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
- TOC와 DO를 기준으로 불규칙한 이상수질이 발생하였을 때에 경보시스템이 이를 해석할 수 있는지 검토하였다. TOC 항목에서는 다양한 수질변동 상황을 고려하여 수질오염 발생에 대한 가상시나리오를 작성 하였으며, 유출예측 모형과 수질예측 모형의 연계를 통해 예측모형의 적용성이 검증되었던 2003년 7월 24 일 사상에 적용하였다.
제안 방법
- 5분단위 원시자료에서 시간대표값이 추출되었고, 보간과 자료의 평활화 과정이 수행되었다. 그림 9에 원시 자료와 추출된 시간대표값, 평활화된 최종값의 산출 화 면을 나타내었다.
- 경보시스템의 주요 역할은 갑작스런 이상수질로 인해 수질예측모형의 예측값과 자동측정망에서 얻어진 취득값이 서로 큰 차이가 있을 경우와 원수수질이 3급수 이하일 경우에 주의 및 경고를 통보한다. GUKGraphic User Interface)로 구현된 경보시스템을 통해 예측된 유량으로 수질예측을 수행하고, 이상 수질에 대한 판단 가능성을 검토하였다.
- TOC와 DO를 기준으로 불규칙한 이상수질이 발생하였을 때에 경보시스템이 이를 해석할 수 있는지 검토하였다. TOC 항목에서는 다양한 수질변동 상황을 고려하여 수질오염 발생에 대한 가상시나리오를 작성 하였으며, 유출예측 모형과 수질예측 모형의 연계를 통해 예측모형의 적용성이 검증되었던 2003년 7월 24 일 사상에 적용하였다. DO의 사상은 2003년 7월 10일 18시부터 급격하게 저하한 실측자료이다.
- 경보모형은 안정화된 수질예측 신경망 모형의 출력값을 받아들여 자동측정망에서 취득된 실측값과 비교하고 이상치의 발견시 경고의 메시지를 전달할 수 있도록 구성하였다. 신경망 출력값과 실측값 외에도 이상치의 판단을 위해 실측값의 시간당 변화폭과 발생확률을 이용하였다 .
- 다중퍼셉트론 경보모형, 다층신경 망 경보모형과 뉴로-퍼지 경보모형은 신경망의 출력값과 실측치가 근사한 ①, ⑤, ⑥의 경우를 안정상태로 판단하였다. 또한 DO가 급격히 감소한 ②와 신경망 모형의 출력값과 실측값이 큰 차이를 보인 ③의 경우를 이상치로 판단해 내었다.
- DO 항목의 경우, 신경망 모형의 출력값에 비해 DO 실측값이 매우 작거나 발생확률이 작고, DO의 감소폭이 크게 나타날 것이다. 또한 잦은 경고를 방지하기 위해 주의상태를 두었다. 신경망 모형의 출력값과 실측값의 오차는 있으나, 증가량이나 발생확률이 극단적이지 않은 경우이다.
- 수질오염 사고를 판단하기위한 경보모형은 다중퍼셉트론과 다층신경망, 뉴로-퍼지 모형들로 구성되었으며, 개발된 기준축에 따른 안정, 주의, 경고 상태를 학습하였다. 수질예측 모형에 유출예측 모형을 연계하고 경보모형을 결합하 여 인공지능 시스템을 구축하였으며, 구축된 시스템을 GUI로 구현하였다. GUI 화면은 초기화면, 자료 전처리 과정, 유량예측 과정, 수질예측 과정, 경보시스템의 순으로 진행된다.
- 수질오염 사고를 판단하기위한 경보모형은 다중퍼셉트론과 다층신경망, 뉴로-퍼지 모형들로 구성되었으며, 개발된 기준축에 따른 안정, 주의, 경고 상태를 학습하였다. 수질예측 모형에 유출예측 모형을 연계하고 경보모형을 결합하 여 인공지능 시스템을 구축하였으며, 구축된 시스템을 GUI로 구현하였다.
- 경보보형의 입력자료 구성을 위해 매시간 변화 하는 수질자료의 변화량을 잔차에 의해 계산하였으며, 그림 14와 15에 평창강 지점의 TOC와 DO 자료에 대한 시간당 변화량을 나타내었다. 시단위로 환산된 실측 자료들을 크기 순으로 나열하여 순위에 따른 발생 확률을 계산하였다. TOC 실측값은 lmg/L인 경우에 발생확률이 10%, 2.
