model diagnostic indexes (AIC / AICc / BIC) and explanatory power (loading). can do.
  • the step of identifying and evaluating the driving force for the soil gas based on the extracted dynamic characteristics may be performed between the potential driving force and the observation data of the optimal state space model selected according to the time domain resolution of the constructed base data set. Diagnosing a multi-resolution correlation, performing a correlation diagnosis reflecting time delay and phase change between the potential driving force and the observed data, and based on the performed correlation diagnosis result, the highest correlation scale between the potential driving force and the observed data Selecting a driving force using a correlation between the potential driving force and the wavelet energy ratio between the observed data and the selected highest correlation scale, and the cumulative energy ratio of the selected highest correlation scale and the state space model. And evaluating the relative contribution by processing a linear combination between explanatory power indicators.
  • the operation method of the soil gas monitoring and response system may further include constructing a deep learning neural network model for real-time diagnosis of the driving force.
  • the step of constructing the deep learning neural network model includes constructing a deep learning model using the soil gas and related environmental observation data and the identified and evaluated driving force as input data as the deep neural network model, the Quantifying training indicators by selecting training indicators based on soil gas and related environmental observation data and the multi-resolution dynamic characteristics of the identified and evaluated driving force, observations measured from the soil gas and related environmental observation data, and the depth Optimizing the predictive model based on the residual verification of the predicted value predicted from the neural network model and the multi-resolution analysis of the residual, and optimizing by the main driving force to optimize the training group (tuned pre-trained network) group And generating.
  • the operation method of the soil gas monitoring and response system may further include constructing a real-time response system to provide the optimal response scenario.
  • the step of constructing the real-time response system is a step of constructing a real-time diagnostic system utilizing the generated optimization training deep network group, and selecting a threshold of natural background value variation to set an allowable range of natural background variation. Calculating, re-identifying the driving force with respect to the data determined as the outlier for the threshold, rebuilding the optimized training deep network group based on the identified driving force, and identifying the driving force according to the prediction result of the outlier And assessing the relative contribution, selecting an alarm priority, generating a real-time change and response scenario for each cause of the outlier, and generating an alarm signal and an optimal response scenario according to the generated real-time change and response scenario It may include the step of providing.
  • the soil gas monitoring and response system includes a pre-processing unit constituting a base dataset for soil gas and related environmental observation data, a dynamic characteristic processing unit for identifying and extracting dynamic characteristics for the constructed base dataset, and the And a driving force processing unit for identifying and evaluating driving force for the soil gas based on the extracted dynamic characteristics, and providing an optimal response scenario based on the identified and evaluated driving force.
  • the pre-processing unit configures and sorts a data matrix according to an observation item and an observation time resolution of the composite environmental measurement data data set including the soil gas as the base data set, and for the sorted base data set.
  • the missing data for each time domain resolution or time observation interval can be interpolated, and the interpolated base data set can be noise-filtered and these data can be normalized and normalized.
  • the dynamic characteristic processing unit performs state space modeling for each time domain resolution of the configured base data set, selects an optimal state space model according to the time domain resolution of the configured base data set, and the The potential driving force group of the selected optimal state space model is selected, the variation characteristics over time of the selected potential driving force group are extracted, and the main time through wavelet analysis of the extracted variation characteristics- The dynamic characteristics of the frequency domain can be quantified.
  • the driving force processing unit diagnoses a multi-resolution correlation between the potential driving force and the observed data of the optimal state space model selected according to the time domain resolution of the constructed base data set, and the time between the potential driving power and the observed data Performs multi-resolution correlation diagnosis reflecting delay and phase change, selects the highest correlation scale between the latent driving force and the observation data based on the performed multi-resolution correlation diagnosis result, and sets the wavelet between the latent driving force and the observation data
  • the driving force using the correlation between the energy ratio and the selected highest correlation scale is identified, and the linear contribution between the cumulative energy ratio of the selected highest correlation scale and the explanatory power index of the state space model can be evaluated.
  • various soil gases CO 2 , NO 2 , CH 4 , CO, C 2 H 6 , N 2 O, SO 2 , Rn
  • environmental observations measured therewith hydro weather data, soil Physical / chemical characteristics data, biorespiration data
  • the multi-resolution time-frequency domain analysis method can be used to more systematically separate and identify key environmental drivers and their effects, which are the cause of the observed value change.
  • a deep learning neural network using simultaneous observations and environmental factors may be constructed.
  • a quantitative basis for causality of characteristic values and prediction for optimal learning may be provided.
  • more precise prediction can be efficiently performed.
  • it can be used universally for various gaseous substances measured in real time without being restricted by a specific type of soil gas.
  • the leakage signal can be detected early by effectively separating and identifying natural background fluctuations and artificial leaks.
  • FIG. 1 is a diagram illustrating an entire system according to an embodiment.
  • FIG. 2 is a diagram illustrating an operation method of an entire system according to an embodiment.
  • FIG. 3 is a diagram for explaining a method of constructing a base dataset for soil gas and related environmental observation data.
  • FIG. 4 is a diagram illustrating a process of identifying and extracting dynamic characteristics of the configured base data set.
  • FIG. 5 is a view for explaining the process of identifying and evaluating the driving force for the soil gas based on the extracted dynamic characteristics.
  • FIG. 6 is a diagram illustrating a process of constructing a deep learning neural network model.
  • FIG. 7 is a view for explaining the process of building a real-time response system.
  • FIG. 9A shows the distribution of wavelet energy (Ew) for each frequency for the wavelet de-noising (WD) and the observed variable source data by the discrete wavelet transform (DWT) as a wavelet energy distribution.
  • 9B are graphs showing raw data and wavelet filtering (WD) data of main observation data.
  • POTs potential driving force groups
  • Figure 11a shows the correlation against the multi-resolution scale to determine which frequency is the core frequency among the detailed components by the discrete wavelet transform of the observed data.
  • Fig. 11B shows the correlation of the scale with respect to both the approximate component and the detailed component.
  • 12A shows an example of deep learning prediction using only the observation data itself.
  • FIG. 12B is a view showing a result of enhancing learning by using not only the observed values in FIG. 12A but also the identified core features.
  • first or second may be used to describe various components, but the components should not be limited by the terms. The above terms are only for the purpose of distinguishing one component from other components, for example, without departing from the scope of rights according to the concept of the present invention, the first component may be referred to as the second component, Similarly, the second component may also be referred to as the first component.
  • FIG. 1 is a view illustrating a soil gas monitoring and response system 100 according to an embodiment.
  • Soil gas monitoring and response system 100 uses underground real-time environmental monitoring data to store carbon dioxide underground (CCS) and associated gaseous materials in underground storage and candidate sites for soil gas (CO 2 , NO 2 , CH 4 , CO, C 2 H 6 , N2O, SO 2 , Rn) performs quantitatively identifying, evaluating, and predicting environmental background changes and environmental factors that govern them.
  • CCS carbon dioxide underground
  • CO 2 , NO 2 , CH 4 , CO, C 2 H 6 , N2O, SO 2 , Rn soil gas
  • the soil gas monitoring and response system 100 provides soil environment (CO 2 , NO 2 , CH 4 , CO, C2H6, N2O, SO 2) to provide integrated environmental monitoring of soil gas and management based thereon.
  • Rn soil environment
  • the structural characteristics and causality of environmental observation data hydrodynamic weather, soil physicochemical characteristics, biorespiration
  • time series analysis is a generic term for stochastic analysis of data continuously observed in chronological order and can be interpreted as a common noun applied to a wide range of fields.
  • the soil gas monitoring and response system 100 specifically identifies the environmental driving force by quantifying the similarity between the dynamic factor and the time-frequency domain of observation data through multi-resolution correlation analysis based on wavelet analysis, Influence can be quantitatively evaluated.
  • the wavelet analysis used in the present specification may be analyzed by a multi-resolution analysis technique in the time-frequency domain using a wavelet transform of time series data.
  • Wavelet analysis is specialized for decomposing observations into various time-frequency domains. That is, wavelet analysis is a method of simultaneously analyzing the time domain and the frequency domain, and can be applied to both continuous and discrete signals, and is a technique widely applicable to defect diagnosis.
  • the fast fourier transform has a disadvantage in that information in the measurement data is time-averaged, so information in a time interval is lost. Therefore, the wavelet transform is particularly useful for analyzing a non-stationary signal or a transient signal in which the defect frequency with time changes.
  • STFT classical simple Fourier transform
  • Gabor transform is limited to within a single frequency band.
  • the wavelet transform uses a narrow window function in the high frequency band and a wide window function in the low frequency band. Therefore, wavelet transform is also called constant relative bandwidth analysis and has a characteristic in which the variation width of the frequency band is always proportional to the frequency value.
  • the soil gas monitoring and response system 100 monitors each value constituting the soil gas in consideration of changes occurring in a time series based on wavelet analysis. Therefore, the soil gas monitoring and response system 100 can analyze the time domain and the frequency domain simultaneously, and can monitor both continuous and discrete signals.
  • the soil gas monitoring and response system 100 utilizes soil gas and related environmental observation data and environmental factors as input data at the same time through deep learning, and is a core spatial and temporal change characteristic of soil gas (CO 2 ).
  • soil gas CO 2
  • studying spatialotemporal feature
  • the predictive power of observations and factors can be continuously improved.
  • the soil gas monitoring and response system 100 builds a deep learning model that uses soil gas and related environmental observation data and environmental factors as input data at the same time, thereby providing By focusing learning the core spatial and temporal characteristics of natural background variability (focused learning), the predictive power of observations and factors can be continuously improved.
  • Spatiotemporal data mining by soil gas monitoring and response system 100 is based on data-driven that extracts and analyzes key features of time-space spatiotemporal big data. Corresponds to the big data analysis technique.
  • deep learning required for the soil gas monitoring and response system 100 to analyze the soil gas is a machine learning technique using a deep neural network, analyzing the characteristic values of observed phenomena, and Prediction is possible.
  • the soil gas monitoring and response system 100 includes a pre-processing unit 110, a dynamic characteristic processing unit 120, and a driving force processing unit 130 to quantitatively analyze environmental factors using real-time environmental monitoring data. can do.
  • the pre-processing unit 110 may constitute a base dataset for soil gas and related environmental observation data.
  • the pre-processing unit 110 may configure and arrange the data matrix according to the observation items and the observation time resolution of the complex environmental measurement data set including soil gas. This sorted data matrix can be interpreted as a base dataset.
  • the pre-processing unit 110 may interpolate missing data for each time observation interval or time domain resolution for the aligned base data set.
  • the pre-processing unit 110 may noise-filter the data of the interpolated base data set according to the purpose of use, and also standardize and normalize it.
  • Missing data can be interpreted as the absence of data corresponding to the record or the absence of data for the record.
  • the dynamic characteristic processing unit 120 may identify and extract dynamic characteristics of the configured base data set.
  • the dynamic characteristic processing unit 120 may perform state space modeling by generating a state space model for each time domain resolution of a base dataset configured based on wavelet analysis.
  • the state space modeling can be interpreted as a preparation process for multi-resolution analysis that can be measured from the viewpoint of time-frequency domain by performing wavelet transform on time series data based on soil gas.
  • the dynamic characteristic processing unit 120 may select an optimal state space model according to the time domain resolution of the configured base data set, and may select a potential driving force group from the selected optimal state space model.
  • the potential driving force group can be interpreted as an environmental cause that causes a change in the main target observation variable, and in the present invention, the concentration / flux of soil gas and their time-varying / space-time characteristics are induced. It can be interpreted as a cause.
  • a potential driving force group can be selected.
  • the dynamic characteristic processing unit 120 extracts the fluctuation characteristics over time of the selected potential driving force candidate group, and can quantify the extracted fluctuation characteristics as dynamic characteristics of the main time-frequency domain through wavelet analysis.
  • the driving force processing unit 130 may identify and evaluate the driving force for the soil gas based on the extracted dynamic characteristics.
  • the driving force processing unit 130 may diagnose the multi-resolution correlation between the potential driving force and the observed data of the optimal state space model selected according to the time domain resolution of the configured base data set. In particular, the driving force processing unit 130 may diagnose the correlation reflecting the time delay and phase change between the potential driving force and the observed data.
  • the driving force processing unit 130 may select the scale with the highest correlation as the highest correlation scale in consideration of the correlation between the potential driving force and the observed data, based on the performed correlation diagnosis result.
  • the driving force processing unit 130 may identify the driving force using a correlation between the potential driving force and the wavelet energy ratio between the observed data and the selected highest correlation scale. In addition, the driving force processing unit 130 may evaluate the relative contribution by processing a linear combination between the cumulative energy ratio of the selected highest correlation scale and the explanatory power index of the state space model.
  • the relative contribution evaluated in this way can be used to determine which factors caused a rapid change in the base dataset.
  • the soil gas monitoring and response system 100 After all, using the soil gas monitoring and response system 100, it is possible to reflect the structural characteristics of various environmental factors that change over time for environmental time series measurement data measured together with various soil gases.
  • the multi-resolution time-frequency domain analysis method can be used to systematically separate and identify key environmental drivers and their effects, which are the cause of the observed change.
  • the embodiment will be described as monitoring the soil gas and identifying the key environmental driving forces that cause the observed value change, but is not limited thereto.
  • the present invention can be used for various analyzes, such as analyzing real-time environmental data such as earthquakes and tsunamis and predicting the past and future based on this.
  • air pollution, PM2.5, VOCs, water resources, quantity / water quality survey / evaluation / management, ecological environment, environmental impact assessment, underground environmental impact assessment, climate change, real-time disaster response, earthquake research, etc. are possible. .
  • the process from the pre-processing of the base data set to the identification of the driving force is used as a core process, so that application processing such as prediction, geospatial application, and real-time response is possible.
  • application processing such as prediction, geospatial application, and real-time response is possible.
  • forward forecasting can be performed using observation information from atmospheric gas or soil, and current climate observation data and related proxy data (isotopes, pollen data, tree rings, etc.) You can also forecast climate change in the past geological era based on observations.
  • FIG. 2 is a diagram illustrating an operation method of a soil gas monitoring and response system according to an embodiment.
  • the operation method of the soil gas monitoring and response system may constitute a base dataset for soil gas and related environmental observation data (step 201).
  • the base data set according to an embodiment may be monitored by dividing each numerical value monitored in real time into a time series. For example, even if each value generated in the carbon dioxide (CO 2 ) emitted from the soil has the same value, it can be interpreted as a different value if the order of occurrence over time is different.
  • CO 2 carbon dioxide
  • FIG. 3 is a diagram for explaining a method of constructing a base dataset for soil gas and related environmental observation data.
  • the operation method of the soil gas monitoring and response system may construct a pre-processing and a base data set to construct a base data set for the soil gas and related environmental observation data (step 301).
  • the operation method of the soil gas monitoring and response system may configure and arrange the observation matrix of the composite environmental measurement data data set including the soil gas and the data matrix according to the observation time resolution as the base data set. .
  • the method of operation of the soil gas monitoring and response system may interpolate the missing data for each time-domain resolution or time observation interval for the aligned base data set to compensate for the insufficient observation data (step 302).
  • the operation method of the soil gas monitoring and response system can noise-filter the interpolated base data set according to the analysis purpose and standardize and normalize the data.
  • the method of operating the soil gas monitoring and response system may identify and extract dynamic characteristics of the configured base dataset (step 202).
  • the operation method of the soil gas monitoring and response system can quantify the dynamic characteristics of the main time-frequency domain, and a detailed description thereof will be described in detail with reference to FIG. 4.
  • FIG. 4 is a diagram illustrating a process of identifying and extracting dynamic characteristics of the configured base data set.
  • the method of operation of the soil gas monitoring and response system may first generate a state space model of the base dataset to identify and extract dynamic characteristics of the base dataset (step 401).
  • the operation method of the soil gas monitoring and response system can perform state-space modeling for each time-domain resolution of the configured base dataset.
  • the state space model appropriately models the state of change in the system embedded in the observations of the time series by dividing and modeling the time series changes in which each item and element constituting the base data set are divided into the observation equation and the state equation. Can be interpreted as
  • the operation method of the soil gas monitoring and response system may select the optimal state space model based on the time domain resolution of the configured base data set (step 402).
