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
- 따라서 본 연구에서는 실시간으로 측정 가능한 UV 흡광도와 대규모 하수처리장 유입수의 일정한 패턴을 통계적으로 해석하여 하수 내 구성성분인 TSS, TCOD, TN, TP의 농도를 효과적으로 추정하는 기법을 개발하는 것을 목표로 하고 있다. 이를 위해 먼저 대도시 하수처리장으로 유입되는 하수의 특성을 시간대 별로 조사하여 일정한 경향을 밝혀보았다.
- 이를 위해 먼저 대도시 하수처리장으로 유입되는 하수의 특성을 시간대 별로 조사하여 일정한 경향을 밝혀보았다. 그리고 UV 흡광도와 하수의 구성성분 농도와의 상관관계를 조사하였는데, 이를 위해 적절한 UV 파장을 찾기 위한 실험을 수행하였다. 마지막으로, 구성성분 농도를 효과적으로 추정하기 위해 1차 회귀분석과 인공신경망을 이용한 통계적 해석을 수행하고 그 결과를 비교함으로서 각 방법의 장, 단점을 파악하고자 하였다.
- TP증 수용성 인은 39%로 대부분의 인이 고형물에 포함되어 있음을 알 수 있었다. 유입 하수의 경향성을 평가해 보았다. A시 하수종말처리장으로 유입되는 하수의 유량과 구성성분의 농도는 하루를 기준으로 시간에 따른 일정한 경향을 갖는 것으로 밝혀졌다.
- 평가 흡광도를 측정하기에 앞서 적절한 파장의 빛을 선정하기 위한 실험을 수행하였다. 200 nm에서 800 nm의 파장의 빛을 조사해본 결과 300 nm의 빛에서 가장 적절한 반응을 보였다.
- 따라서 하수의 성상을 이해하고 실시간으로 측정하는 기술은 유입 하수 성상에 상응하는 적절한 운전전략을 결정하는데 중요한 역할을 할 수 있을 것이다. 시간대별로 하수의 특성을 관찰하고 쉽게 실시간으로 측정 가능한 인자를 바탕으로 하수 구성성분의 농도를 예측하는 연구를 시도하였고 다음과 같은 결론을 얻을 수 있었다.
제안 방법
- 이를 위해 먼저 대도시 하수처리장으로 유입되는 하수의 특성을 시간대 별로 조사하여 일정한 경향을 밝혀보았다. 그리고 UV 흡광도와 하수의 구성성분 농도와의 상관관계를 조사하였는데, 이를 위해 적절한 UV 파장을 찾기 위한 실험을 수행하였다.
- 그리고 UV 흡광도와 하수의 구성성분 농도와의 상관관계를 조사하였는데, 이를 위해 적절한 UV 파장을 찾기 위한 실험을 수행하였다. 마지막으로, 구성성분 농도를 효과적으로 추정하기 위해 1차 회귀분석과 인공신경망을 이용한 통계적 해석을 수행하고 그 결과를 비교함으로서 각 방법의 장, 단점을 파악하고자 하였다.
- 채취된 하수를 1일 2회 수거하여 4°C 이하에서 냉장 보관한 뒤, 고형물, 유기물, 질소, 인 성분에 대한 분석을 실시하였다. TSS, TCOD는 AWWA standard methods(20th edition)에 기인하여 측정하였으며, TN, TP, NH, 는 HUMAS KIT와 Hach DR2010 기기를 이용하여 측정하였고, 이 온성 물질인 NO-와 PQj는 Dionex-120 이온 크로마토그래피를 이용하여 측정하였다.