- 경보모형은 안정화된 수질예측 신경망 모형의 출력값을 받아들여 자동측정망에서 취득된 실측값과 비교하고 이상치의 발견시 경고의 메시지를 전달할 수 있도록 구성하였다. 신경망 출력값과 실측값 외에도 이상치의 판단을 위해 실측값의 시간당 변화폭과 발생확률을 이용하였다 .
- 자료 전처리 과정에서는 수질자동측정망으로부터 취득된 5분단위 원시자료를 시간대표값으로 산출한다. 유량예 측 과정에서는 강우량과 유량의 관계를 학습한 유량예 측 모형의 검증을 수행하고, 수질예측 과정에서는 유량 예측값을 읽어들여 수질예측의 학습과 검증을 실시한다. 예측된 수질은 경보시스템에 의해 이상수질 판단에 사용된다.
- 유량예측 모형과 수질예측 모형을 연계하여 수질예 측 연계모형을 구성하고, 수질오염사고에 대한 판단능력을 가진 경보모형을 결합하여 실시간 수질관리를 위한 인공지능시스템을 구축하였다. 유량예측 모형은 상, 하류에 위치한 판운과 영월1 지점의 수문자료 학습을 통해 미계측 지점에서의 유량을 출력하도록 구성되었으며, 유량예측 모형으로부터 출력된 출력값이 수질예측 모형에 자동 입력되어 수질예측이 수행된다.
- 인공지능 모형들로 구성된 유출예측 모형, 수질예측 모형, 경보모형으로 시스템을 구축하여 이상수질 변화에 대한 적용성을 검토하였으며, 다음과 같은 결론을 얻었다.
- 인공지능 모형으로 이상 수질을 판별할 수 있도록 경보모형을 구성하였으며, 유출 예측과 수질예측을 연계한 유량-수질예측 모형에 경보모형을 결합하여 인공 지능 모형들로 구성된 실시간 경보시스템을 구축하였다. 경보시스템의 주요 역할은 갑작스런 이상수질로 인해 수질예측모형의 예측값과 자동측정망에서 얻어진 취득값이 서로 큰 차이가 있을 경우와 원수수질이 3급수 이하일 경우에 주의 및 경고를 통보한다.
대상 데이터
- TOC 항목에서는 다양한 수질변동 상황을 고려하여 수질오염 발생에 대한 가상시나리오를 작성 하였으며, 유출예측 모형과 수질예측 모형의 연계를 통해 예측모형의 적용성이 검증되었던 2003년 7월 24 일 사상에 적용하였다. DO의 사상은 2003년 7월 10일 18시부터 급격하게 저하한 실측자료이다. 유량이 감소 되고 수질 변화가 미미한 시점이나, 급격한 DO의 변 화 양상으로 보아 기기의 오작동으로 판단되는 구간이다.
이론/모형
- 신경망 모형의 출력값과 실측값의 오차는 있으나, 증가량이나 발생확률이 극단적이지 않은 경우이다. ANFIS 뉴로-퍼지 모형은 X, Y축에 대한 안정, 주의, 경고 상태의 center 값을 사용하였다. 그림 1에 경보 모형의 학습을 위해 설정한 기준축을 나타내었으며, 그림 2에 기준축으로부터 형성된 안정, 주의, 경고 상태의 학습지표를 나타내었다.
성능/효과
- 시단위로 환산된 실측 자료들을 크기 순으로 나열하여 순위에 따른 발생 확률을 계산하였다. TOC 실측값은 lmg/L인 경우에 발생확률이 10%, 2.1mg/L인 경우에 1%로 나타났다. DO는 8.
- DO 시나리오에 대한 인공지능 경보시스템의 적용결과는 표 6~8과 같다. 다중퍼셉트론 경보모형, 다층신경 망 경보모형과 뉴로-퍼지 경보모형은 신경망의 출력값과 실측치가 근사한 ①, ⑤, ⑥의 경우를 안정상태로 판단하였다. 또한 DO가 급격히 감소한 ②와 신경망 모형의 출력값과 실측값이 큰 차이를 보인 ③의 경우를 이상치로 판단해 내었다.