  • the optimal number of potential driving forces and the shape of the residual covariance matrix can be selected based on the model diagnostic indicators (ACI / AICc / BIC) and the loading capacity, and the optimal state space model can be selected based on this.
  • the residual covariance matrix expresses the covariance in the form of a matrix that represents the relationship between two values that calculate the difference, for the residual, which is the difference between the calculated value or the theoretical value and the most certain value obtained from an observation or a measurement. It can be interpreted as information.
  • the operation method of the soil gas monitoring and response system can be diagnosed by selecting a potential driving force group of the selected optimal state space model (step 403), and extracting a dynamic change of the potential driving force (step) 404).
  • the operation method of the soil gas monitoring and response system extracts the variation characteristics over time of the candidate group of potential driving force, and quantifies the dynamic characteristics of the main time-frequency domain through wavelet analysis on the extracted variation characteristics, Dynamic characteristics for the base dataset can be identified and extracted.
  • the fluctuation characteristic is at least in the dynamic characteristic / time varying characteristics / spatial varying characteristics / spatiotemporal characteristics of the selected potential driving force candidate group over time. It can be interpreted as including one characteristic.
  • an operation method of a soil gas monitoring and response system may identify and evaluate a driving force for soil gas based on the extracted dynamic characteristics (step 203). Based on this, the operation method of the soil gas monitoring and response system according to an embodiment may provide an optimal response scenario based on the identified and evaluated driving force.
  • FIG. 5 is a view for explaining the process of identifying and evaluating the driving force for the soil gas based on the extracted dynamic characteristics.
  • the operation method of the soil gas monitoring and response system may diagnose the multi-resolution correlation between the potential driving force and the observed data in order to identify and evaluate the driving force for the soil gas (step 501). At this time, it is possible to diagnose the correlation considering the time delay and phase change between the potential driving force and the observed data (step 502).
  • steps 501 and 502 may be performed.
  • steps 501 and 502 may be performed if only time delay and phase change are considered in diagnosing multi-resolution correlation.
  • step 501 may be performed if only information other than time delay and phase change is considered.
  • steps 501 and 502 can be processed in turn.
  • the operation method of the soil gas monitoring and response system may select the highest correlation scale between the potential driving force and the observation data based on the performed correlation diagnosis result (step 503).
  • the highest correlation scale associated with the most correlated latent driving force and observation data can be selected.
  • the operation method of the soil gas monitoring and response system may identify a driving force using a correlation between a potential driving force and a wavelet energy ratio between observation data and a selected highest correlation scale (step 504).
  • the operation method of the soil gas monitoring and response system may evaluate the contribution through a linear combination between the cumulative energy ratio of the highest correlation scale and the explanatory power indicator of the state space model (step 505). For example, it is possible to evaluate the relative contribution by processing a linear combination between the cumulative energy ratio of the selected highest correlation scale and the explanatory power index of the state space model.
  • an operation method of a soil gas monitoring and response system may identify and evaluate environmental factors using a wavelet-based multi-resolution state-space model SSM (MRSSM) approach.
  • MRSSM wavelet-based multi-resolution state-space model SSM
  • a state-space model (SSM) part may be defined by Equations 1 to 2 below.
  • t denotes an observation time interval
  • M denotes potential driving force candidates (PEDs)
  • PEDs potential driving force candidates
  • Is the jth (where j is a real value) potential driving force and includes seasonal or other cyclic trends Denotes the factor loading of the j-th potential driving force candidate for the i-th observation variable, Denotes the residual term at time t, And Denotes a value assumed to be white noise and evaluated through error covariance matrices R and Q.
  • the SSM model (eg, M and R, etc.) and the parameters of Equations 1 to 2 (eg, And ) Can be tested by combining a maximum likelihood method, a Kalman filter / smoother and an EM-expectation-maximization algorithm.
  • the structure of the error covariance matrix R can be considered diagonal-and-equal assuming the same error covariance for all time series, and diagonal-and-unequal assuming a specific error covariance for each time series.
  • M and the error covariance matrix R can be selected based on AICc (Akaike's Information Criterion corrected for small sample sizes).
  • a multiresolution analysis part may be expressed using wavelet transforms as shown in Equations 3 to 5 below.
  • N is a positive integer value
  • a p and D p at decomposition levels p It represents the approximation and detail of the component
  • the maximum decomposition level J can be determined by the following equation (6).
  • the MRSSM approach is the maximum correlation coefficient (maximum correlation coefficient) defined in Equation 7 below.
  • the maximum correlated time-frequency bands between times x and y can be detected using.
  • decomposition level p Denotes the scale-localized correlation coefficient of, For time x and y at decomposition level p Denotes the scale-localized correlation coefficient.
  • the decomposition level p may be expressed as (1, 2, 3, 4, 5).
  • Equations 7 to 8 described above relate to a scale-localized correlation analysis, which can detect a maximum correlation frequency band between times x and y, and may be applied to find a time series having high correlation. .
  • the MRSSM approach may use a wavelet transformed coherency analysis (WTC) together to further clarify the maximum correlation time-frequency band between the potential driving force (PED) and the observed data.
  • WTC wavelet transformed coherency analysis
  • the WTC may represent a time-frequency domain cross-correlation between an input time series x and an output time series y using CWT.
  • wavelet coherence i.e., time-frequency domain correlation
  • WSC wavelet squared coherency
  • the MRSSM approach according to one embodiment is dynamic efficiency It is possible to evaluate the degree to which each potential driving force contributes to the target time series.
  • dynamic efficiency Is the cumulative wavelet energy in the main time-frequency band (scale) ) And total wavelet energy And factor loading It can be defined by the following equation (9) for computing.
  • FIGS. 6 to 8 will be described in detail with respect to the technology of the response system utilizing the soil gas monitoring results.
  • FIG. 6 is a diagram illustrating a process of constructing a deep learning neural network model.
  • the operation method of the soil gas monitoring and response system may establish a deep learning model using soil gas and related environmental observation data and environmental factors as input data simultaneously.
  • the core spatiotemporal change of natural background changes The predictive power of observations and factors can be continuously improved.
  • real-time environmental monitoring / early warning / response system based on this can be implemented.
  • an operation method of a soil gas monitoring and response system may establish a deep neural network model (step 601).
  • a deep learning model using soil gas and related environmental observation data and identified and evaluated driving force as input data can be constructed as a deep neural network model.
  • the operation method of the soil gas monitoring and response system is to quantify the training index by selecting the training index based on the soil gas and related environmental observation data and the multi-resolution dynamic characteristics of the identified and evaluated driving force.
  • Can (step 602).
  • the prediction model can be optimized based on the residual resolution of the observed values measured from soil gas and related environmental observation data, and the predicted values predicted from the deep neural network model and multiresolution analysis of the residuals (step 603).
  • the operation method of the soil gas monitoring and response system is optimized by major environmental driving forces to generate an optimized training group (tuned pre-trained network), real-time environmental monitoring, early warning , A real-time environmental monitoring / early warning / response system (step 604).
  • the operation method of the soil gas monitoring and response system may provide an optimal response scenario based on the identified and evaluated driving force by constructing a real-time response system using the established system.
  • FIG. 7 is a view for explaining the process of building a real-time response system.
  • the operation method of the soil gas monitoring and response system may be constructed by using a deep network group of optimization training to build a real-time response system (step 701).
  • the operation method of the soil gas monitoring and response system may calculate the allowable range of the natural background variation by selecting a threshold of the natural background variation (step 702).
  • the operation method of the soil gas monitoring and response system can frequently determine whether the determined observation data exceeds the calculated allowable range. As a result of the determination, it is possible to reconstruct the deep network group for identification and optimization of the main driving force for the data determined as the outlier (step 703).
  • the operation method of the soil gas monitoring and response system can identify the driving force according to the predicted result of the outlier, evaluate the relative contribution, and select an alarm priority (step 704).
  • the operation method of the soil gas monitoring and response system can generate a real-time change and response scenario for each cause of the outlier (step 705), and provide an alarm signal generation and an optimal response scenario according to the generated real-time change and response scenario. Yes (step 706).
  • the present invention can more intensively learn the characteristics of the target soil gas and environmental impact factors, which are the core spatial and temporal changes, so that more accurate prediction can be efficiently performed.
  • the present invention can contribute to vulnerability and risk assessment for target sites and environmental variables for specific environmental factors.
  • Reference numeral 810 denotes photographic data describing the location and geographic characteristics of the test site
  • reference numeral 820 denotes zones 1 to 5 zoned for observation at the test site.
  • reference numeral 810 corresponds to an artificial CO 2 emission test site called an Environmental Impact Test Facility (EIT) operated by a CO 2 storage environment monitoring research center to establish an integrated CO 2 storage environment management plan.
  • EIT Environmental Impact Test Facility
  • leaks of CO 2 are also measured in zones 2 to 5 except zone 1.
  • Zone 3 an observation point for detecting carbon dioxide flux (FCO 2 ) is displayed.
  • Zone 3 can be used as a territorial, or zero point, data to characterize the baseline for soil surface CO 2 .
  • a plurality of categories (four categories in this embodiment) of real-time data may be collected for a period of time.
  • Meteorological, atmospheric, and soil characteristics and soil respiration variables can be collected as soil gas and related environmental observation data and based on this, a basic dataset can be constructed.
  • Weather variables such as rainfall (CR, mm) can be measured by an on-site automatic weather station every 10 minutes.
  • atmospheric temperature, solar radiation, wind speed, relative humidity and atmospheric pressure can be measured.
  • soil characteristics soil temperature, soil volume moisture and soil electrical conductivity can be measured by depth, for example, every 10 minutes.
  • the soil respiration variable (R s ) can be measured for the water vapor content, CO 2 concentration, and flow rate of the indicator measured using a closed automatic chamber.
  • soil respiration parameters can be measured every 30 minutes.
  • FIG. 9A is a wavelet energy distribution, which shows the wavelet energy distribution for each frequency of observation variables and wavelet filtering data and potential driving force groups by discrete wavelet transform (DWT).
  • DWT discrete wavelet transform
  • 9A shows the wavelet energy distribution for the nine main observation variables.
  • Rainfall can be interpreted as rainfall information for observation points.
  • RH relative humidity relative to temperature
  • T Atmospheric temperature
  • P atmospheric pressure
  • WS wind speed
  • CO2 carbon dioxide
  • FCO2 carbon dioxide on the soil surface. It means the flux (Soil surface CO2 flux).
  • FIG. 9A DWT (Discrete wavelet transform) and wavelet de-nosing results are shown.
  • Reference numeral 911 corresponds to a discrete wavelet-based frequency wavelet energy distribution for raw data of major observation variables
  • reference numeral 912 Denotes wavelet energy distribution information for wavelet filtering data of main observation variables.
  • D1 to D5 and A5 are wavelet decomposition steps by discrete wavelet analysis, and may represent the time-frequency scale of each component used for wavelet analysis over a wide range according to the length of observation data.
  • PDF potential driving force group
  • D1 to D5 detailed components
  • Ap and Dp for the decomposition level may be included, wherein Ap and Dp are low-frequency signals of 0.25 cycles or less at each decomposition level (p) and high-frequency of 0.25 to 0.5 cycles Signals can be applied.
  • the maximum decomposition level A5 corresponds to a scale of 25 * 6 hours (ie, 8 days), which is variously selected according to the observation interval and length of the original data Can be.
  • all time frequency scales for the decomposition level may be 1/2 day (D1), 1 day (D2), 2 day (D3), 4 day (D4), 8 day (D5). have.
  • the processes from D1 to D3 can be considered short-term (scale of 2 days) and the processes of D5 and A5 can be considered long-term (scale of 8 days or more) or seasonal.
  • rainfall shows a distribution of 60% or more from D1 to D4, while WS shows a distribution of slightly more than 20%.
  • CO 2 shows a major wavelet energy (Ew) distribution in a short-term scale, while FCO 2 shows a major Ew distribution in a relatively long period from D5 to A5.
  • Tsoils and SWCs showed a moderate change of Ew according to soil depth, but EC showed a rapid change of Ew in the most severe soil (EC3).
  • FIGS. 9B are graphs 920 showing main observation data and their noise filtering effect.
  • reference numeral 921 is a graph showing changes in carbon dioxide plus (FCO 2 ) and wind speed (WS), and raw data represents measured data and WD (Wavelet Denoise) data is a signal that removes noise from raw data. Indicates.
  • reference numeral 922 corresponds to residual data for raw data and WD data.
  • Residual data is useful for the interpretation of rapidly changing observations, and can be used to identify-evaluate-predict driving forces hidden in short frequency domains.
  • residual data can be used to analyze and predict earthquake data.
  • reference numerals 923 and 924 denote various analysis values for the collected raw data, for example, histogram, cumulative histogram, autocorrelation, FFT spectrum, etc. for raw data.
  • FIG. 10 is a diagram showing potential environmental driving force candidates (Potential EDs) extracted by state-space modeling.
  • FIG. 10 is a diagram showing dynamic factors (DyF) based on raw data and dynamic factors (DyF) based on wavelet de-noising (WD).
  • reference numeral 1010 denotes dynamic factor loading for raw data
  • reference numeral 1020 denotes element loading for wavelet de-noise (WD) data.
  • PED4 of the original data model or WD_PED1 of the wavelet filtering data model as the main potential driving force candidate for the Soil CO2 flux (FCO2) is selected according to the element load degree and time for each element. You can see the change.
  • Reference numeral 1030 can identify the wavelet energy distribution for each frequency domain in comparison with the original data and the wavelet filtered data of the carbon dioxide flux and the time series observation data of the main environment.
  • a frequency is a core frequency by checking a correlation coefficient r for a scale.
  • a correlation coefficient r for a scale.
  • PED4 and FCO 2 show a high correlation coefficient at a scale of 4-8 days.
  • noise-removed PED1 and FCO 2 show high correlation coefficients on a scale of 1-2 days.
  • 11B shows a correlation 1120 versus scale.
  • high correlation results are observed in D4 and A5.
  • the wavelet energy distribution (Ew) at the corresponding scale can be checked.
  • the wavelet energy distribution at the scale of D4 is measured to be less than 3%, and the wavelet energy distribution at the scale at A5 is measured to be 80% or more.
  • the results of these measurements show that the main environmental driving forces (MEDs) for FCO2 are closely related to the environmental processes lasting more than 8 days, which is the frequency at which the impact of the main environmental driving force is greatest. You can check the band. That is, it can be confirmed which element of the observation data is the main driving force for the change of soil gas.
  • MEDs main environmental driving forces
  • 12A shows an example of deep learning prediction using only the original observation data as input data.
  • Reference numeral 1210 denotes a result of real-time observation of CO 2 concentration at an observation point and deep learning based on this.
  • the points shown in each graph correspond to the predicted values, and each predicted value is represented by a correlation against the scale along with the original data.
  • the error rate over time tends to increase rapidly after September 15th. This indicates that the residuals suddenly increase as a result of deep learning.
  • the reason why the error rate for the residuals increases is that there is an accumulation of errors or that the learning data set used for training does not properly reflect the changed characteristics of the prediction period.
  • FIGS. 12A / 12B as a result of deep learning learning using summer observation data, it is shown that an error increases significantly from a specific time when it is suitable for autumn observation data.
  • deep learning can be used to predict complex environmental processes, as well as to build a real-time CO 2 leak monitoring system, and the wavelet-based multi-resolution SSM (MRSSM) approach corresponding to the Core section is nonstationary.
  • MRSSM wavelet-based multi-resolution SSM
  • the device described above may be implemented with hardware components, software components, and / or combinations of hardware components and software components.
  • the devices and components described in the embodiments include, for example, processors, controllers, arithmetic logic units (ALUs), digital signal processors (micro signal processors), microcomputers, field programmable arrays (FPAs), It may be implemented using one or more general purpose computers or special purpose computers, such as a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions.
  • the processing device may run an operating system (OS) and one or more software applications running on the operating system.
  • the processing device may access, store, manipulate, process, and generate data in response to the execution of the software.
  • OS operating system
  • the processing device may access, store, manipulate, process, and generate data in response to the execution of the software.
  • a processing device may be described as one being used, but a person having ordinary skill in the art, the processing device may include a plurality of processing elements and / or a plurality of types of processing elements. It can be seen that may include.
  • the processing device may include a plurality of processors or a processor and a controller.
  • other processing configurations such as parallel processors, are possible.
  • the software may include a computer program, code, instruction, or a combination of one or more of these, and configure the processing device to operate as desired, or process independently or collectively You can command the device.
  • Software and / or data may be interpreted by a processing device, or to provide instructions or data to a processing device, of any type of machine, component, physical device, virtual equipment, computer storage medium or device. , Or may be permanently or temporarily embodied in the transmitted signal wave.
  • the software may be distributed over networked computer systems, and stored or executed in a distributed manner.
  • Software and data may be stored in one or more computer-readable recording media.
  • the method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium.
  • the computer-readable medium may include program instructions, data files, data structures, or the like alone or in combination.
  • the program instructions recorded in the medium may be specially designed and configured for the embodiments or may be known and usable by those skilled in computer software.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs, DVDs, and magnetic media such as floptical disks.
  • -Hardware devices specifically configured to store and execute program instructions such as magneto-optical media, and ROM, RAM, flash memory, and the like.
  • program instructions include high-level language codes that can be executed by a computer using an interpreter, etc., as well as machine language codes produced by a compiler.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

