선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이 연구에서는 내사천 유역과 평창강 유역을 중심으로 강우 시와 무강우시의 수질특성을 분석하였으며 강우 시에 측정된 수질과 유량 자료를 이용하여 실시간 수질 예측을 위한 신경망 모형의 적용성을 검토하고자 한다.
제안 방법
- 강우로부터 발생된 t시간의 유량자료와 t시간의 수질 자료, 강우발생후 경과시간을 입력자료로 하여 1+1시간에서의 수질을 출력하도록 하였다. 정량적 자료인 유량과 수질 자료만을 학습하여 춤력하는 LM(Levenberg-Marquardt) 신경망 모형과 정성적 자료인 강우발생 경과시간을 추가하여 학습한 MD(Modula) 신경망 모형을 적용하여 비교하였다.
- 내사천 유역에서 강우시와 무강우시로 구분하여 수질을 조사하였으며 강우시에는 매시간마다 시료 채취와 유량측정이 병행되었다. 무강우시에는 하천유량과 수질이 비교적 큰 차이없이 일정함에 따라 1회 출수시 4시간~6시간 간격으로 최소 24시간 동안 시료 채취와 유량측정을 실시하였다.
- 병행되었다. 무강우시에는 하천유량과 수질이 비교적 큰 차이없이 일정함에 따라 1회 출수시 4시간~6시간 간격으로 최소 24시간 동안 시료 채취와 유량측정을 실시하였다.
- 소하천인 내사천과 지방하천인 평창강을 대상으로 측정된 수질자료를 강우시와 무강우시로 구분하여 분석하고 강우 시의 수질변화를 신경망 모형으로 예측하여 다음과 같은 결론을 얻었다.
- 연구에서는 5분마다 측정된 자료로부터 시단위로 환산한 TOC 자료를 이용하였다.
- 유량과 수질간의 상관관계를 파악하기 위하여 내 사천과 평창강 유역에서 취득된 유량, 수질 시자료를 이용하여 상관분석을 실시하였다. 내사천 유역에서는 강우시 유량과 수질의 상관성은 낮은 것으로 나타났으며 유역의 하상 경사가 심하고 유량의 변화폭이 매우 커서 홍수시 유량계측에 다소 어려움이 있었다.
대상 데이터
- ), TOC, 수위(H), 유량(Q)의 통계특성을 나타내었다. 2003년 1월, 4 월, 7월 시단위 자료이며 결측된 부분을 제외하였다.
- 강우시의 자료는 2002년 7원 5일과 10월 5일에 측정되었으며 무강우시 자료는 2002년 5월 24일과 6월 19일, 10월 20일에 측정되었다. 소하천인 내사천 유역에서 강우 시와 무강우 시에 측정된 수질 및 유량Q)의 특성을 Table 2에 나타내었다.
- 적용하였다. 내사천 유역에서는 2002년 7월 5일에 발생한 유량과 측정한 수질 자료를 학습하였으며 2002년 10월 5일에 측정된 자료를 검증 자료로 사용하였다. 평창강 유역에서는 2003년 4월 9일과 7월 9일에 발생한 유량자료와 수질 자동측정망 자료를 학습하였으며 2003년 7월 24일에 측정된 자료를 검증자료로 사용하였다.
- 대상유역은 충주호 유역 내에 있는 내사천 유역과 평창강 유역이다. 내사천 유역의 상류는 전형적인 산림지역이고, 중류에 마을이 형성되어 있으며, 최하류는 충주호로 합류된다.
- 유량자료는 T/M 수위국인 영월1 지점의 자료를 이용하였다. 시단위로 계측된 수위를 수위-유량 관계곡선식(한국수자원공사, 2002)을 이용하여 시단위 유량으로 환산하였다.
- 내사천 유역에서는 2002년 7월 5일에 발생한 유량과 측정한 수질 자료를 학습하였으며 2002년 10월 5일에 측정된 자료를 검증 자료로 사용하였다. 평창강 유역에서는 2003년 4월 9일과 7월 9일에 발생한 유량자료와 수질 자동측정망 자료를 학습하였으며 2003년 7월 24일에 측정된 자료를 검증자료로 사용하였다.
- 평창강 유역에서의 수질자료는 환경부에서 설치한 평창강 지점의 수질자동 즉정망 자료를 이용하였다. 연구에서는 5분마다 측정된 자료로부터 시단위로 환산한 TOC 자료를 이용하였다.
데이터처리
- 시단위로 계측된 수위를 수위-유량 관계곡선식(한국수자원공사, 2002)을 이용하여 시단위 유량으로 환산하였다. 유량변화에 따른 수질변화 및 상관성을 파악하기 위해 표준편차(Std-Dve.), 상관계수(CC)를 이용하였으며 모형의 적용 결과를 분석하기위해 제곱근 평균오차(RMSE) 등을 이용하였다.
이론/모형
- 강우시 발생한 유량을 바탕으로 수질 변화 양상을 해석하기 위하여 비선형에 적합한 신경망 모형을 적용하였다. 내사천 유역에서는 2002년 7월 5일에 발생한 유량과 측정한 수질 자료를 학습하였으며 2002년 10월 5일에 측정된 자료를 검증 자료로 사용하였다.
- (안 둥, 2000). 수질예측을 위한 신경망 모형온 연결 강도조정 시에 BP 알고리즘에 비해 우수성이 입증된 Levenberg-Marquardt 방법을 사용하였다.
- 수질조사 항목은 BOD, TN, TP를 중심으로 분석하였으며 분석은 수질오염공정시험법과 Standard Method를 기준으로 하였다.