- TSS, TCOD는 AWWA standard methods(20th edition)에 기인하여 측정하였으며, TN, TP, NH, 는 HUMAS KIT와 Hach DR2010 기기를 이용하여 측정하였고, 이 온성 물질인 NO-와 PQj는 Dionex-120 이온 크로마토그래피를 이용하여 측정하였다. 또한 실시간 측정 가능성을 평가하기 위한 방법으로 파장 300 nm에서 채취한 하수의 흡광도를 측정하였는데, 이를 위해 잘 교반한 시료를 두께가 1 cm인 cell에 담아 BECKMAN DU650 spectrophotometer를 이용하여 측정하였다. 이에 앞서 적절한 UV 파장을 찾기 위한 실험이 수행되었는데, 이를 위해 하수 시료에 다양한 파장의 빛을 조사하였고, 그 결과 적절한 반응성을 보인 파장을 선정하였다.
- 또한 실시간 측정 가능성을 평가하기 위한 방법으로 파장 300 nm에서 채취한 하수의 흡광도를 측정하였는데, 이를 위해 잘 교반한 시료를 두께가 1 cm인 cell에 담아 BECKMAN DU650 spectrophotometer를 이용하여 측정하였다. 이에 앞서 적절한 UV 파장을 찾기 위한 실험이 수행되었는데, 이를 위해 하수 시료에 다양한 파장의 빛을 조사하였고, 그 결과 적절한 반응성을 보인 파장을 선정하였다.
- 첫 번째로 유효 자료 350개에서 얻어진 파장 300 nm에서의 흡광도와 TSS, TCOD, TN, TP와의 상관관계를 1차 회귀분석을 통해 평가하였고, 얻어진 1차식을 이용하여 나머지 96개 자료의 농도를 예측하였다. 두 번째로 인공신경망을 구성하였고, 350개의 자료를 이용하여 이를 훈련시켰으며, 나머지 96개의 자료를 이용하여 인공신경망의 정확성을 평가하였다.
- 자료의 농도를 예측하였다. 두 번째로 인공신경망을 구성하였고, 350개의 자료를 이용하여 이를 훈련시켰으며, 나머지 96개의 자료를 이용하여 인공신경망의 정확성을 평가하였다. 정확성은 추정된 농도값과 실측값과의 RMSE(root mean square error)값을 사용하였다.
- 정확성은 추정된 농도값과 실측값과의 RMSE(root mean square error)값을 사용하였다. 인공신경망의 구성을 위해 상용 수치해석 프로그램인 Matlab version 6.5의 toolbox에 포함된 net 함수를 사용하였고, 변수 결정을 위해 임의로 은닉층의 개수와 각 층의 node 개수를 변경하면서 출력층이 높은 정확성을 갖는 변수를 선정하였다. 그 결과 입력층 1개, 은닉층은 2개, 출력층 1개로 구성하였고, node의 개수를 각각 3-5-10-1 로 구성하였다.
- 찾아보았다. 첫 번째로 측정한 300 nm 파장에서의 흡광도와 구성성분농도와의 상관관계를 평가해보았다(Fig. 4).
- 자동으로 기록되게 되어 있다. 앞선 하수 성상의 경향 연구 결과 하수의 유량과 구성성분의 농도가 하루 기준으로 유사한 경향을 갖는 현상에 착안하여, 유량과 구성성분의 농도와의 상관관계를 찾아보았다(Fig. 5).
- 방법을 사용하였다. 첫 번째는 구성성분 농도와 밀접한 관련을 갖는 흡광도를 이용하여 각 구성성분 농도와의 회귀 분석 결과를 이용한 것이다. 채취한 시료 중 350개를 1차 회귀분석에 사용하였고, 나머지 96개를 농도 예측에 사용하였다.
- 두 번째는 인공신경망을 이용한 예측이다. 훈련을 위해 350개의 자료를 사용했는데, 입력값으로 UV 흡광도, 유량, 시료채취시간을 사용하고 출력값으로 각 구성성분의 농도를 사용하여 훈련시킨 인공 신경망을 나머지 96개 자료를 이용하여 검증한 것이다. Fig.
- 7- 10에서 볼 수 있듯이 비교적 정확한 수준으로 96개의 농도를 예측이 가능하였다. 또한 인공신경망을 이용한 훈련 학습 및 예측의 경우에도 Fig. 7〜10에서 보는 바와 같이 비교적 정확한 수준으로 구성성분의 농도를 예측해 주었다.