Abstract

본 발명은 통합환경모니터링 및 환경관리기법에 관한 것으로서, 토양가스 및 유관 환경 관측자료에 대한 기반데이터세트를 구성하고, 상기 구성된 기반데이터세트에 대한 동적 특성을 식별 및 추출하며, 상기 추출된 동적 특성에 기초하여 토양가스에 대한 구동력을 식별 및 평가하는 단계를 포함함으로써, 실시간 환경모니터링 자료를 이용하여 이산화탄소지중저장(CCS) 및 이와 연관된 가스상물질의 지하저장 저장부지 및 후보지의 토양가스의 자연배경변동과 이를 지배하는 환경요인을 정량적으로 식별, 평가 및 예측하는 기술에 관한 것이다.

Description

토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법
본 발명은 통합환경모니터링 및 환경관리기법에 관한 것으로서, 보다 상세하게는 실시간 환경모니터링 자료를 이용하여 이산화탄소지중저장(CCS) 및 이와 연관된 가스상물질의 지하저장 부지 및 후보지의 토양가스(CO2, NO2, CH4, CO, C2H6, N2O, SO2, Rn)의 자연배경변동과 이를 지배하는 환경요인을 정량적으로 식별, 평가 및 예측하고, 이를 기반으로 조기누출 탐지, 누출의 환경영향성 평가를 포함하는 통합환경관리 기술에 관한 것이다.
2015년 11월에 진행된 파리기후협약 이후 대기중 방출되는 인위적인 이산화탄소(CO2)의 부하량을 저감시키기 위해 세계 각국은 CO2 감축대비 목표량을 설정했다. 뿐만 아니라, 설정된 목표량에 기초하는 적극적인 대응책의 일환으로 CO2의 포집 및 지중저장(CCS)에 관한 연구와 실증을 강화해 가고 있으며, 해외, 특히 노르웨이나 호주 등에서는 적극적인 상업저장 시설을 설치, 운영하거나 확장해 가고 있다.
국내의 CCS 연구는 시험부지 규모의 주입시험시설에서의 주입시험 연구와 CCS저장에 의한 환경영향평가를 위한 연구로 수행되고 있고, 기 설정된 2030년 감축 목표치를 달성하기 위해 기술개발과 현장실증에 대한 연구가 더욱 적극적으로 수행되고 있다.
지중에 저장된 CO2는 다양한 요인에 의해 자연적/인위적 방출과정을 거쳐 점점 지표로 상승하게 된다. 이러한 방출과정은 누출로 해석될 수도 있는데 이 과정에서 필연적으로 지중 및 지표의 물리적, 화학적, 생물학적 환경에 영향을 끼치게 된다. 따라서 누출에 대한 환경영향평가 및 예측관련 기술들은 주입시설의 설계와 동시에 이루어 져야만 한다.
또한, 통합환경모니터링과 환경관리시스템은 저장소의 안전성을 지속적 감시하고 보장하기 위해 주입종료 후에도 장기적으로 운영 되어야 한다.
일단 지중 저장소에서 누출된 CO2는 최종적으로 지표에서 기체상으로 관측되게 되므로 지표의 CO2 농도와 플럭스는 CO2 조기누출을 탐지하는 가장 직접적인 지표로 활용할 수 있다.
하지만 CO2를 포함하는 지표의 다양한 토양가스 농도와 플럭스는 대기-토양-생물계의 복합 상호작용에 의해 누출과는 무관하게 시공간적인 변동성이 매우 크다. 이 때문에 CO2를 포함하는 토양가스들의 자연배경치(baseline) 변동에서 조기 누출의 신호를 분리해 내는 것은 매우 어려운 과제이다.
더구나 기존의 토양가스 모니터링 관련 기술들은 실시간으로 관측 되는 토양가스들(CO2, NO2, CH4, CO, C2H6, N2O, SO2, Rn) 및 주변환경변수(수문기상자료, 토양 물리화학특성, 식물의 영향 등)을 일반적인 독립분포기반의 통계처리를 통해 고정적인 배경값으로 제안함으로 인해 비정상성과 상호의존성을 기본으로 하는 토양가스와 관련된 다변량시계열의 변동성을 제대로 반영 할 수 없다.
특히, 지표 토양가스의 농도와 플럭스는 온도변화에 따른 일주기, 계절주기성 변화와 지표대기유동에 의한 난류흐름에도 크게 영향 받으며, 그 발생원인이 되는 토양내의 물리, 화학, 생물학적 상호작용에 직접적인 규제를 받는다.
따라서 토양가스 및 환경변수의 관측값만을 가지고 고정적인 범위의 임계값을 설정하는 기존의 기술들은 관측장비의 해상도가 비약적으로 높아진다고 해도 그 결과만을 해석하는 수준을 벗어나기 어렵기 때문에, 자연배경변동의 영향요인에 대한 정량적인 규명과 예측에 기반한 실시간 통합환경모니터링 기술과 이를 활용한 환경관리 시스템의 개발이 필수적이다.
본 발명은 다양한 토양가스들(CO2, NO2, CH4, CO, C2H6, N2O, SO2, Rn) 및 이들과 함께 계측되는 환경시계열 계측자료들에 대해 시간에 따라 변화하는 다양한 환경요인들의 구조적 특성을 반영하는 것을 목적으로 한다.
본 발명은 다해상도 시간-주파수의 영역의 해석방법을 사용하여 관측값 변화의 원인이 되는 핵심적인 환경구동력들(key environmental drivers)과 그 효과들을 보다 체계적으로 분리, 식별(identification)하는 것을 목적으로 한다.
본 발명은 환경 구동력과 그에 따른 기여도를 정량적으로 평가(evaluation)하는 것을 목적으로 한다.
본 발명은 관측값과 환경요인을 동시에 이용하는 심층신경망(deep learning neural network)을 구성 하는 것을 목적으로 한다.
본 발명은 심층신경망을 구성함으로써 최적 학습을 위한 특성치와 예측의 인과성에 대한 정량적인 근거를 제시 하는 것을 목적으로 한다.
본 발명은 대상 토양가스와 환경영향요인들의 핵심적인 시공간적 변화특성을 보다 집중적으로 학습 하는 것을 목적으로 한다.
본 발명은 보다 정밀한 예측(prediction)을 효율적으로 수행 하는 것을 목적으로 한다.
본 발명은 특정한 토양가스의 종류에 구속 받지 않고 농도, 플럭스, 동위원소비율 등 실시간으로 계측되는 다양한 가스상물질들의 관측자료에 대해 범용적으로 활용 하는 것을 목적으로 한다.
본 발명은 자연배경변동과 인위적 누출을 효과적으로 분리-식별함으로써 누출 신호를 조기 탐지(early detection) 하는 것을 목적으로 한다.
본 발명은 특정 환경요인에 대한 대상 부지 및 환경변수에 대한 취약성 및 위해성 평가(vulnerability/risk assessment)에 기여 하는 것을 목적으로 한다.
일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 토양가스 및 유관 환경관측 자료에 대한 기반데이터세트를 구성하는 단계, 상기 구성된 기반데이터세트에 대한 동적 특성을 식별 및 추출하는 단계, 및 상기 추출된 동적 특성에 기초하여 토양가스에 대한 구동력을 식별 및 평가하는 단계를 포함하고, 상기 식별 및 평가된 상기 구동력에 기초하여 최적 대응 시나리오를 제공할 수 있다.
일실시예에 따른 상기 토양가스 및 유관 환경관측 자료에 대한 기반데이터세트를 구성하는 단계는, 토양가스를 포함한 복합환경계측자료 데이터세트의 관측항목과 관측시간 해상도에 따른 데이터 매트릭스를 상기 기반데이터세트로서 구성하고 정렬하는 단계, 상기 정렬된 기반데이터세트에 대한 시간영역 해상도 또는 시간관측 간격 별 결측자료를 보간 처리 하는 단계, 상기 보간 처리된 기반데이터세트의 자료를 노이즈 필터링하고, 상기 노이즈 필터링된 결과를 표준화 및 정규화 하는 단계를 포함할 수 있다.
일실시예에 따른 상기 구성된 기반데이터세트에 대한 동적 특성을 식별 및 추출하는 단계는, 상기 구성된 기반데이터세트에 대한 시간영역 해상도 별로 상태공간모형화를 수행 하는 단계, 상기 구성된 기반데이터세트의 상기 시간영역 해상도에 따른 최적상태공간모델을 선정하는 단계, 상기 선정된 최적상태공간모델의 잠재구동력 후보군(potential driving force group)을 선정하는 단계, 상기 선정된 잠재구동력 후보군의 시간에 따른 변동특성을 추출하는 단계, 및 상기 추출된 변동특성에 대해 웨이블렛 해석을 통한 주요 시간-주파수 영역의 동적 특성을 정량화하는 단계를 포함하고, 상기 변동특성은 상기 선정된 잠재구동력 후보군의 시간에 따른 동적 특성과 시변특성(dynamic feature and time varying characteristics) 및 공간적 변화특성(spatial characteristics)과 시공간 변화특성(spatiotemporal characteristics) 중에서 적어도 하나의 특성을 포함할 수 있다.
일실시예에 따른 상기 최적상태공간모델을 선정하는 단계는, 모델진단지표(AIC/AICc/BIC) 및 설명력(loading)을 기반 최적 잠재구동력의 갯수와 잔차공분산행렬의 형태를 선정하는 단계를 포함할 수 있다.
일실시예에 따른 상기 추출된 동적 특성에 기초하여 토양가스에 대한 구동력을 식별 및 평가하는 단계는, 상기 구성된 기반데이터세트의 시간영역 해상도에 따라 선정된 최적상태공간모델의 잠재구동력과 관측자료간 다해상도 상관성을 진단하되, 상기 잠재구동력과 상기 관측자료간 시간지연 및 위상변화를 반영한 상관성진단을 수행하는 단계, 상기 수행된 상관성진단 결과에 기초하여, 상기 잠재구동력과 상기 관측자료간 최고상관스케일을 선정하는 단계, 상기 잠재구동력과 상기 관측자료간 웨이블렛 에너지 비율과 상기 선정된 최고상관스케일의 상관관계를 이용한 구동력을 식별하는 단계, 및 상기 선정된 최고상관스케일의 누적에너지비율과 상태공간모델의 설명력 지표간의 선형결합을 처리하여 상대적 기여도를 평가하는 단계를 포함할 수 있다.
일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 상기 구동력에 대한 실시간 진단을 위한 심층학습신경망모델을 구축하는 단계를 더 포함할 수 있다.
일실시예에 따른 상기 심층학습신경망모델을 구축하는 단계는, 상기 토양가스 및 유관 환경관측 자료와 상기 식별 및 평가된 상기 구동력을 입력자료로 하는 딥러닝 모델을 심층신경망모델로서 구축하는 단계, 상기 토양가스 및 유관 환경관측 자료와 상기 식별 및 평가된 상기 구동력의 다해상도 동적 특성을 기반의 훈련지표 선정하여 훈련지표를 정량화하는 단계, 상기 토양가스 및 유관 환경관측 자료로부터 측정되는 관측값과 상기 심층신경망모델로부터 예측되는 예측값의 잔차검증 및 잔차의 다해상도해석에 기반하여 예측모델을 최적화 하는 단계, 및 주요 환경구동력에 의해 최적화 처리하여 최적화 훈련 심층네트워크(tuned pre-trained network) 군(group)을 생성하는 단계를 포함할 수 있다.
일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 상기 최적 대응 시나리오를 제공하기 위한 실시간 대응시스템을 구축하는 단계를 더 포함할 수 있다.
일실시예에 따른 상기 실시간 대응시스템을 구축하는 단계는, 상기 생성된 최적화 훈련 심층네트워크군을 활용한 실시간 진단시스템을 구축하는 단계, 자연배경치변동의 임계치를 선정하여 자연배경변동의 허용범위를 산정하는 단계, 상기 임계치에 대한 이상값으로 판별되는 자료에 대해 구동력을 다시 식별하고, 다시 식별된 구동력을 기반으로 최적화훈련심층네트워크군을 재구성하는 단계, 상기 이상값의 예측결과에 따른 구동력을 식별하고, 상대적 기여도를 평가하며, 경보우선순위를 선정하는 단계, 상기 이상값의 원인 별 실시간 변화 및 대응 시나리오를 생성하는 단계, 및 상기 생성된 실시간 변화 및 대응 시나리오에 따른 경보신호 발생 및 최적 대응시나리오를 제공하는 단계를 포함할 수 있다.
일실시예에 따른 토양가스 모니터링 및 대응 시스템은 토양가스 및 유관 환경관측 자료에 대한 기반데이터세트를 구성하는 전처리부, 상기 구성된 기반데이터세트에 대한 동적 특성을 식별 및 추출하는 동적 특성 처리부, 및 상기 추출된 동적 특성에 기초하여 토양가스에 대한 구동력을 식별 및 평가하는 구동력 처리부를 포함하고, 상기 식별 및 평가된 상기 구동력에 기초하여 최적 대응 시나리오를 제공할 수 있다.
일실시예에 따른 상기 전처리부는, 상기 토양가스를 포함한 복합환경계측자료 데이터세트의 관측항목과 관측시간 해상도에 따른 데이터 매트릭스를 상기 기반데이터세트로서 구성하고 정렬하며, 상기 정렬된 기반데이터세트에 대한 시간영역 해상도 또는 시간관측 간격 별 결측자료를 보간 처리 하고, 상기 보간 처리된 기반데이터세트를 노이즈필터링 하고 이들 자료를 표준화 및 정규화 할 수 있다.
일실시예에 따른 상기 동적 특성 처리부는, 상기 구성된 기반데이터세트에 대한 시간영역 해상도 별로 상태공간모형화를 수행 하고, 상기 구성된 기반데이터세트의 상기 시간영역 해상도에 따른 최적상태공간모델을 선정하며, 상기 선정된 최적상태공간모델의 잠재구동력 후보군(potential driving force group)을 선정하고, 상기 선정된 잠재구동력 후보군의 시간에 따른 변동특성을 추출하며, 상기 추출된 변동특성에 대해 웨이블렛 해석을 통한 주요 시간-주파수 영역의 동적 특성을 정량화할 수 있다.
일실시예에 따른 상기 구동력 처리부는, 상기 구성된 기반데이터세트의 시간영역 해상도에 따라 선정된 최적상태공간모델의 잠재구동력과 관측자료간 다해상도 상관성을 진단하되, 상기 잠재구동력과 상기 관측자료간 시간지연 및 위상변화를 반영한 다해상도 상관성진단을 수행하고, 상기 수행된 다해상도 상관성진단 결과에 기초하여, 상기 잠재구동력과 상기 관측자료간 최고상관스케일을 선정하며, 상기 잠재구동력과 상기 관측자료간 웨이블렛 에너지 비율과 상기 선정된 최고상관스케일의 상관관계를 이용한 구동력을 식별하고, 상기 선정된 최고상관스케일의 누적에너지비율과 상태공간모델의 설명력 지표간의 선형결합을 처리하여 상대적 기여도를 평가할 수 있다.
일실시예에 따르면, 다양한 토양가스들(CO2, NO2, CH4, CO, C2H6, N2O, SO2, Rn) 및 이들과 함께 계측되는 환경관측료들 (수문기상자료, 토양 물리/화학특성자료, 생물호흡자료)에 대해 시간에 따라 변화하는 다양한 환경요인들의 구조적 특성을 반영할 수 있다.
일실시예에 따르면, 다해상도 시간-주파수의 영역의 해석방법을 사용하여 관측값 변화의 원인이 되는 핵심적인 환경구동력들(key environmental drivers)과 그 효과들을 보다 체계적으로 분리, 식별할 수 있다.
일실시예에 따르면, 환경 구동력과 그에 따른 기여도를 정량적으로 평가할 수 있다.
일실시예에 따르면, 관측값과 환경요인을 동시에 이용하는 심층신경망(deep learning neural network)을 구성할 수 있다.
일실시예에 따르면, 심층신경망을 구성함으로써 최적 학습을 위한 특성치와 예측의 인과성에 대한 정량적인 근거를 제시할 수 있다.
일실시예에 따르면, 대상 토양가스와 환경영향요인들의 핵심적인 시공간적 변화특성을 보다 집중적으로 학습시킬 수 있다.
일실시예에 따르면, 보다 정밀한 예측을 효율적으로 수행할 수 있다.
일실시예에 따르면, 특정한 토양가스의 종류에 구속 받지 않고 실시간으로 계측되는 다양한 가스상물질들에 범용적으로 활용할 수 있다.
일실시예에 따르면, 자연배경변동과 인위적 누출을 효과적으로 분리-식별함으로써 누출 신호를 조기 탐지(early detection) 할 수 있다.
일실시예에 따르면, 특정 환경요인에 대한 대상 부지 및 환경변수에 대한 취약성 및 위해성 평가(vulnerability/ risk assessment)에 기여할 수 있다.
도 1은 일실시예에 따른 전체 시스템을 설명하는 도면이다.
도 2는 일실시예에 따른 전체 시스템의 동작 방법을 설명하는 도면이다.
도 3은 토양가스 및 유관 환경관측 자료에 대한 기반데이터세트를 구성하는 방법을 설명하는 도면이다.
도 4는 구성된 기반데이터세트에 대한 동적 특성을 식별 및 추출하는 과정을 설명하는 도면이다.
도 5는 추출된 동적 특성에 기초하여 토양가스에 대한 구동력을 식별 및 평가하는 과정을 설명하는 도면이다.
도 6은 심층학습신경망모델을 구축하는 과정을 설명하는 도면이다.
도 7은 실시간 대응시스템을 구축하는 과정을 설명하는 도면이다.
도 8은 CO2의 방출에 대한 실험을 위한 테스트 사이트로서 테스트 사이트를 존들(zones)로 구분하여 CO2의 방출을 관측하는 실시예를 설명하는 도면이다.
도 9a는 웨이블렛 에너지 분포로서, 이산 웨이블렛 변환(DWT)에 의한 관찰 변수 원자료 및 웨이블렛 필터링 자료(WD, Wavelet de-noising)에 대한 주파수별 웨이블렛 에너지(Ew)의 분포를 나타낸다.
도 9b는 주요 관측자료들의 원자료와 웨이블렛 필터링(WD) 자료를 나타내는 그래프들이다.