- TOC 시나리오에 대한 인공지능 경보시스템의 적용결과 는 표 3~5와 같다. 다중퍼셉트론 경보모형, 다층신경망 경보모형과 뉴로-퍼지 경보모형은 모두 ②와 ④의 경우 를 이상치로 판단해내는 좋은 결과를 보였다. 또한 TOC의 시간당 증가량은 크지 않으나, 신경망 모형의 출력값과 차이를 보인 ③과 ⑤의 경우에 주의 및 경고를 전달하였으며, 안정적인 ①의 경우를 잘 판단하였다.
- 수질예측 모형에 유출예측 모형을 연계하고 경보모형을 결합하여 구축된 인공지능 경보시스템은 TOC와 DO의 이상 수질에 대하여 위험상태 및 안정상태를 적합하게 구별하는 것으로 나타났다. 또한 GUI로 구현된 시스템 화면을 통해서 모의 과정을 편리하게 운영할 수 있었으며, 자료의 처리 및 모의 결과를 쉽게 이해할 수 있었다.
- 다중퍼셉트론 경보모형, 다층신경망 경보모형과 뉴로-퍼지 경보모형은 모두 ②와 ④의 경우 를 이상치로 판단해내는 좋은 결과를 보였다. 또한 TOC의 시간당 증가량은 크지 않으나, 신경망 모형의 출력값과 차이를 보인 ③과 ⑤의 경우에 주의 및 경고를 전달하였으며, 안정적인 ①의 경우를 잘 판단하였다.
- 수질예측 모형에 유출예측 모형을 연계하고 경보모형을 결합하여 구축된 인공지능 경보시스템은 TOC와 DO의 이상 수질에 대하여 위험상태 및 안정상태를 적합하게 구별하는 것으로 나타났다. 또한 GUI로 구현된 시스템 화면을 통해서 모의 과정을 편리하게 운영할 수 있었으며, 자료의 처리 및 모의 결과를 쉽게 이해할 수 있었다.
- GUI 화면은 초기화면, 자료 전처리 과정, 유량예측 과정, 수질예측 과정, 경보시스템의 순으로 진행된다. 수질오염 사고에 대한 시나리오를 작성하여 시스템의 적용성을 검토하였으며, 인공지능 경보시스템은 이상수질에 대하여 위험 및 안정 상태를 적합하게 구별하는 것으로 나타났다.
- 안정, 주의, 경고 상태에 대한 경보모형의 학습기준 으로 개발된 기준축은 문자나 숫자를 인식할 수 있는 인공지능 모형의 특징이 고려되었으며, 유량-수질 연계 모형에 의한 수질 예측값과 시나리오로 작성된 실측값은 기준축을 통해서 적절한 행렬 형태의 입력값으로 변환이 가능하였다.
- 그러나 취수원수의 한계값으로 설정한 5mg/L보다 낮아 시스템의 원수수질 판단 기능에 의해 경고상태로 전환되었다. 원수수질에 대한 판단기능은 이상수질 판단기능에 우선하여 적용되도록 구성하였으며, ③과 ④ 경우의 사이에 취수에 부적절한 실측값을 모두 경고상 태로 전달하였다. 이상과 같이 경보모형에 의히서 출력된 값을 통해 안정, 주의, 경고가 판단되었으며 다중퍼 셉트론, 다층신경망, 뉴로-퍼지 모형의 운영에 의한 경보시스템의 전달 메시지를 그림 22에 나타내었다.
- 다중퍼셉트론 경보모형은 구조가 간단하여 학습시와 유사한 패턴의 자료를 구분하는데 빠르고 유용하였으나, 모호한 자료에 대해서는 판단능력이 부족하였다. 자료의 변화가 다양하고 복잡한 상태에서는 이상수질의 판단을 위해 다층신경망 경보모형이나 뉴로-퍼지 경보 모형을 사용하는 것이 효과적인 것으로 나타났다.
후속연구
- 격자형 기준축에 대한 행렬의 크기 및 모양의 기준 설정에 있어 더욱 세밀한 연구가 필요하며, 인공지능시 스템과 연계되어 수질오염사고 경보시에 수질사고 지점을 파악할 수 있는 시스템이 구축된다면 수질감시에 도움이 될 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.