- 두 방법의 정확성을 측정값과 예측값 사이의 RMSE 값을 이용하여 비교해 보았다(Table 3). 모든 경우에 대해 인공 신경망은 1차 회귀분석보다 높은 정확성을 보이고 있었다.
- 구성성분 농도의 예측을 위해 구성성분의 농도와 밀접한 관련이 있으면서 실시간 측정이 가능한 인자를 찾아보았다. 첫 번째로 측정한 300 nm 파장에서의 흡광도와 구성성분농도와의 상관관계를 평가해보았다(Fig.
대상 데이터
- 2005년 10월부터 11월 21일까지 약 50여 일 동안 대도시 A시의 하수종말처리장 차집관거 후단의 유입 게이트에서 하수를 채취하였다. 자체 제작한 하수 자동 채취 장치를 이용하여 2시간에 1회씩, 하루에 총 12개의 하수 시료를 채취하였다.
- 채취하였다. 자체 제작한 하수 자동 채취 장치를 이용하여 2시간에 1회씩, 하루에 총 12개의 하수 시료를 채취하였다. 하수 자동 채취 장치에는 냉장 기능이 있어 적절한 시료 보관이 가능하였다.
- 하수의 유입량은 하수종말처리장의 펌프장에서 매시간 자동적으로 측정하는 하수 유입량 자료를 활용하였다.
- 채취한 시료 중 446개의 분석 결과를 유효한 것으로 판단하였는데, 이 중 350개를 1차 회귀분석 및 인공신경망 훈련에 사용하였고, 나머지 96개를 구성성분 농도 예즉 가능성 평가에 사용하였다.
- 5 를 초과하는 일이 종종 발생한 것이다. 따라서 본 연구에서는 UV 범위의 파장 300nm를 사용하기로 결정하였다. Fig.
- 첫 번째는 구성성분 농도와 밀접한 관련을 갖는 흡광도를 이용하여 각 구성성분 농도와의 회귀 분석 결과를 이용한 것이다. 채취한 시료 중 350개를 1차 회귀분석에 사용하였고, 나머지 96개를 농도 예측에 사용하였다. 두 번째는 인공신경망을 이용한 예측이다.
데이터처리
- 두 번째로 인공신경망을 구성하였고, 350개의 자료를 이용하여 이를 훈련시켰으며, 나머지 96개의 자료를 이용하여 인공신경망의 정확성을 평가하였다. 정확성은 추정된 농도값과 실측값과의 RMSE(root mean square error)값을 사용하였다. 인공신경망의 구성을 위해 상용 수치해석 프로그램인 Matlab version 6.
이론/모형
- TSS, TCOD는 AWWA standard methods(20th edition)에 기인하여 측정하였으며, TN, TP, NH, 는 HUMAS KIT와 Hach DR2010 기기를 이용하여 측정하였고, 이 온성 물질인 NO-와 PQj는 Dionex-120 이온 크로마토그래피를 이용하여 측정하였다. 또한 실시간 측정 가능성을 평가하기 위한 방법으로 파장 300 nm에서 채취한 하수의 흡광도를 측정하였는데, 이를 위해 잘 교반한 시료를 두께가 1 cm인 cell에 담아 BECKMAN DU650 spectrophotometer를 이용하여 측정하였다.
성능/효과
- 한편 국내의 경우, 대부분의 대형 하수처리장에 분산제어시스템이 구축되어 있으나, 이를 효과적으로 사용하는 예는 아직 보고되지 않았다.2)국내외 하수종말처리장의 상당부분이 처리 용량에 비해 과대 설계된 경우가 많아서 보편적인 운전을 통해서도 유출수 수질 기준을 달성하고 있는 것으로 보인다. 唄)그러나 질소와 인에 대한 유출수 수질 기준이 강화되고, 하수 발생량과 처리 비용 감소에 대한 사회적 요구가 증가한다면, 기 설치된 하수종말처리장에 실시간 측정 장치와 제어 기술의 도입이 필요할 것으로 판단된다.