도 10은 상태공간 모델링에 의해 추출된 잠재구동력후보군(Potential EDs; potential environmental drivers = potential driving force group)를 나타낸다.
도 11a는 관측자료들의 이산웨이블렛 변환에의한 세부성분들 중에서 어느 주파수가 핵심 주파수인지 여부를 확인하기 위한 다해상도 스케일 대비 상관도를 나타낸다.
도 11b는 스케일 대비 상관도를 근사성분과 세부성분 모두에 대해 도시한다.
도 12a는 관측자료 자체만을 활용한 딥러닝 예측 예시를 나타낸다.
도 12b는 도 12a에서 관측값 뿐만 아니라 식별된 핵심특징을 이용하여 학습을 강화시킨 결과를 나타내는 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 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 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일실시예에 따른 토양가스 모니터링 및 대응 시스템(100)을 설명하는 도면이다.
일실시예에 따른 토양가스 모니터링 및 대응 시스템(100)은 실시간 환경모니터링 자료를 이용하여 이산화탄소지중저장(CCS) 및 이와 연관된 가스상물질의 지하저장 저장부지 및 후보지의 토양가스(CO2, NO2, CH4, CO, C2H6, N2O, SO2, Rn)의 자연배경변동과 이를 지배하는 환경요인을 정량적으로 식별, 평가 및 예측하는 동작을 수행한다.
이를 위해, 토양가스 모니터링 및 대응 시스템(100)은 토양가스의 통합환경모니터링과 이를 기반으로 하는 관리를 제공하기 위한, 토양가스(CO2, NO2, CH4, CO, C2H6, N2O, SO2, Rn) 및 환경관측자료들 (수문기상, 토양 물리화학특성, 생물호흡)의 구조적 특성과 인과성의 근거를 동적요인분석을 통해 확보할 수 있다.
참고로, 일반적인 요인 분석(Factor analysis)은 다변량데이터의 차원축소를 통한 주요요인의 정량화 기법에 해당한다. 또한, 동적요인분석(Dynamic factor analysis)은 시계열분석과 요인분석의 결합을 통한 관측자료에 내재하는 공통요인을 추출하고 분석할 수 있다. 참고로, 시계열 분석(Time series analysis)은 시간 순서로 연속적으로 관측되는 자료들에 대한 추계적인(stochastic) 분석 기법의 총칭으로, 광범위한 분야에 적용되는 보통명사로 해석될 수 있다.
또한, 일실시예에 따른 토양가스 모니터링 및 대응 시스템(100)은 웨이블렛 해석기반의 다해상도상관성 분석을 통해 동적요인과 관측자료의 시간-주파수영역의 유사성을 정량화함으로써 환경 구동력을 구체적으로 식별하고, 영향력을 정량적으로 평가(Evaluation) 할 수 있다.
본 명세서에서 사용하는 웨이블렛 해석(Wavelet analysis)이라 함은, 시계열자료의 웨이블렛 변환(Wavelet Transform)을 이용한 시간-주파수영역의 다해상도 분석 기법으로 해석될 수 있다. 웨이블렛 해석은 관측자료를 다양한 시간-주파수 영역으로 분해하는데 특화되어 있다. 즉, 웨이블렛 해석은 시간 영역과 주파수 영역을 동시에 분석하는 방법의 하나로, 연속 신호와 이산 신호에 모두 적용할 수 있으며, 결함 진단에 널리 적용될 수 있는 기법이다.
FFT(fast fourier transform)는 측정 데이터 내에서 정보가 시간 평균이 되므로, 시간 구간에서의 정보를 잃어버리는 단점이 있다. 따라서 웨이블렛 변환은 특히 시간에 대한 결함 주파수가 변화하는 비정상 신호(non-stationary signal)나 과도 신호(transient signal)의 분석에 유용하다. 고전적인 단순 푸리에 변환(STFT: short-time Fourier transform) 이나 가보 변환(Gabor transform)이 단일주파수 대역내에서만 한정되는 문제를 대체할 새로운 크기의 고정된(fixed) 필터 창 함수(window)를 사용하는 반면, 웨이블렛 변환은 고주파 대역에서는 폭이 좁은 창 함수를, 그리고 저주파 대역에서는 폭이 넓은 창 함수를 가변적으로 사용한다. 따라서 웨이블렛 변환은 상대 대역폭 불변 해석(constant relative bandwidth analysis)이라고도 하며 주파수 대역의 변화 폭이 항상 주파수 값과 비례하는 특징을 갖는다.
일실시예에 따른 토양가스 모니터링 및 대응 시스템(100)은 웨이블렛 해석에 기반하여 토양가스를 구성하는 각 수치에 대해 시계열로 발생하는 변화를 고려하여 모니터링한다. 따라서, 토양가스 모니터링 및 대응 시스템(100)은 시간 영역과 주파수 영역을 동시에 분석이 가능하며, 연속 신호와 이산 신호를 모두 모니터링할 수 있다.
또한, 일실시예에 따른 토양가스 모니터링 및 대응 시스템(100)은 딥러닝을 통해 토양가스 및 유관 환경관측 자료와 환경요인을 동시에 입력자료로 활용하여 토양가스(CO2)의 핵심적인 시공간적 변화특성(spatiotemporal feature)을 보다 집중적으로 학습시킴으로써 관측치와 요인에 대한 예측력을 지속적으로 향상 시킬 수 있다.
즉, 일실시예에 따른 토양가스 모니터링 및 대응 시스템(100)은 토양가스 및 유관 환경관측 자료와 환경요인을 동시에 입력자료로 활용하는 심층신경망학습모델(Deep learning model) 을 구축하여, 토양가스의 자연배경변동의 핵심적인 시공간적 변화특성을 집중적으로 학습시킴으로써(focused learning), 관측치와 요인에 대한 예측력을 지속적으로 향상 시킬 수 있다.
토양가스 모니터링 및 대응 시스템(100)에 의한 시공간데이터마이닝(Spatiotemporal data mining)은 시간-공간 빅데이터 자료(spatiotemporal big data)의 주요 특성치(feauture)를 추출 및 분석 하는 자료기반(data-driven)의 빅데이터 해석기법에 해당한다.
한편, 토양가스 모니터링 및 대응 시스템(100)이 토양가스를 분석하는데 필요한 딥러닝(Deep learning)은 심층신경망(deep neural network)을 이용한 기계학습(machine learning) 기법으로서, 관찰된 현상의 특성치 분석 및 예측이 가능하다.
보다 구체적으로, 토양가스 모니터링 및 대응 시스템(100)은 실시간 환경모니터링 자료를 활용하여 환경요인을 정량적으로 분석하기 위해 전처리부(110), 동적 특성 처리부(120), 및 구동력 처리부(130)를 포함할 수 있다.
먼저, 일실시예에 따른 전처리부(110)는 토양가스 및 유관 환경관측 자료에 대한 기반데이터세트를 구성할 수 있다.
전처리부(110)는 토양가스를 포함한 복합환경계측자료 데이터세트의 관측항목과 관측시간 해상도에 따른 데이터 매트릭스를 구성하여 정렬할 수 있다. 이렇게 정렬되는 데이터 매트릭스가 기반데이터세트로 해석될 수 있다.
또한, 전처리부(110)는 정렬된 기반데이터세트에 대한 시간영역 해상도 또는 시간관측 간격 별 결측자료를 보간 처리 할 수 있다. 또한, 전처리부(110)는 보간 처리된 기반데이터세트의 자료를 사용목적에 맞게 노이즈 필터링 하고 또한 표준화 및 정규화 할 수 있다.
결측자료는 레코드에 해당하는 데이터가 존재하지 않거나 레코드에 대해 자료가 없는 요소로 해석될 수 있다.
다음으로, 일실시예에 따른 동적 특성 처리부(120)는 구성된 기반데이터세트에 대한 동적 특성을 식별하고 이를 추출할 수 있다.
구체적으로, 동적 특성 처리부(120)는 웨이블렛 해석(Wavelet analysis)에 기초하여 구성된 기반데이터세트에 대한 시간영역 해상도 별로 상태공간모형을 생성함으로써, 상태공간모형화를 수행할 수 있다.
상태공간모형화는 토양가스를 기반데이터로 하는 시계열자료에 대해 웨이블렛 변환(Wavelet Transform)을 수행하여 시간-주파수영역의 관점에서 측정할 수 있는 다해상도 분석을 위한 준비 과정으로 해석될 수 있다.
다음으로, 동적 특성 처리부(120)는 구성된 기반데이터세트의 시간영역 해상도에 따른 최적상태공간모델을 선정하며, 선정된 최적상태공간모델 중에서 잠재구동력 후보군(potential driving force group)을 선정할 수 있다.
잠재구동력 후보군(potential driving force group)은 주 대상 관측변수의 변화를 유발하는 환경적 원인으로 해석될 수 있고, 본 발명에서는 토양가스의 농도/플럭스 및 이들의 시변특성/시공간특성의 변화를 유발하는 원인으로 해석될 수 있다.
구체적인 상관성에 기반한 원인 분석이 이뤄지기 전에는 직접적인 원인을 파악하기가 어렵기 때문에, 잠재구동력 후보군(potential driving force group)을 선정할 수 있다.
동적 특성 처리부(120)는 선정된 잠재구동력 후보군의 시간에 따른 변동특성을 추출하며, 추출된 변동특성에 대해 웨이블렛 해석을 통한 주요 시간-주파수 영역의 동적 특성으로 정량화할 수 있다.
다음으로, 일실시예에 따른 구동력 처리부(130)는 추출된 동적 특성에 기초하여 토양가스에 대한 구동력을 식별 및 평가할 수 있다.
구체적으로, 구동력 처리부(130)는 구성된 기반데이터세트의 시간영역 해상도에 따라 선정된 최적상태공간모델의 잠재구동력과 관측자료간 다해상도 상관성을 진단할 수 있다. 특히, 구동력 처리부(130)는 잠재구동력과 관측자료간 시간지연 및 위상변화를 반영한 상관성을 진단할 수 있다.
또한, 구동력 처리부(130)는 수행된 상관성 진단 결과에 기초하여, 잠재구동력과 관측자료간 관련도를 고려하여, 관련도가 가장 높은 스케일을 최고상관스케일로 선정할 수 있다.
이후, 구동력 처리부(130)는 잠재구동력과 관측자료간 웨이블렛 에너지 비율과 선정된 최고상관스케일의 상관관계를 이용하여 구동력을 식별할 수 있다. 또한, 구동력 처리부(130)는 선정된 최고상관스케일의 누적에너지비율과 상태공간모델의 설명력 지표간의 선형결합을 처리하여 상대적 기여도를 평가할 수 있다.
이렇게 평가된 상대적 기여도는 어떤 요인에 의해서 기반데이터세트의 급격한 변화가 발생했는지를 판단하는데 사용될 수 있다. 또한, 식별 및 평가된 구동력에 기초하여 발생한 현상에 대한 최적 대응 시나리오를 제공하도록 지원할 수 있다.
결국, 토양가스 모니터링 및 대응 시스템(100)을 이용하면 다양한 토양가스들과 또한 함께 계측되는 환경시계열 계측자료들에 대해 시간에 따라 변화하는 다양한 환경요인들의 구조적 특성을 반영할 수 있다. 또한, 다해상도 시간-주파수의 영역의 해석방법을 사용하여 관측값 변화의 원인이 되는 핵심적인 환경구동력들(key environmental drivers)과 그 효과들을 보다 체계적으로 분리, 식별할 수 있다.
본 발명에서는 토양가스를 모니터링하고 관측값 변화의 원인이 되는 핵심적인 환경구동력들을 식별하는 것으로 실시예를 설명하지만, 이에 국한되는 것은 아니다. 본 발명은 지진, 해일 등 실시간 환경 데이터를 분석하고 이를 기반으로 과거와 미래를 예측하는 등의 다양한 분석에 활용될 수 있다.
보다 구체적으로, 대기오염, PM2.5, VOCs, 수자원, 수량/수질의 조사/평가/관리, 생태환경, 환경영향평가, 지중환경영향평가, 기후변화, 실시간 재해대응, 지진연구 등이 가능하다.
본 발명을 이용하면 기반데이터세트의 전처리에서부터 구동력의 식별에 이르기 까지의 과정을 코어 과정으로 하여, 예측, 지형공간 응용, 실시간 대응 등의 응용 처리가 가능하다. 예를 들면, 대기가스나 토양으로부터의 관측정보를 이용해서 앞으로의 기후변화를 예측(Forward Forecasting) 할 수 있고, 현재의 기후관측자료 및 관련된 proxy 자료들(동위원소, 화분자료, 나이테 등)과 관측정보들에 기초하여 과거 지질시대의 기후변화를 예측(Backward Forecasting)할 수도 있다.
도 2는 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법을 설명하는 도면이다.
일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 토양가스 및 유관 환경관측 자료에 대한 기반데이터세트를 구성할 수 있다(단계 201).
일실시예에 따른 기반데이터세트는 실시간으로 모니터링되는 각 수치를 시계열로 구분지어 모니터링 할 수 있다. 일례로, 토양에서 방출되는 이산화탄소(CO2)에 발생되는 각 수치가 동일한 값을 갖더라도 시간에 따른 발생 순서가 다르면 서로 다른 값으로 해석할 수 있다.
기반데이터세트를 구성하는 과정은 도 3을 통해 보다 구체적으로 설명될 수 있다.
도 3은 토양가스 및 유관 환경관측 자료에 대한 기반데이터세트를 구성하는 방법을 설명하는 도면이다.
일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 상기 토양가스 및 유관 환경관측 자료에 대한 기반데이터세트를 구성하기 위해, 전처리 및 기반데이터세트를 구축할 수 있다(단계 301).
이를 위해, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 토양가스를 포함한 복합환경계측자료 데이터세트의 관측항목과 관측시간 해상도에 따른 데이터 매트릭스를 기반데이터세트로서 구성하고 정렬할 수 있다.
정렬된 기반데이터세트에는 관측자료가 빠짐없이 완벽하진 않다. 이를 위해, 토양가스 모니터링 및 대응 시스템의 동작 방법은 부족한 관측자료를 보완해야 한다.
토양가스 모니터링 및 대응 시스템의 동작 방법은 부족한 관측자료를 보완하기 위해, 정렬된 기반데이터세트에 대한 시간영역 해상도 또는 시간관측 간격 별 결측자료를 보간 처리할 수 있다(단계 302).
다음으로, 토양가스 모니터링 및 대응 시스템의 동작 방법은 보간 처리된 기반데이터세트를 분석목적에 맞게 노이즈 필터링 하고, 자료를 표준화 및 정규화할 수 있다.
다시 도 2를 참조하면, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 구성된 기반데이터세트에 대한 동적 특성을 식별 및 추출할 수 있다(단계 202).
이를 위해 토양가스 모니터링 및 대응 시스템의 동작 방법은 주요 시간-주파수 영역의 동적 특성을 정량화할 수 있는데, 이에 대한 구체적인 설명은 도 4를 통해 상세히 설명한다.
도 4는 구성된 기반데이터세트에 대한 동적 특성을 식별 및 추출하는 과정을 설명하는 도면이다.
토양가스 모니터링 및 대응 시스템의 동작 방법은 기반데이터세트에 대한 동적 특성을 식별 및 추출하기 위해, 먼저 기반데이터세트의 상태공간모형을 생성할 수 있다(단계 401).
구체적으로, 토양가스 모니터링 및 대응 시스템의 동작 방법은 구성된 기반데이터세트에 대한 시간영역 해상도 별로 상태공간모형화를 수행할 수 있다.
예를 들어, 상태공간모형은 기반데이터세트를 구성하는 각각의 항목, 요소가 나타나는 시계열적 변화를 관측방정식과 상태방정식으로 구분하여 모형화 함으로서 시계열의 관측값에 내재된 계의 변화 상태를 적절하게 모형화 하는 것으로 해석될 수 있다.
일례로, 본 발명에서는 토양가스의 변화 요인이 될 수 있는 다양한 가스, 주변 환경, 기후 환경 등을 항목으로 하는 상태공간모형을 생성할 수 있다.
다음으로, 토양가스 모니터링 및 대응 시스템의 동작 방법은 구성된 기반데이터세트의 시간영역 해상도를 기반으로 하여 최적상태공간모델을 선정할 수 있다(단계 402).
구체적으로, 모델진단지표(ACI/AICc/BIC) 및 설명력(loading)을 기반으로 최적 잠재구동력의 갯수와 잔차공분산행렬의 형태를 선정하고 이를 기반으로 최적상태공간모델을 선정할 수 있다.
잔차공분산행렬은 관측값 또는 측정값 등에서 얻어진 가장 확실한 값과, 계산값 또는 이론값의 차인 잔차(residual)에 대해, 차를 계산하는 두 값의 관계를 나타내는 공분산(covariance)을 행렬의 형태로 표현한 정보로 해석될 수 있다.
또한, 토양가스 모니터링 및 대응 시스템의 동작 방법은 선정된 최적상태공간모델의 잠재구동력 후보군(potential driving force group)을 선정하여 진단하고(단계 403), 잠재구동력의 동적변화를 추출할 수 있다(단계 404).