- 시단위로 계측된 수위를 수위-유량 관계곡선식(한국수자원공사, 2002)을 이용하여 시단위 유량으로 환산하였다. 유량변화에 따른 수질변화 및 상관성을 파악하기 위해 표준편차(Std-Dve.
- 강우로부터 발생된 t시간의 유량자료와 t시간의 수질 자료, 강우발생후 경과시간을 입력자료로 하여 1+1시간에서의 수질을 출력하도록 하였다. 정량적 자료인 유량과 수질 자료만을 학습하여 춤력하는 LM(Levenberg-Marquardt) 신경망 모형과 정성적 자료인 강우발생 경과시간을 추가하여 학습한 MD(Modula) 신경망 모형을 적용하여 비교하였다.
성능/효과
- 1. 강우시에 측정된 수질이 무강우시에 비해 큰 평균값과최대값을 보였으며 최소값과 최대값의 차이 또한 커서 표준편차도 큰 것으로 분석되었다.
- 2. 초기강우에 의해 발생된 유량이 유역의 수질변화에 큰 영향을 미치는 요인으로 나타났으며 평창강 유역에서 유량변동에 따른 TOC의 변화는 7월인 여름철에 가장 민감한 것으로 분석되었다.
- 3. 유량과 수질항목간의 관계해석을 위해 강우시에 적용한 신경망 모형은 소유역인 내사천 유역보다 유역면적이 큰 평창강 유역에서 적용성이 우수하였으며 정성적 자료인 강우 발생 시간을 활용한 모형이 좋은 결과를 보였다.
- 그러나 2003년 1월의 강우는 미미하여 유량에 영향을 미치지 않는 것으로 판단된다. 4월, 7월 모두 강우시 TOC의 평균값이 무강우시 보다 큰 것으로 분석되었으며 TOC는 유량 변동에 민감한 것으로 판단된다.
- RMSE 또한 LM 모형 이 0.10 mg/L, MD 모형 이 0.09 mg/L로 좋은 결과를 보였다.
- 강우발생에 따라 유량이 급격히 증가하는 시점에서 수질이 큰 폭으로 변화하였으며 유량 증감에 따라 수질이 변동하는 경향을 보였다. 강우 초기에 노출되어 있는 비점오염원의 유입으로 수질이 크게 변동하였으며 유입 유량에 의해 큰 영향을 받는 것으로 판단된다.
- 강우시 TOC는 무강우시에 비해 평균, 최대값이 크게 나타났으며 TOC의 최대값은 강우시 2.20 mg/L, 무강우시 0.90mg/L로 큰 차이를 보이고 있다.
- 강우시의 BOD, TN, TP 수질 측정값은 모두 무강우시에비해 평균, 최대값이 크게 나타났다. 특히 TP의 최대 값은 강우 시 4.
- 나타내었다. 내사천 유역에 적용된 LM, MD 신경망 모형에 의한 계산 값을 BOD, TN, TP의 실측치와 비교하였을 때 평균값에는 근사하였으나 상관계수는 다소 낮았다. 두 신경망 모형을 비교하면 정성적 자료인 강우발생시간을 추가하여 학습한 MD 신경망 모형이 낮은 RMSE 값을 보였으며 상관성도 높은 것으로 나타났다.
- 내사천 유역에 적용된 LM, MD 신경망 모형에 의한 계산 값을 BOD, TN, TP의 실측치와 비교하였을 때 평균값에는 근사하였으나 상관계수는 다소 낮았다. 두 신경망 모형을 비교하면 정성적 자료인 강우발생시간을 추가하여 학습한 MD 신경망 모형이 낮은 RMSE 값을 보였으며 상관성도 높은 것으로 나타났다.
- 16에 비해 유량과 TOC의 상관관계가 크게 나타났다. 또한 유량과 TOC의 상관관계는 4월과 7월 모두 강우 시에 큰 상관관계를 보였다.
- 신경망 모형에 의한 수질예측 결과 내사천 유역에서는 다소 큰 오차를 보이고 있으나 수질변화가 양상은 파악되고 있는 것으로 나타났다. 하폭이 매우 작은 소하천인 내 사천 유역에서 신경망 모형의 적용 결과가 다소 미흡한 원인은 취득된 자료의 양이 많지 않고, 측정된 유량과 수질의 상관성이 낮았기 때문으로 판단된다.
- 평창강 유역에서는 TOC 모의를 위해 적용된 두 신경망 모형 모두 평균값에 근사하고 상관관계가 우수한 것으로 나타났다. RMSE 또한 LM 모형 이 0.
- 평창강 유역은 도달시간이 짧은 내사천 유역에 비해 유로 연장 및 유역면적이 커서 강우 발생시간으로부터 약 17시간에서 20시간 후에 유량증가 및 수질변화가 일어났다.
후속연구
- 또한 강우에 따른 유량예측 시스템과 연계하여 수질 변화를 미리 예측하고 이상 수질 발생시 빠르게 판단하여 수질 사고 지점을 파악할 수 있는 시스템이 구축된다면 수질 감시에 도움이 될 것으로 판단된다.
- 향후 수질자동측정망이 설치된 지점에서 실시간 유량 관측시설을 동시에 운영하고 수심별, 횡단거리별 채취지점을 증가하여 양질의 자료를 취득하기위한 방안이 요구된다. 또한 강우에 따른 유량예측 시스템과 연계하여 수질 변화를 미리 예측하고 이상 수질 발생시 빠르게 판단하여 수질 사고 지점을 파악할 수 있는 시스템이 구축된다면 수질 감시에 도움이 될 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.