본 논문에서는 특정 시점, 특정 장소의 대기 중에 발생하는 악취의 발생원을 추적하기 위한 악취분류 및 악취원 분석 방법을 제안한다. 이를 위해 악취원별 대표패턴의 생성이 필요하다. 이에 주요 악취원에서 측정한 67개의 악취를 악취 대표패턴으로 생성하였다. 또한, 여러 악취가 대기 중에서 섞였을 경우를 고려하여 2~3개의 악취들을 조합하여 복합 악취 대표패턴을 생성하였고, pseudo inverse method를 이용하여 악취에 대한 악취원들의 가중치를 계산하였다. 그 결과 해당 악취를 발생시킨 악취원들과 악취에 대한 기여도를 알아낼 수 있었다. 이러한 본 연구의 성과는 악취 관련 민원해결에 기여할 것으로 전망된다.
본 논문에서는 특정 시점, 특정 장소의 대기 중에 발생하는 악취의 발생원을 추적하기 위한 악취분류 및 악취원 분석 방법을 제안한다. 이를 위해 악취원별 대표패턴의 생성이 필요하다. 이에 주요 악취원에서 측정한 67개의 악취를 악취 대표패턴으로 생성하였다. 또한, 여러 악취가 대기 중에서 섞였을 경우를 고려하여 2~3개의 악취들을 조합하여 복합 악취 대표패턴을 생성하였고, pseudo inverse method를 이용하여 악취에 대한 악취원들의 가중치를 계산하였다. 그 결과 해당 악취를 발생시킨 악취원들과 악취에 대한 기여도를 알아낼 수 있었다. 이러한 본 연구의 성과는 악취 관련 민원해결에 기여할 것으로 전망된다.
In this paper, odor classification and source analysis methods are proposed to trace odor sources in th air at the specific place and period. It is necessary to generate representative patterns in order to classify the various odors efficiently. We, therefore, create 67 kinds of odor representative ...
In this paper, odor classification and source analysis methods are proposed to trace odor sources in th air at the specific place and period. It is necessary to generate representative patterns in order to classify the various odors efficiently. We, therefore, create 67 kinds of odor representative patterns measured from the main sources. considering the air mixed with various odors, several mixed representative patterns for odor sources are generated with the combination of two or three different odors. In addition, the weight of odor sources for an odor from a civil complaint region are computed using pseudo inverse method. As a result, we can trace and identify the odor sources to lead to a specific odor and the contribution of each source. The results of this study will be useful for settling the civil complaint related with odors.
In this paper, odor classification and source analysis methods are proposed to trace odor sources in th air at the specific place and period. It is necessary to generate representative patterns in order to classify the various odors efficiently. We, therefore, create 67 kinds of odor representative patterns measured from the main sources. considering the air mixed with various odors, several mixed representative patterns for odor sources are generated with the combination of two or three different odors. In addition, the weight of odor sources for an odor from a civil complaint region are computed using pseudo inverse method. As a result, we can trace and identify the odor sources to lead to a specific odor and the contribution of each source. The results of this study will be useful for settling the civil complaint related with odors.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서, 본 논문에서는 안정적이고 지속적으로 실시간 악취를 측정 하기 에 알맞은 sensor array로 악취를 측정한 후 패턴분류기에 의해 악취를 판별하는 악취추적 방법을 제안하였다. 제안된 방법에서는 먼저 악취발생원과 민원지역의 악취를 센서 어레이로 측정하고 악취발생 사업장을 대표하는 고유한 악취대표패턴을 생성하였다.
본 논문에서는 산업단지 주변에 급증하고 있는 악취 민원저감 및 개선을 위한 하나의 방안으로 악취분류 및 악취원 분석방법을 제안하였다.
본 논문에서는 악취분류 및 악취원 추적을 위하여 24센서로 구성된 sensor array로 민원지역과 악취 발생원의 악취를 측정하였다. 그림 2에서 소개한 악취측정에 사용된 sensor array는 MnCO(주)에서 개발 중인 제품을 개조한 것으로써, 사양은 1.