- ”) 그러나 Choi 등의 연구'6)에서 사용한 11개의 입력값은 실시간으로 측정하기 어려운 것으로서, 연구의 목적이 적용성보다는 예측의 가능성에 초점을 두고 있는 것이다. 만약 실시간으로 측정이 가능한 UV 흡광도와 하수 구성성분의 농도에 높은 상관관계가 있고, 시간대에 따른 하수 성상의 경향에 대한 자료가 밝혀진다면 화학 반응을 사용하는 것보다 간편하고 저렴한 측정 방법이 될 수 있을 것으로 생각되었다.
- TCOD/TN의 값은 약 7.3이었고, TN의 77%는 암모니아성 질소로 존재하고 있었다. TP증 수용성 인은 39%로 대부분의 인이 고형물에 포함되어 있음을 알 수 있었다.
- 유입 하수의 경향성을 평가해 보았다. A시 하수종말처리장으로 유입되는 하수의 유량과 구성성분의 농도는 하루를 기준으로 시간에 따른 일정한 경향을 갖는 것으로 밝혀졌다. Fig.
- TSS 농도의 경우는 평균값 대비 최대, 최소의 차이가 120% 정도로서 시간대별 농도의 차이가 큼을 알 수 있었다. 주말의 경우 유량과 구성성분의 농도가 소폭으로 변하는 것이 관찰되었는데, 최고값이 감소하였고, 유량과 TCOD 농도의 경우 오후 1시와 오후 3시에 가장 높은 값을 나타냈는데, 이는 주말에 사람들의 생활패턴이 주중에 비해 늦어지는 것에 기인하였을 것으로 판단되었다.
- TSS 농도의 경우는 평균값 대비 최대, 최소의 차이가 120% 정도로서 시간대별 농도의 차이가 큼을 알 수 있었다. 주말의 경우 유량과 구성성분의 농도가 소폭으로 변하는 것이 관찰되었는데, 최고값이 감소하였고, 유량과 TCOD 농도의 경우 오후 1시와 오후 3시에 가장 높은 값을 나타냈는데, 이는 주말에 사람들의 생활패턴이 주중에 비해 늦어지는 것에 기인하였을 것으로 판단되었다. Table 2는 구성성분의 농도의 최고값을 주중과 주말로 구분하여 나타낸 것이다.
- 실험을 수행하였다. 200 nm에서 800 nm의 파장의 빛을 조사해본 결과 300 nm의 빛에서 가장 적절한 반응을 보였다. 그 이상의 파장은 민감도가 낮아서 사용하기 적절하지 않았으며, 그 이하의 파장에서는 측정 최고값인 4.
- 흡광도와 구성성분과의 상관관계는 1차 회귀분석으로 분석했을 때 매우 높은 값을 보임으로서 이들이 밀접한 상관관계를 갖고 있음을 보여주었다. 대표적으로 TP의 경우 if 값이 0.
- 갖고 있음을 보여주었다. 대표적으로 TP의 경우 if 값이 0.88을 보임으로서 가장 높은 상관관계를 보였으며, TN의 경우 상관관계가 가장 낮아서 居값이 0.49정도로 밝혀졌다. 이로서 300 nm 빛의 흡광도를 이용하여 하수 구성성분 농도의 효과적 예측이 가능함을 알 수 있었고, 더불어 300 nm 의 선정도 적절했음이 밝혀졌다.
- 49정도로 밝혀졌다. 이로서 300 nm 빛의 흡광도를 이용하여 하수 구성성분 농도의 효과적 예측이 가능함을 알 수 있었고, 더불어 300 nm 의 선정도 적절했음이 밝혀졌다.
- 흡광도와 1차 회귀분석 결과를 이용한 예측으로도 Fig. 7- 10에서 볼 수 있듯이 비교적 정확한 수준으로 96개의 농도를 예측이 가능하였다. 또한 인공신경망을 이용한 훈련 학습 및 예측의 경우에도 Fig.