일례로, 토양가스 모니터링 및 대응 시스템의 동작 방법은 선정된 잠재구동력 후보군의 시간에 따른 변동특성을 추출하고, 추출된 변동특성에 대해 웨이블렛 해석을 통한 주요 시간-주파수 영역의 동적 특성을 정량화함으로써, 기반데이터세트에 대한 동적 특성을 식별 및 추출할 수 있다. 이때, 변동특성은 변동특성은 선정된 잠재구동력 후보군의 시간에 따른 동적 특성(dynamic feature)/ 시변특성(time varying characteristics)/ 공간변화특성(spatial varying characteristics)/ 시공간변동특성(spatiotemporal characteristics)에서 적어도 하나의 특성을 포함하는 것으로 해석될 수 있다.
다시 도 2를 참조하면, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 추출된 동적 특성에 기초하여 토양가스에 대한 구동력을 식별하고 평가할 수 있다(단계 203). 이를 기반으로, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 식별 및 평가된 상기 구동력에 기초하여 최적 대응 시나리오를 제공할 수 있다.
토양가스에 대한 구동력을 식별하고 평가하는 과정은 도 5를 통해 보다 구체적으로 설명한다.
도 5는 추출된 동적 특성에 기초하여 토양가스에 대한 구동력을 식별 및 평가하는 과정을 설명하는 도면이다.
먼저, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 토양가스에 대한 구동력을 식별 및 평가하기 위해, 잠재구동력과 관측자료간 다해상도 상관성 진단할 수 있다(단계 501). 이때, 잠재구동력과 관측자료간 시간지연 및 위상변화를 고려한 상관성을 진단할 수 있다(단계 502).
본 명세서에서는 단계 501과 단계 502을 분리하여, 상관성을 진단하는 과정을 설명하고 있지만 단계 501과 단계 502 중에서 적어도 하나의 단계만이 수행될 수도 있다. 예를 들어, 다해상도 상관성을 진단하는데 있어 시간지연 및 위상변화만을 고려한다면 단계 502만이 수행될 수 있다. 또한, 다해상도 상관성을 진단하는데 있어 시간지연 및 위상변화가 아닌 다른 정보만을 고려한다면 단계 501만이 수행될 수 있다. 또한 다해상도 상관성을 진단하는데 있어 여러 과정의 마지막 스텝이 시간지연 및 위상변화만을 고려하는 것이라면, 단계 501과 단계 502만이 차례로 처리될 수 있다.
다음으로, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 수행된 상관성 진단 결과에 기초하여, 잠재구동력과 관측자료간 최고상관스케일을 선정할 수 있다(단계 503).
즉, 상관도를 평가하여 가장 상관도가 높은 잠재구동력 및 관측자료와 관련된 최고상관스케일을 선정할 수 있다.
다음으로, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 잠재구동력과 관측자료간 웨이블렛 에너지 비율과 선정된 최고상관스케일의 상관관계를 이용한 구동력을 식별할 수 있다(단계 504).
또한, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 최고상관스케일의 누적에너지 비율과 상태공간모델의 설명력 지표간의 선형결합을 통한 기여도 평가를 할 수 있다(단계 505). 예를 들면, 선정된 최고상관스케일의 누적에너지비율과 상태공간모델의 설명력 지표간의 선형결합을 처리하여 상대적 기여도를 평가할 수 있다.
일측에 따르면, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 웨이블렛 기반의 다중 해상도 상태공간모델 SSM(MRSSM) 접근법을 이용하여 환경 요인을 식별하고 평가할 수 있다.
이하에서는, 일실시예에 따른 MRSSM 접근법에 대하여 보다 구체적으로 설명하기로 한다.
일실시예에 따른 MRSSM 접근법에서 SSM(state-space model) 부분은 하기 수학식1 내지 2로 정의될 수 있다.
[수학식1]
Figure PCTKR2019013638-appb-I000001
[수학식2]
Figure PCTKR2019013638-appb-I000002
여기서, t는 관측 시간 간격(observation time interval)을 나타내고, M은 잠재구동력후보군(PEDs)을 나타내며,
Figure PCTKR2019013638-appb-I000003
,
Figure PCTKR2019013638-appb-I000004
및
Figure PCTKR2019013638-appb-I000005
는 각각 관측 시계열(observed time series), 상수 레벨 파라미터(constant level parameter) 및 i번째(여기서, i는 실수 값) 관찰 변수(observed variable)에 대한 특정 오차 (specific error)를 나타낸다.
또한,
Figure PCTKR2019013638-appb-I000006
는 j번째(여기서, j는 실수 값) 잠재구동력으로 계절적(seasonal) 또는 다른 주기적 경향(cyclic trends)을 포함하고,
Figure PCTKR2019013638-appb-I000007
는 i번째 관측변수에 대한 j번째 잠재구동력후보의 요인 부하량(factor loading)을 나타내며,
Figure PCTKR2019013638-appb-I000008
는 시간 t에서의 잔차항을 나타내고,
Figure PCTKR2019013638-appb-I000009
및
Figure PCTKR2019013638-appb-I000010
는 백색 잡음(white noise)로 가정되고 오차 공분산 행렬(error covariance matrices) R 및 Q를 통해 평가되는 값을 나타낸다.
일측에 따르면, SSM 모델(예를 들어, M 및 R 등)과 수학식1 내지 2의 파라미터들(예를 들어,
Figure PCTKR2019013638-appb-I000011
및
Figure PCTKR2019013638-appb-I000012
)은 최우추정법(maximum likelihood method), 칼만 필터/스무더(kalman filter/smoother) 및 EM 알고리즘(expectation-maximization algorithm)을 결합하여 테스트될 수 있다.
이때, 에러 공분산 행렬 R의 구조는 모든 시계열에 대한 동일한 오차 공분산을 가정하는 diagonal-and-equal과, 각 시계열에 대한 특정 오차 공분산을 가정하는 diagonal-and-unequal이 고려될 수 있으며, 잠재구동력후보군 M과 에러 공분산 행렬 R은 AICc(Akaike's Information Criterion corrected for small sample sizes)에 기초하여 선택될 수 있다.
일측에 따르면, 일실시예에 따른 MRSSM 접근법에서 다해상도 분석 (multiresolution analysis) 부분은 하기 수학식3 내지 5와 같이 웨이블릿 변환을 사용하여 표현될 수 있다.
[수학식3]
Figure PCTKR2019013638-appb-I000013
[수학식4]
Figure PCTKR2019013638-appb-I000014
[수학식5]
Figure PCTKR2019013638-appb-I000015
여기서,
Figure PCTKR2019013638-appb-I000016
는 길이가 N인(여기서, N은 양의 정수 값) 시계열을 나타내고, Ap 및 Dp는 분해 레벨(decomposition level) p에서
Figure PCTKR2019013638-appb-I000017
성분의 근사치(approximation) 및 세부(detail) 값을 나타내며,
Figure PCTKR2019013638-appb-I000018
및
Figure PCTKR2019013638-appb-I000019
는 각각 스케일 함수(scale function) 및 웨이블렛 모함수(wavelet mother function)를 나타내고,
Figure PCTKR2019013638-appb-I000020
및
Figure PCTKR2019013638-appb-I000021
는 각각 분해 레벨 p와 시간 위치 q에서의 저주파 성분인 근사 계수(approximation coefficient) 및
Figure PCTKR2019013638-appb-I000022
의 고주파 성분인 상세 계수(detail coefficient)를 나타낸다.
또한, 최대 분해 레벨 J는 다음과 같은 수학식6에 의해 결정될 수 있다.
[수학식6]
Figure PCTKR2019013638-appb-I000023
여기서,
Figure PCTKR2019013638-appb-I000024
는 웨이블렛 필터 길이(wavelet filter length)를 나타내고, 연속 웨이블렛 변환(CWT)에서 지속적으로 샘플링되는 동안 이산 웨이블렛 변환(DWT)에서 분해 레벨 p와 시간 위치 q는 최대 분해 레벨 J와 시계열 길이 N에 대해 2의 거듭 제곱으로 샘플링될 수 있다.
한편, 일실시예에 따른 MRSSM 접근법은 하기 수학식7에 정의된 최대 상관 계수(maximum correlation coefficient)
Figure PCTKR2019013638-appb-I000025
를 이용하여 시간 x와 y 사이의 최대 상관 시간-주파수 대역(maximal correlated time-frequency bands)을 검출할 수 있다.
[수학식 7]
Figure PCTKR2019013638-appb-I000026
여기서,
Figure PCTKR2019013638-appb-I000027
는 절대값의 연산자를 나타내고,
Figure PCTKR2019013638-appb-I000028
는 시간 x와 y에 대한
Figure PCTKR2019013638-appb-I000029
의 스케일-지역화 상관 계수(scale-localized correlation coefficient)를 나타내며,
Figure PCTKR2019013638-appb-I000030
는 분해 레벨 p에서 시간 x와 y에 대한
Figure PCTKR2019013638-appb-I000031
의 스케일-지역화 상관 계수를 나타낸다. 예를 들면, 최대 분해 레벨 J의 값이 '5' 인 경우, 분해 레벨 p는 (1, 2, 3, 4, 5)로 표현될 수 있다.
또한,
Figure PCTKR2019013638-appb-I000032
및
Figure PCTKR2019013638-appb-I000033
의 경우, 스케일-지역화 상관 계수(즉,
Figure PCTKR2019013638-appb-I000034
및
Figure PCTKR2019013638-appb-I000035
)는 하기 수학식8로 정의될 수 있다.
[수학식8]
Figure PCTKR2019013638-appb-I000036
여기서,
Figure PCTKR2019013638-appb-I000037
는 시간 x와 y 사이의 공분산(covariance)을 나타내고,
Figure PCTKR2019013638-appb-I000038
및
Figure PCTKR2019013638-appb-I000039
는 분해 레벨 p에서 각각 시간 x 및 y의 표준편차를 나타낸다.
상술한 수학식7 내지 8은 국부적상관분석(scale-localized correlation analysis)에 관한 것으로, 시간 x와 y 사이에서의 최대 상관 주파수 대역을 검출할 수 있으며, 상관도가 높은 시계열을 찾기 위해 적용될 수도 있다.
한편, 일실시예에 따른 MRSSM 접근법은 웨이블렛일관성 분석 (WTC, wavelet transformed coherency analysis)을 함께 사용하여 잠재 구동력(PED)과 관측 데이터 사이의 최대 상관 시간-주파수 대역을 보다 명확히할 수 있다.
여기서, WTC는 CWT를 이용한 입력 시계열 x와 출력 시계열 y 사이의 시간-주파수 영역 교차 상관(time-frequency domain cross-correlation)을 나타낼 수 있다.
이는 상술한 수학식8에서 시간 지연
Figure PCTKR2019013638-appb-I000040
가 포함될 때(즉,
Figure PCTKR2019013638-appb-I000041
), 연속 웨이블렛 변환(CWT)을 사용하는 교차-상관(
Figure PCTKR2019013638-appb-I000042
)의 절대값에 기반할 수 있다.
이 경우, 웨이블렛 일관성(wavelet coherence)(즉, time-frequency domain correlation)는 평활화 연산자(smoothing operator)와 함께 WSC(wavelet squared coherency)
Figure PCTKR2019013638-appb-I000043
를 이용하여 평가될 수 있다.
일측에 따르면, 일실시예에 따른 MRSSM 접근법은 동적 효율
Figure PCTKR2019013638-appb-I000044
을 이용하여 각 잠재 구동력이 목표 시계열들(target time series)에 기여하는 정도를 평가할 수 있다.
여기서, 동적 효율
Figure PCTKR2019013638-appb-I000045
은 주 시간-주파수 대역(스케일)에서의 누적 웨이블렛 에너지(
Figure PCTKR2019013638-appb-I000046
)와 총 웨이블렛 에너지 간의 비율
Figure PCTKR2019013638-appb-I000047
와 요인 부하량(factor loading)
Figure PCTKR2019013638-appb-I000048
를 연산하는 하기 수학식9로 정의될 수 있다.
[수학식9]
Figure PCTKR2019013638-appb-I000049
여기서,
Figure PCTKR2019013638-appb-I000050
는 관심이 있는 시계열에 대한 잠재 구동력의 요인 부하량을 나타내고, 잠재 구동력이 목표 시계열에 영향을 줄 때
Figure PCTKR2019013638-appb-I000051
는 잠재 구동력의 웨이블렛 에너지를 이용하여 평가될 수 있다.
이상으로는 본 발명의 코어 기술인 토양가스 모니터링을 통해 토양가스에 대한 구동력을 식별 및 평가하는 기술에 대해서 설명 하였다.
이하에서는, 식별 및 평가된 구동력에 기초하여, 예측, 지형공간 응용, 실시간 대응 등의 응용 가능한 기술에 대해서 설명한다.
특히, 도 6 내지 도 8은 토양가스 모니터링 결과를 활용하는 대응 시스템의 기술에 대해서 구체적으로 설명한다.
도 6은 심층학습신경망모델을 구축하는 과정을 설명하는 도면이다.
일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 토양가스 및 유관 환경관측 자료와 환경요인을 동시에 입력자료로 활용하는 심층신경망학습모델(Deep learning model)을 구축할 수 있다.
본 발명에서는, 구축한 심층신경망학습모델을 이용하여 토양가스(CO2, NO2, CH4, CO, C2H6, N2O, SO2, Rn) 자연배경변동의 핵심적인 시공간적 변화특성(spatiotemporal feature)을 집중적으로 학습시킴으로써 관측치와 요인에 대한 예측력을 지속적으로 향상 시킬 수 있다. 또한, 이를 기반으로 하는 실시간 환경모니터링, 조기경보, 대응시스템(real time environmental monitoring/early warning/response system)을 구현할 수 있다.
이를 위해, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 심층신경망모형을 구축할 수 있다(단계 601).
구체적으로는, 토양가스 및 유관 환경관측 자료와 식별 및 평가된 구동력을 입력자료로 하는 딥러닝 모델을 심층신경망모델로서 구축할 수 있다.
다음으로, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 토양가스 및 유관 환경관측 자료와 상기 식별 및 평가된 상기 구동력의 다해상도 동적특성을 기반의 훈련지표 선정하여 훈련지표를 정량화할 수 있다(단계 602). 또한, 토양가스 및 유관 환경관측 자료로부터 측정되는 관측값과 상기 심층신경망모델로부터 예측되는 예측값의 잔차검증 및 잔차의 다해상도해석에 기반하여 예측모델을 최적화할 수 있다(단계 603).
