최근 발생한 수돗물 적수사태와 유충 등의 문제로 수질에 대한 불안감이 증대되고 있으며 수질관리의 중요성이 점차 커지고 있다. 상수도의 복잡성과 한정된 관리 인원으로 인해 사고에 따른 빠른 조치가 어려운 상황으로 최근 수질계측이 가능한 모니터링 설비를 적용하고 있으나 사고 이후에 대처와 한정적인 조치만이 가능하다. 따라서, 본 연구에서는 상수 공급원인 정수시설의 수질측정 데이터를 바탕으로 데이터 예측 모델을 개발 적용하고자 하며 연구에 따른 현장적용이 가능할 경우 수질예측에 따른 이상징후를 사전 감지하여 사용자에 알리여 사전 조치가 가능하다. 본 연구를 통하여 상수도 공급시설인 정수장에서 수집한 수질데이터(탁도, 잔류염소, pH)에 대하여 ...
최근 발생한 수돗물 적수사태와 유충 등의 문제로 수질에 대한 불안감이 증대되고 있으며 수질관리의 중요성이 점차 커지고 있다. 상수도의 복잡성과 한정된 관리 인원으로 인해 사고에 따른 빠른 조치가 어려운 상황으로 최근 수질계측이 가능한 모니터링 설비를 적용하고 있으나 사고 이후에 대처와 한정적인 조치만이 가능하다. 따라서, 본 연구에서는 상수 공급원인 정수시설의 수질측정 데이터를 바탕으로 데이터 예측 모델을 개발 적용하고자 하며 연구에 따른 현장적용이 가능할 경우 수질예측에 따른 이상징후를 사전 감지하여 사용자에 알리여 사전 조치가 가능하다. 본 연구를 통하여 상수도 공급시설인 정수장에서 수집한 수질데이터(탁도, 잔류염소, pH)에 대하여 인공신경망LSTM 예측모델을 적용하여 수질에 대한 예측을 진행하였으며, 하이퍼 파라미터를 조절하여 최적의 모델 선정 후 예측을 진행하였다. 예측에 대한 성능검증은 MAE, RMSE 2가지 항목을 통하여 성능을 확인하였다. 이렇듯 상수에 대한 인공신경망에 대한 적용을 통하여 수질 예측이 충분히 가능하다는 부분을 확일 할 수 있었으며 실제 수질을 측정하는 측정기 혹은 시스템에 본 연구가 적용될 경우 수질 예측에 따른 이상발생 시기의 예측으로 관리 지역에 대한 우선순위 선정과 사전 점검을 통한 현장관리의 편리성을 제공할 수 있을 것이다.
최근 발생한 수돗물 적수사태와 유충 등의 문제로 수질에 대한 불안감이 증대되고 있으며 수질관리의 중요성이 점차 커지고 있다. 상수도의 복잡성과 한정된 관리 인원으로 인해 사고에 따른 빠른 조치가 어려운 상황으로 최근 수질계측이 가능한 모니터링 설비를 적용하고 있으나 사고 이후에 대처와 한정적인 조치만이 가능하다. 따라서, 본 연구에서는 상수 공급원인 정수시설의 수질측정 데이터를 바탕으로 데이터 예측 모델을 개발 적용하고자 하며 연구에 따른 현장적용이 가능할 경우 수질예측에 따른 이상징후를 사전 감지하여 사용자에 알리여 사전 조치가 가능하다. 본 연구를 통하여 상수도 공급시설인 정수장에서 수집한 수질데이터(탁도, 잔류염소, pH)에 대하여 인공신경망 LSTM 예측모델을 적용하여 수질에 대한 예측을 진행하였으며, 하이퍼 파라미터를 조절하여 최적의 모델 선정 후 예측을 진행하였다. 예측에 대한 성능검증은 MAE, RMSE 2가지 항목을 통하여 성능을 확인하였다. 이렇듯 상수에 대한 인공신경망에 대한 적용을 통하여 수질 예측이 충분히 가능하다는 부분을 확일 할 수 있었으며 실제 수질을 측정하는 측정기 혹은 시스템에 본 연구가 적용될 경우 수질 예측에 따른 이상발생 시기의 예측으로 관리 지역에 대한 우선순위 선정과 사전 점검을 통한 현장관리의 편리성을 제공할 수 있을 것이다.
Anxiety about water quality is increasing due to problems such as tap water redness and larvae that have recently occurred, and the importance of water quality management is gradually increasing. Due to the complexity of water supply and limited management personnel, it is difficult to take quick ac...
Anxiety about water quality is increasing due to problems such as tap water redness and larvae that have recently occurred, and the importance of water quality management is gradually increasing. Due to the complexity of water supply and limited management personnel, it is difficult to take quick action in case of an accident. Recently, monitoring facilities capable of measuring water quality have been applied, but only countermeasures and limited measures are possible after the accident. Therefore, in this study, we intend to develop and apply a data prediction model based on the water quality measurement data of water purification facilities, which are the source of constant supply. possible. In this study, the artificial neural network LSTM prediction model was applied to the water quality data (turbidity, residual chlorine, pH) collected from the water purification plant, and the water quality was predicted by adjusting the hyper parameters. After selecting the optimal model, Prediction proceeded. Performance verification for prediction was confirmed through two items, MAE and RMSE. In this way, it was confirmed that water quality prediction is sufficiently possible through the application of the artificial neural network to the constant, and when this study is applied to a measuring instrument or system that actually measures water quality, it is possible to predict the time of occurrence of abnormalities according to the water quality prediction. It will be possible to provide the convenience of on-site management through priority selection and preliminary inspection.
Anxiety about water quality is increasing due to problems such as tap water redness and larvae that have recently occurred, and the importance of water quality management is gradually increasing. Due to the complexity of water supply and limited management personnel, it is difficult to take quick action in case of an accident. Recently, monitoring facilities capable of measuring water quality have been applied, but only countermeasures and limited measures are possible after the accident. Therefore, in this study, we intend to develop and apply a data prediction model based on the water quality measurement data of water purification facilities, which are the source of constant supply. possible. In this study, the artificial neural network LSTM prediction model was applied to the water quality data (turbidity, residual chlorine, pH) collected from the water purification plant, and the water quality was predicted by adjusting the hyper parameters. After selecting the optimal model, Prediction proceeded. Performance verification for prediction was confirmed through two items, MAE and RMSE. In this way, it was confirmed that water quality prediction is sufficiently possible through the application of the artificial neural network to the constant, and when this study is applied to a measuring instrument or system that actually measures water quality, it is possible to predict the time of occurrence of abnormalities according to the water quality prediction. It will be possible to provide the convenience of on-site management through priority selection and preliminary inspection.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.