- 비교해 보았다(Table 3). 모든 경우에 대해 인공 신경망은 1차 회귀분석보다 높은 정확성을 보이고 있었다. i차 회귀분석의 결과로서도 정확한 예측이 가능하지만 인공신경망을 이용함으로 보다 정확한 예측이 가능함을 알 수 있었다.
- 모든 경우에 대해 인공 신경망은 1차 회귀분석보다 높은 정확성을 보이고 있었다. i차 회귀분석의 결과로서도 정확한 예측이 가능하지만 인공신경망을 이용함으로 보다 정확한 예측이 가능함을 알 수 있었다. 이로서 UV 흡광도를 이용하여 비교적 간단하게 하수 구성성분 농도를 예측할 수 있음을 알 수 있었다.
- i차 회귀분석의 결과로서도 정확한 예측이 가능하지만 인공신경망을 이용함으로 보다 정확한 예측이 가능함을 알 수 있었다. 이로서 UV 흡광도를 이용하여 비교적 간단하게 하수 구성성분 농도를 예측할 수 있음을 알 수 있었다.
- 1) 유마 분석 결과 오전과 오후에 각각 2회의 첨두 유량을 보였다. 시간대별 유량의 평균값을 계산한 결과 하루에 최대 62% 정도의 증감량 보이는 것을 알 수 있었다.
- 시간대별 유량의 평균값을 계산한 결과 하루에 최대 62% 정도의 증감량 보이는 것을 알 수 있었다. 구성 성분 농도는 최대 120%의 정토의 증감량 보였다.
- 2) 하수 구성성분의 농도는 UV 파장 300 nm에서 측정한 흡광도와 매우 높은 상관관계가 있음이 밝혀졌고, 이를 이용한 하수 구성성분 농도의 예측이 가능하다는 것을 보여주었다.
- 3) 300 nm에서의 홉광도와 1차 회귀분석을 이용한 TSS, TCOD, TN, TP에 대한 높은 예측 능력 확인하였는데, 측정값과의 RMSE 평균값은 각각 TSS 19.3, TCOD 26.7, TN 5.4, TP 0.45이었다. 300 nm에서의 흡광도와 유량, 그리고 유입 시간을 이용한 인공신경망 기법에서 측정값과의 RMSE 평균값이 각각 TSS 14.
- 45이었다. 300 nm에서의 흡광도와 유량, 그리고 유입 시간을 이용한 인공신경망 기법에서 측정값과의 RMSE 평균값이 각각 TSS 14.4, TCOD 25.1, TN 4.1, TP 0.39로서, 모든 항목에 대해 흡광도법을 이용한 예측보다 향상된 측정능력을 보였다.
후속연구
- 'A" 이는 낮과 새벽의 유량 및 구성 성분의 농도가 큰 차이를 보이는 것인데, 이것은 유입 하수가 사용자의 생활 양상에 맞추어 발생하기 때문인 것으로 판단되었다. 따라서 일반적인 경향을 축적하여 통계적 자료로 활용한다면 보다 개선된 하수 구성성분 농도의 예측이 가능할 것이라는 판단된다. Choi 등”)은 축적된 타 구성성분과의 상관관계를 인공신경망으로 해석하여 하수의 TKN(Total Kjeldahl Nitrogen) 농도를 효과적으로 추정할 수 있음을 보고하였다.
- 첫째는 통계적 해석을 위해 많은 수의 자료를 필요로 하고, 이의 수집을 위해 시간과 노력이 소모되므로 현장에 적용되기 위해서는 정확성을 감소하지 않는 범위에서 간소화하는 작업이 선행되어야 하는 것이다. 둘째는 본 연구에서 제안된 UV는 하수 내 고형물의 농도를 예측하는데, 만약 비정상적으로 고농도의 용존성 물질이 유입된다면 본 방법으로는 그것을 예측할 수 없는 문제점이 다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.