이후, 일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 주요 환경구동력에 의해 최적화 처리하여 최적화 훈련 심층네트워크(tuned pre-trained network) 군(group)을 생성함으로써, 실시간 환경모니터링, 조기경보, 대응시스템(real time environmental monitoring/early warning/response system)을 구축할 수 있다(단계 604).
일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 구축된 시스템을 활용하여 실시간 대응시스템을 구축하여 식별 및 평가된 구동력에 기초하여 최적 대응 시나리오를 제공할 수 있다.
도 7은 실시간 대응시스템을 구축하는 과정을 설명하는 도면이다.
일실시예에 따른 토양가스 모니터링 및 대응 시스템의 동작 방법은 실시간 대응시스템을 구축하기 위해, 최적화훈련 심층네트워크군을 활용한 실시간 진단시스템 구축할 수 있다(단계 701). 또한, 토양가스 모니터링 및 대응 시스템의 동작 방법은 자연배경치변동의 임계치를 선정하여 자연배경변동의 허용범위를 산정할 수 있다(단계 702).
토양가스 모니터링 및 대응 시스템의 동작 방법은 판별된 관측자료가 산정한 허용범위를 초과하는지 여부를 수시로 판단할 수 있다. 판단 결과, 이상값으로 판별된 자료에 대한 주요구동력 식별 및 최적화훈련심층네트워크군을 재구성할 수 있다(단계 703).
다음으로, 토양가스 모니터링 및 대응 시스템의 동작 방법은 이상값의 예측결과에 따른 구동력을 식별하고, 상대적 기여도를 평가하며, 경보우선순위를 선정할 수 있다(단계 704). 또한, 토양가스 모니터링 및 대응 시스템의 동작 방법은 이상값의 원인 별 실시간 변화 및 대응 시나리오를 생성하고(단계 705), 생성된 실시간 변화 및 대응 시나리오에 따른 경보신호 발생 및 최적 대응시나리오를 제공할 수 있다(단계 706).
결국, 심층신경망을 구성함으로써 최적 학습을 위한 특성치와 예측의 인과성에 대한 정량적인 근거를 제시할 수 있고, 이를 다양하게 응용할 수 있다.
특히, 본 발명은 대상 토양가스와 환경영향요인들의 핵심적인 시공간적 변화특성을 보다 집중적으로 학습할 수 있어, 보다 정밀한 예측을 효율적으로 수행 할 수 있다.
또한, 특정한 토양가스의 종류에 구속 받지 않고 실시간으로 계측되는 다양한 가스상물질들에 범용적으로 활용할 수 있고, 자연배경변동과 인위적 누출을 효과적으로 분리-식별함으로써 누출 신호를 조기 탐지(early detection) 할 수 있다.
뿐만 아니라, 본 발명은 특정 환경요인에 대한 대상 부지 및 환경변수에 대한 취약성 및 위해성 평가(vulnerability/risk assessment)에 기여할 수 있다.
도 8은 CO2의 방출에 대한 실험을 위한 테스트 사이트로서 테스트 사이트를 존들(zones)로 구분하여 CO2의 방출을 관측하는 실시예를 설명하는 도면이다.
도면부호 810은 테스트 사이트에 대한 위치와 지리적인 특징에 대해서 설명하는 사진데이터이고, 도면부호 820은 테스트 사이트에서 관측을 위해 구획한 존1(zone1) 내지 존5(zone5)를 나타낸다.
구체적으로, 도면부호 810은 CO2 저장 환경 모니터링 연구 센터가 통합된 CO2 저장 환경 관리 계획을 수립하기 위해 운영하는 환경 영향 평가 시설(Environmental Impact Test Facility, EIT)이라는 인공 CO2 배출 시험장에 해당한다.
도면부호 820에서 보는 바와 같이 존1(zone1)를 제외한 나머지 존2(zone2) 내지 존5(zone5)에서도 CO2의 누출이 측정된다.
특히, 존3(zone3)에서 표시한 동그라미에서는 이산화탄소 플럭스(FCO2)를 검출하기 위한 관측점이 표시된다. 존3(zone3)는 토양표면의 CO2에 대한 기준선을 특성화하기 위한 영지, 즉 영점 데이터로서 사용될 수 있다.
테스트 사이트에서는 일정 기간 동안 실시간 데이터의 복수의 카테고리(본 실시예에서는 4 가지 카테고리)가 수집될 수 있다. 기상, 대기, 토양 특성 및 토양 호흡 변수를 토양가스 및 유관 환경관측 자료로서 수집하고 이를 기반으로 기반데이터세트를 구성할 수 있다.
강우량(CR, mm) 등의 기상 변수(강수량)는 10 분 간격으로 현장 자동 기상 관측소에 의해 측정이 가능하다. 뿐만 아니라, 대기 온도, 일사량, 풍속, 상대 습도 및 대기압이 측정될 수 있다.
토양 특성으로는 토양 온도, 토양 체적 수분 및 토양 전기 전도도가 심도별로 측정될 수 있고, 예를 들면 매 10 분마다 측정될 수 있다.
한편, 토양 호흡 변수(Rss)는 폐쇄 형 자동 챔버를 사용하여 측정 한 지표의 수증기 함량, CO2 농도 및 유량에 대해 측정될 수 있다. 일례로, 토양 호흡 변수는 30분마다 측정될 수 있다.
도 9a는 웨이블렛 에너지 분포로서, 이산 웨이블렛 변환(DWT)에 의한 관찰 변수 및 웨이블렛 필터링자료 및 잠재적인 환경구동력 후보군(potential driving force group)의 주파수별 웨이블렛 에너지 분포를 나타낸다.
도 9a에서는 9개의 주요 관찰 변수에 대한 웨이블렛 에너지 분포를 나타낸다.
일례로, 본 실시예에는 토양가스 관측을 위한 9개의 변수로서, Rainfall(누적강우량), RH(상대습도), T(대기온도), P(대기압력), WS(풍속), CO2(CO2 농도), FCO2(CO2 플럭스), Tsoil(토양온도), SWC(토양수분함량), EC(토양전기전도도)에 대한 이산웨이블렛 변환(DWT)에 의한 에너지 분포를 도시한다.
Rainfall는 관측지점에 대한 강우량 정보로 해석될 수 있다. 또한, RH는 온도와 관련있는 상대습도(Relative humidity), T는 Atmospheric temperature(대기 온도), P는 대기압력(pressure), WS는 풍속(Wind speed), CO2는 이산화탄소, FCO2는 토양 표면의 이산화탄소 플럭스(Soil surface CO2 flux)를 의미한다.
도 9a에서는 DWT(Discrete wavelet transform)와 웨이블렛 필터링(Wavelet de-nosing) 결과를 나타내는데, 도면부호 911은 주요 관측변수의 원시 데이터에 대한 이산웨이블렛 기반의 주파수별 웨이블렛에너지 분포에 해당하고, 도면부호 912은 주요 관측변수의 웨이블렛 필터링 자료에 대한 웨이블렛 에너지 분포 정보를 나타낸다. 특히, D1 내지 D5와 A5는 이산웨이블렛 분석에 의한 웨이블렛 분해 단계로써, 관측자료의 길이에 따라 다양한 범위에 걸쳐서 웨이블렛 해석에 사용되는 각 성분의 시간-주파수 스케일을 나타낼 수 있다.
웨이블렛 에너지 분포를 위한 환경 시계열에서 PDF(잠재구동력 후보군, Potential Driving Force group)는 DWT(Discrete wavelet transform)를 사용하여 최종 근사성분(A5)과 세부 성분(D1 ~ D5)으로 분해될 수 있다.
DWT(Discrete wavelet transform)의 수학식을 구성하는 항목 중에서 분해 레벨을 위한 Ap와 Dp가 포함될 수 있는데, Ap와 Dp는 각 분해 레벨(p)에서 0.25 사이클 이하의 저주파 신호와 0.25 ~ 0.5 사이클의 고주파 신호를 적용할 수 있다. 관측자료의 길이에 따른 분해레벨을 고려할 때 일실시예에 따른 최대 분해 레벨 A5는 25*6 시간(즉, 8일)의 스케일에 해당하며, 이는 원자료의 관측간격과 길이에 따라 다양하게 선택될 수 있다.
이후, 일실시예에 따른 분해 수준에 대한 모든 시간 주파수 척도는 1/2 일(D1), 1일(D2), 2일(D3), 4일(D4), 8일(D5)가 될 수 있다.
일례로, D1에서 D3까지의 프로세스는 단기(2 일의 스케일)로 간주 될 수 있으며 D5와 A5의 프로세스는 장기(8 일의 스케일 또는 그 이상) 또는 계절성으로 간주 될 수 있다.
도면부호 911 및 912에서 보는 바와 같이, 강우량(rainfall)은 D1 내지 D4까지 60% 이상의 분포를 보이는 반면, WS는 20%를 조금 넘는 분포를 보인다. 또한, CO2는 단기간 규모의 주요 웨이블렛 에너지(Ew, Wavelet energy) 분포를 보인 반면, FCO2는 D5에서 A5까지 비교적 장기간에 주요 Ew 분포를 보인다.
또한 Tsoils와 SWCs는 토양 깊이에 따라 Ew의 중간 정도의 변화를 보였으나 EC는 가장 심한 토양(EC3)에서 Ew의 급격한 변화를 보였다.
도 9b는 주요 관측자료들과 이들의 노이즈 필터링 효과를 나타내는 그래프들(920)이다.
먼저, 도면부호 921는 이산화탄소의 플러스(FCO2)와, 풍속(WS, Wind speed)변화를 나타내는 그래프로서, Raw 데이터는 측정된 데이터를 나타내고 WD(Wavelet Denoise) 데이터는 Raw 데이터에서 노이즈를 제거한 신호를 나타낸다.
또한, 도면부호 922는 Raw 데이터와 WD 데이터에 대한 잔차(residual) 데이터에 해당한다. 잔차(residual) 데이터는 빠르게 변화하는 관측자료의 해석에 대해 유용한데, 짧은 주파수 영역에 숨어있는 구동력을 식별-평가-예측 하는데 활용할 수 있다. 일례로, 잔차 데이터는 지진 데이터의 분석과 예측에 활용할 수 있다.
이 밖에도, 도면부호 923과 924는 수집된 Raw 데이터에 대한 다양한 분석 값을 나타내며, 예를 들면 Raw 데이터 대한 히스토그램, 누적 히스토그램, 자기상관도, FFT 스펙트럼 등을 나타낼 수 있다.
본 발명에 따르면, 도 9a 및 도 9b의 자료를 활용하여 다양한 환경에서 관측된 자료들을 반영할 수 있다.
도 10은 상태공간모델링에 의해 추출된 잠재적인 환경구동력 후보군(Potential EDs)을 나타내는 도면이다.
도 10은 원시 데이터를 기반으로 하는 동적요인(DyF, Dynamic factor) 및 웨이블렛 노이즈 필터링(WD, wavelet de-noising) 기반 동적 요인(DyF, Dynamic factor)를 나타내는 도면이다.
이 중에서, 도면부호 1010은 원시 데이터에 대한 요소로드(Dynamic factor loading)를 나타내고, 도면부호 1020은 WD(wavelet de-noise) 데이터에 대한 요소로드를 나타낸다.
예를 들어, 일실시예의 평가 대상 목적 변수인 Soil CO2 flux(FCO2) 에 대해 주요 잠재구동력 후보군으로써 원자료 모델의 PED4 내지 웨이블렛 필터링 자료 모델의 WD_PED1를 선택하여 각 요소별로 요소로드 정도와 시간에 따른 변화를 확인할 수 있다.
도면부호 1030은 시간에 따른 이산화탄소 플럭스와 주요환경 시계열 관측자료들의 원자료와 웨이블렛 필터링 된 자료들에 대비하는 주파수 영역별 웨이블렛 에너지 분포를 확인할 수 있다.
예를 들어 비가올 때 토양가스 플럭스의 변화와 그 환경구동력의 영향성을 알고 싶은 경우, 원자료 및 원자료의 잠재 환경구동력에 해당하는 신호(PED4)에 대한 학습강도를 높임으로써 환경요소의 영향성에 의한 목적대상변수의 변화특성을 보다 심층적으로 분석/학습 할 수 있고, 비가오지 않을 때의 토양가스 플럭스의 변화와 그 환경구동력의 영향성을 알고 싶으면, 노이즈가 제거된 신호(WD_PED1)에 대한 분석과 학습을 심화 함으로써, 분석 대상과 시기 및 목적에 따라 적용성을 높일 수 있다.
도 11a는 도면부호 1110에서와 같이, 관측자료들 중에서 어느 주파수가 핵심 주파수인지 여부를 확인하기 위해서는 스케일 대비 상관도를 고려할 수 있다.
관측자료를 구성하는 각 요소들에 대해, 스케일에 대비하는 상관 계수(r)를 확인하여 어떤 주파수가 핵심 주파수인지 여부를 판단할 수 있다. 예를 들어, 각 이산웨이블렛 분해레벨당 상관계수(r)가 0.5 이상인 경우에 대하여 PED4와 FCO2는 4-8일의 스케일에서 높은 상관 계수(maximal correlation coefficient)를 보인다. 또한, 노이즈가 제거된 PED1과 FCO2는 1-2일의 스케일에서 높은 상관계수를 보인다.
도 11b는 스케일 대비 상관도(1120)를 도시한다.
일실시예의 경우 D4와 A5에서 상관성이 높은 결과가 관측된다. 이 중에서 어떠한 요소가 중요한 요소인지를 확인하기 위해서는 해당 스케일에서의 웨이블렛 에너지 분포(Ew)를 확인할 수 있다.
상관도(1120)에서 보는 바와 같이 D4의 스케일에서 웨이블렛 에너지 분포가 3% 미만으로 측정되고, A5의 스케일에서 웨이블렛 에너지 분포가 80% 이상으로 측정된다. 이는 A5, 즉 8일 이후의 스케일에서 최대의 상관도가 나옴을 확인할 수 있다. 이러한 측정 결과를 통해 FCO2에 대한 주요 환경 요인(Main environmental driving forces, MEDs)이 8 일 이상 지속되는 환경 프로세스와 밀접한 관련이 있음을 알 수 있고, 이로써 해당 주요 환경구동력의 영향성이 가장 크게 나타나는 주파수 대역을 확인할 수 있다. 즉, 관측자료들 중에서 어떠한 요소가 토양가스의 변화에 대한 주요 구동력이 되는지 확인할 수 있다.
만약 에너지 분포가 아닌 세부적인 요소에 대한 정보를 확인하고 싶으면, 목적하는 특정 주파수 대역의 신호를 시간영역으로 변환해서 확인 함으로써 세부 요소에 대한 분석이 가능하다.
도 12a는 원 관측자료 만을 입력자료로 활용한 딥러닝 예측 예시를 나타낸다.
도면부호 1210은 관측지점에서 CO2 농도를 실시간 관측하고 이를 기반으로 딥러닝을 수행한 결과를 나타낸다. 도면부호 1210에서 각 그래프에 도시된 점들이 예측값에 해당하고, 각 예측값들은 원자료와 함께 스케일에 대비한 상관성에 의해 표시된다.
일례로, 시간에 대한 에러율은 9월15일 이후에 급격히 증가하는 추세를 보인다. 이는 딥러닝 결과 잔차가 갑자기 증가하는 것을 나타낸다.
이렇게 잔차에 대한 에러율이 증가하는 이유는 에러의 누적이 있거나, training 에 사용한 학습데이터 세트가 예측기간의 변화된 특성을 제대로 반영하지 못하고 있음을 나타낸다.
도 12a/ 12b의 실시예에서는 여름의 관측 자료들을 활용하여 딥러닝 학습을 수행한 결과로, 가을의 관측 자료들에 적합시 에러가 특정 시기부터 현저히 증가하는 것을 보여준다.
즉, 9월15일 이후 CO2의 농도와 플럭스(FCO2)의 예측값에 대한 에러율이 눈에 띄게 증가하는 것은 여름의 변화특성을 반영한 훈련자료로 훈련된 심층신경망의 예측결과에 벗어나는 일련의 환경적 변화가 에러의 현격한 증가 시기부터 발생한 것임을 나타내고, 이로서 에러율 변화의 원인이 에러 누적에 의한 변화하기 보다는 계절에 따른 환경적 변화가 그 원인임을 알 수 있다.
따라서 일실시예와 같이 누적오차의 증가에 대한 분석을 통해 환경요인의 구조적 변화시점을 탐지하는데도 활용할 수 있다.
도 12b는 도 12a에 대비하여 FCO2의 관측값 뿐만 아니라 기 파악된 환경구동력을 훈련자료로 사용하여 핵심특징에 대한 학습을 강화시킨 결과, 에러 대비 효율이 좋아짐을 확인할 수 있다. 즉, 목적 대상변수의 예측을 위해 관측자료와 환경구동력을 동시에 사용하여 파악된 핵심 환경구동력의 동적특성에 대한 학습을 강화한 딥러닝을 통해 에러 대비효율이 훨씬 좋아짐을 확인할 수 있다.
또한, CO2 시험장(EIT)에서 토양 지표 CO2 플럭스(FCO2) 자연배경변동(baseline)을 제어하는 주요 환경 구동력(key environmental driving forces)를 평가하고 예측한 실험 결과, 웨이블렛 필터링 방법(WD)은 상태 공간 모델(SSM)의 성능, 특히 연산 시간 및 요소 로딩을 향상시키는 데 효율적임을 확인할 수 있다.
또한, 딥러닝은 복잡한 환경 프로세스를 예측하는 데 사용되는 것은 물론 실시간 CO2 누출 모니터링 시스템을 구축하는 데 사용될 수 있고, Core 부에 해당하는 웨이블렛 기반의 다중 해상도 SSM(MRSSM) 접근법은 비 정상적(nonstationary) 환경 관측자료에 대해서 조차도 시간과 공간 모두에서 복잡한 물리 화학적, 생물학적 및 생태 학적 프로세스의 배후에 있는 환경 요인을 식별하고 평가하는 데 유용할 것으로 기대된다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (13)

  1. 토양가스 및 유관 환경관측 자료에 대한 기반데이터세트를 구성하는 단계;
    상기 구성된 기반데이터세트에 대한 동적 특성을 식별 및 추출하는 단계; 및
    상기 추출된 동적 특성에 기초하여 토양가스에 대한 구동력을 식별 및 평가하는 단계
    를 포함하고,
    상기 식별 및 평가된 상기 구동력에 기초하여 최적 대응 시나리오를 제공하는 토양가스 모니터링 및 대응 시스템의 동작 방법.
  2. 제1항에 있어서,
    상기 토양가스 및 유관 환경 관측자료에 대한 기반데이터세트를 구성하는 단계는,
    상기 토양가스를 포함한 복합환경계측자료 데이터세트의 관측항목과 관측시간 해상도에 따른 데이터 매트릭스를 상기 기반데이터세트로서 구성하고 정렬하는 단계;
    상기 정렬된 기반데이터세트에 대한 시간영역 해상도 또는 시간관측 간격 별 결측자료를 보간 처리 하는 단계; 및
    상기 보간 처리된 기반데이터세트의 자료를 노이즈 필터링하고, 상기 노이즈 필터링된 결과를 표준화 및 정규화 하는 단계를 포함하는 토양가스 모니터링 및 대응 시스템의 동작 방법.
  3. 제1항에 있어서,
    상기 구성된 기반데이터세트에 대한 동적 특성을 식별 및 추출하는 단계는,
    상기 구성된 기반데이터세트에 대한 시간영역 해상도 별로 상태공간모형화를 수행 하는 단계;
    상기 구성된 기반데이터세트의 상기 시간영역 해상도에 따른 최적상태공간모델을 선정하는 단계;
    상기 선정된 최적상태공간모델의 잠재구동력 후보군(potential driving force group)을 선정하는 단계
    상기 선정된 잠재구동력 후보군의 시간에 따른 변동특성을 추출하는 단계; 및
    상기 추출된 변동특성에 대해 웨이블렛 해석을 통한 주요 시간-주파수 영역의 동적 특성을 정량화하는 단계
    를 포함하고, 상기 변동특성은 상기 선정된 잠재구동력 후보군의 시간에 따른 동적 특성과 시변특성(dynamic feature and time varying characteristics) 및 공간적 변화특성(spatial characteristics)과 시공간 변화특성(spatiotemporal characteristics) 중에서 적어도 하나의 특성을 포함하는 토양가스 모니터링 및 대응 시스템의 동작 방법.
  4. 제3항에 있어서,
    상기 최적상태공간모델을 선정하는 단계는,
    모델진단지표(AIC, AICc, BIC) 및 설명력(loading)을 기반 최적 잠재구동력의 갯수와 잔차공분산행렬의 형태를 선정하는 단계를 포함하는 토양가스 모니터링 및 대응 시스템의 동작 방법.
  5. 제1항에 있어서,
    상기 추출된 동적 특성에 기초하여 토양가스에 대한 구동력을 식별 및 평가하는 단계는,
    상기 구성된 기반데이터세트의 시간영역 해상도에 따라 선정된 최적상태공간모델의 잠재구동력과 관측자료간 다해상도 상관성을 진단하되, 상기 잠재구동력과 상기 관측자료간 시간지연 및 위상변화를 반영한 상관성진단을 수행하는 단계;
    상기 수행된 상관성진단 결과에 기초하여, 상기 잠재구동력과 상기 관측자료간 최고상관스케일을 선정하는 단계
    상기 잠재구동력과 상기 관측자료간 웨이블렛 에너지 비율과 상기 선정된 최고상관스케일의 상관관계를 이용한 구동력을 식별하는 단계; 및
    상기 선정된 최고상관스케일의 누적에너지비율과 상태공간모델의 설명력 지표간의 선형결합을 처리하여 상대적 기여도를 평가하는 단계
    를 포함하는 토양가스 모니터링 및 대응 시스템의 동작 방법.
  6. 제1항에 있어서,
    상기 구동력에 대한 실시간 진단을 위한 심층학습신경망모델을 구축하는 단계
    를 더 포함하는 토양가스 모니터링 및 대응 시스템의 동작 방법.
  7. 제6항에 있어서,
    상기 심층학습신경망모델을 구축하는 단계는,
    상기 토양가스 및 유관 환경관측 자료와 상기 식별 및 평가된 상기 구동력을 입력자료로 하는 딥러닝 모델을 심층신경망모델로서 구축하는 단계;
    상기 토양가스 및 유관 환경관측 자료와 상기 식별 및 평가된 상기 구동력의 다해상도 동적 특성을 기반의 훈련지표 선정하여 훈련지표를 정량화하는 단계;
    상기 토양가스 및 유관 환경관측 자료로부터 측정되는 관측값과 상기 심층신경망모델로부터 예측되는 예측값의 잔차검증 및 잔차의 다해상도해석에 기반하여 예측모델을 최적화 하는 단계; 및
    주요 환경구동력에 의해 최적화 처리하여 최적화 훈련 심층네트워크(well tuned pre-trained network) 군(group)을 생성하는 단계
    를 포함하는 토양가스 모니터링 및 대응 시스템의 동작 방법.
  8. 제6항에 있어서,
    상기 최적 대응 시나리오를 제공하기 위한 실시간 대응시스템을 구축하는 단계
    를 더 포함하는 토양가스 모니터링 및 대응 시스템의 동작 방법.
  9. 제8항에 있어서,
    상기 실시간 대응시스템을 구축하는 단계는,
    상기 생성된 최적화 훈련 심층네트워크군을 활용한 실시간 진단시스템을 구축하는 단계;
    자연배경치변동의 임계치를 선정하여 자연배경변동의 허용범위를 산정하는 단계;
    상기 임계치에 대한 이상값으로 판별되는 자료에 대해 구동력을 다시 식별하고, 다시 식별된 구동력을 기반으로 최적화훈련심층네트워크군을 다시 구성하는 단계;
    상기 이상값의 예측결과에 따른 구동력을 식별하고, 상대적 기여도를 평가하며, 경보우선순위를 선정하는 단계;
    상기 이상값의 원인 별 실시간 변화 및 대응 시나리오를 생성하는 단계; 및
    상기 생성된 실시간 변화 및 대응 시나리오에 따른 경보신호 발생 및 최적 대응시나리오를 제공하는 단계
    를 포함하는 토양가스 모니터링 및 대응 시스템의 동작 방법.
  10. 토양가스 및 유관 환경관측 자료에 대한 기반데이터세트를 구성하는 전처리부;
    상기 구성된 기반데이터세트에 대한 동적 특성을 식별 및 추출하는 동적 특성 처리부; 및
    상기 추출된 동적 특성에 기초하여 토양가스에 대한 구동력을 식별 및 평가하는 구동력 처리부
    를 포함하고,
    상기 식별 및 평가된 상기 구동력에 기초하여 최적 대응 시나리오를 제공하는 토양가스 모니터링 및 대응 시스템.
  11. 제10항에 있어서,
    상기 전처리부는,
    상기 토양가스를 포함한 복합환경계측자료 데이터세트의 관측항목과 관측시간 해상도에 따른 데이터 매트릭스를 상기 기반데이터세트로서 구성하고 정렬하며, 상기 정렬된 기반데이터세트에 대한 시간영역 해상도 또는 시간관측 간격 별 결측자료를 보간 처리 하고, 상기 보간 처리된 기반데이터세트의 자료를 노이즈 필터링하고, 상기 노이즈 필터링된 결과를 표준화 및 정규화 하는 토양가스 모니터링 및 대응 시스템.
  12. 제10항에 있어서,
    상기 동적 특성 처리부는,
    상기 구성된 기반데이터세트에 대한 시간영역 해상도 별로 상태공간모형화를 수행 하고, 상기 구성된 기반데이터세트의 상기 시간영역 해상도에 따른 최적상태공간모델을 선정하며, 상기 선정된 최적상태공간모델의 잠재구동력 후보군(potential driving force group)을 선정하고, 상기 선정된 잠재구동력 후보군의 시간에 따른 변동특성을 추출하며, 상기 추출된 변동특성에 대해 웨이블렛 해석을 통한 주요 시간-주파수 영역의 동적 특성을 정량화하는 것을 특징으로 하는 토양가스 모니터링 및 대응 시스템.
  13. 제10항에 있어서,
    상기 구동력 처리부는,
    상기 구성된 기반데이터세트의 시간영역 해상도에 따라 선정된 최적상태공간모델의 잠재구동력과 관측자료간 다해상도 상관성을 진단하되, 상기 잠재구동력과 상기 관측자료간 시간지연 및 위상변화를 반영한 상관성진단을 수행하고, 상기 수행된 상관성진단 결과에 기초하여, 상기 잠재구동력과 상기 관측자료간 최고상관스케일을 선정하며, 상기 잠재구동력과 상기 관측자료간 웨이블렛 에너지 비율과 상기 선정된 최고상관스케일의 상관관계를 이용한 구동력을 식별하고, 상기 선정된 최고상관스케일의 누적에너지비율과 상태공간모델의 설명력 지표간의 선형결합을 처리하여 상대적 기여도를 평가하는 토양가스 모니터링 및 대응 시스템.
PCT/KR2019/013638 2018-11-16 2019-10-17 토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법 WO2020101192A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/294,028 US20220308568A1 (en) 2018-11-16 2019-10-17 System and method for monitoring soil gas and performing responsive processing on basis of result of monitoring

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180141240A KR102051791B1 (ko) 2018-11-16 2018-11-16 토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법
KR10-2018-0141240 2018-11-16

Publications (1)

Publication Number Publication Date
WO2020101192A1 true WO2020101192A1 (ko) 2020-05-22

Family

ID=69154033

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/013638 WO2020101192A1 (ko) 2018-11-16 2019-10-17 토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법

Country Status (3)

Country Link
US (1) US20220308568A1 (ko)
KR (1) KR102051791B1 (ko)
WO (1) WO2020101192A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561722A (zh) * 2020-12-24 2021-03-26 滨州学院 一种生态系统属性组分组成结构时间演变量化分析方法
CN112599372A (zh) * 2020-12-18 2021-04-02 双城市机电技术开发有限公司 一种消弧线圈调节器
CN113984114A (zh) * 2021-10-18 2022-01-28 大连理工大学 一种海洋浮式平台水下结构异常诊断方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220059656A (ko) 2020-11-03 2022-05-10 김도윤 모니터링 로봇에 의한 토양 모니터링 방법
US20230280230A1 (en) * 2022-03-03 2023-09-07 Abb Schweiz Ag Method for Estimating Flux Using Handheld Gas Sensors and an Inertial Measurement Unit
US20240020492A1 (en) * 2022-07-18 2024-01-18 Ncr Corporation Method for detecting mounting of an object at a terminal device
CN115671616B (zh) * 2022-10-28 2023-06-27 厦门海辰储能科技股份有限公司 一种用于储能集装箱的消防系统、方法及存储介质
CN116362571B (zh) * 2023-06-02 2023-08-08 北京建工环境修复股份有限公司 一种基于深度学习的多源污染时空特征分析方法及系统
CN116882638B (zh) * 2023-09-07 2023-12-01 北京建工环境修复股份有限公司 一种全氟化合物污染监测设备的管理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006275940A (ja) * 2005-03-30 2006-10-12 Hitachi Plant Technologies Ltd 土壌浄化モニタリング方法
KR101040072B1 (ko) * 2010-09-28 2011-06-13 한국지질자원연구원 토양 가스를 이용한 실시간 자동 라돈 모니터링 시스템 및 그 방법
JP2014066690A (ja) * 2012-09-26 2014-04-17 Hisao Sasaki 地下に貯留した二酸化炭素の地表面への漏出の早期検出装置および方法
JP2018169959A (ja) * 2017-03-30 2018-11-01 株式会社Ｊｓｏｌ 多層ニューラルネットワーク（ディープラーニング）の性能向上のための高寄与度項目の抽出システム、抽出方法及び抽出プログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1728726B1 (en) 2004-03-22 2012-05-09 Hosokawa Yoko Co., Ltd. Opening/closing cap and method of producing the same
AU2009257311B2 (en) 2008-06-13 2014-12-04 Mannkind Corporation A dry powder inhaler and system for drug delivery
US8060406B2 (en) 2008-09-26 2011-11-15 Microsoft Corporation Predictive geo-temporal advertisement targeting
KR101590812B1 (ko) 2013-05-21 2016-02-02 제일모직주식회사 컬러필터용 감광성 수지 조성물 및 이를 이용한 컬러필터
KR102225304B1 (ko) 2014-07-01 2021-03-09 현대모비스 주식회사 가상 엔진 사운드 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006275940A (ja) * 2005-03-30 2006-10-12 Hitachi Plant Technologies Ltd 土壌浄化モニタリング方法
KR101040072B1 (ko) * 2010-09-28 2011-06-13 한국지질자원연구원 토양 가스를 이용한 실시간 자동 라돈 모니터링 시스템 및 그 방법
JP2014066690A (ja) * 2012-09-26 2014-04-17 Hisao Sasaki 地下に貯留した二酸化炭素の地表面への漏出の早期検出装置および方法
JP2018169959A (ja) * 2017-03-30 2018-11-01 株式会社Ｊｓｏｌ 多層ニューラルネットワーク（ディープラーニング）の性能向上のための高寄与度項目の抽出システム、抽出方法及び抽出プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
OH, YUN-YEONG ET AL.: "Application of Multiresolution-multivariate Time Series Analysis to Characterize CO2 Synamics in an Unsaturated Zone of the EIT Site, South Korea: Identifying and Quantitatively Evaluating Driving Forces", THE GEOLOGICAL SOCIETY OF KOREA, 31 October 2017 (2017-10-31), pages 2 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112599372A (zh) * 2020-12-18 2021-04-02 双城市机电技术开发有限公司 一种消弧线圈调节器
CN112561722A (zh) * 2020-12-24 2021-03-26 滨州学院 一种生态系统属性组分组成结构时间演变量化分析方法
CN113984114A (zh) * 2021-10-18 2022-01-28 大连理工大学 一种海洋浮式平台水下结构异常诊断方法

Also Published As

Publication number Publication date
KR102051791B1 (ko) 2020-01-08
US20220308568A1 (en) 2022-09-29

Similar Documents

Publication Publication Date Title
WO2020101192A1 (ko) 토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법
Yi et al. Development of sensor validation methodologies for structural health monitoring: A comprehensive review
Posenato et al. Model-free data interpretation for continuous monitoring of complex structures
US7956761B2 (en) Infrared gas detection and spectral analysis method
Balsamo et al. A structural health monitoring strategy using cepstral features
Giglioni et al. The use of receiver operating characteristic curves and precision-versus-recall curves as performance metrics in unsupervised structural damage classification under changing environment
US10228994B2 (en) Information processing system, information processing method, and program
CN112507606B (zh) 基于rbf网络的欠定工作模态参数识别方法及检测方法
WO2023033329A1 (ko) 질환 연관 유전자 변이 분석을 통한 질환별 위험 유전자 변이 정보 생성 장치 및 그 방법
Kuok et al. Model-free data reconstruction of structural response and excitation via sequential broad learning
Yang et al. Acoustics recognition of construction equipments based on LPCC features and SVM
Shan et al. Modeling of temperature effect on modal frequency of concrete beam based on field monitoring data
Sandak et al. Multivariate analysis of multi-sensor data for assessment of timber structures: Principles and applications
Shu et al. A multi-task learning-based automatic blind identification procedure for operational modal analysis
Tejedor et al. A Gaussian Mixture Model-Hidden Markov Model (GMM-HMM)-based fiber optic surveillance system for pipeline integrity threat detection
Roberts et al. Quality control for community-based sea-ice model development
Zhu et al. Evaluating and predicting energy efficiency using slow feature partial least squares method for large-scale chemical plants
Mahmood et al. Constraining low-frequency variability in climate projections to predict climate on decadal to multi-decadal timescales–a poor man's initialized prediction system
Wang et al. Use of PRESS residuals in dynamic system identification
Chen et al. Online predictive monitoring using dynamic imaging of furnaces with the combinational method of multiway principal component analysis and hidden Markov model
Carrara et al. Deep learning for structural health monitoring: An application to heritage structures
Casas et al. Automatic structure extraction from MPI applications tracefiles
WO2023063528A1 (ko) 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법
Worden et al. Cointegration and nonstationarity in the context of multiresolution analysis
Parra dos Anjos Lima et al. Analysis of structural integrity of a building using an artificial neural network ARTMAP-Fuzzy-Wavelet

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19884252

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19884252

Country of ref document: EP

Kind code of ref document: A1