본 논문의 목적은 악취추적을 위하여 악취를 분류할 수 있는 악취대표패턴을 생성하고, 그것을 이용하여 민원지역 악취의 발생원과 기여도를 밝히는 것이다.
가설 설정
1단위로 증가시키면서 조합할 경우에 해당하는 악취대표패턴의 수이다. 만일 가중치 테이블을。.이단위 혹은 그 이하의 단위로 구성한다고 하면, 가능한 조합의 수는 기하급수적으로 늘어나게 될 것이다. 이것은 악취대표패턴과 민원지역의 악취의 유사도를 계산하여, 악취 발생원을 검색할 때 드는 시간과 악취대표패턴을 시스템에 유지시키는데 사용되는 메모리 양을 생각할 때, 너무 오버헤드가 큰 작업이다.
이 거리가 작을수록 해당 악취대표패턴과 민원지역 악취가 더 큰 유사도를 갖는다. 2.2절에서 소개한 바와 같이 한 군집을 대표하는 대표패턴이 좋은 성능을 가진다면, 대표패턴과 소속 패턴간의 거리와 분산 및 표준편차는 작을 것이다. 아래의 표 4와 그림 4에서 보인바와 같이 세 종류의 악취대표패턴 중 3src 악취대표패턴이 악취 데이터와의 거리가 가장 짧고, 분산 및 표준편차가 다른 2 종류의 악취대표패턴에 비하여 작은 값을 가져 좋은 성능을 가짐을 알 수 있다.
제안 방법
제안된 방법에서는 먼저 악취발생원과 민원지역의 악취를 센서 어레이로 측정하고 악취발생 사업장을 대표하는 고유한 악취대표패턴을 생성하였다. 다음으로 미리 생성된 악취대표패턴과 민원지역 악취의 유사도를 계산하여 악취의 종류를 분류하고, 악취에 대한 책임이 어느 사업장에 있는지와 악취에 대한 기여도를 판별하였다.
두 번째 실험은 67개의 단일 악취대표패턴을 2개, 3개씩 조합하여 복합 악취대표패턴을 생성하고, 악취를 분류한 실험이다. 여기서 표 2는 2src 복합 악취대표패턴으로 민원지역 악취를 분류한 결과이고, 표 3는 3src 복합악취대표패턴으로 민원지역 악취를 분류한 결과이다.
대기 중에서 여러 사업장의 악취가 섞일 수 있기 때문이다. 따라서 본 논문에서는 여러 사업장의 악취가 섞인 경우에 대해서 효율적으로 분류하고자 악취 발생원에서 측정하고 생성한 단일 악취대표패턴들의 가능한 모든 경우를 조합하여 새로운 악취대표패턴을 생성하고 이를 악취분류에 사용하였다. 이러한 일련의 수행절차는 다음과 같고, 이 과정을 통해 생성된 악취대표패턴을 복합 악취대표패턴이라 한다.
따라서, 둘째로 대기 중에서 여러가지 악취가 혼합되었을 경우를 고려하여 복합 악취대표패턴을 생성하고, 민원지역의 악취를 분류하는 실험을 수행하였다. 이를 위해 67개 단일 악취대표패턴에 대해 2~ 3개의 모든 가능한 조합을 구성하였고, 그 조합에 대해 가중치를 달리하여 생성되는 모든 가능한 경우를 복합 악취대표패턴으로 생성하였다.
이것은 악취대표패턴과 민원지역의 악취의 유사도를 계산하여, 악취 발생원을 검색할 때 드는 시간과 악취대표패턴을 시스템에 유지시키는데 사용되는 메모리 양을 생각할 때, 너무 오버헤드가 큰 작업이다. 따라서, 본 논문에서는 이에 따른 비용을 감소시키고, 악취모니터링 시스템으로서의 실제 활용도를 높이기 위하여 미리 모든 복합 악취대표패턴의 가능한 조합을 생성하고 시스템에 유지시키는 방식이 아니라, 민원지역의 악취 데이터와 유사도를 비교하는 과정에서 바로 기여도를 계산하는 방식을 취했다. 이 방식에는 pseudo inverse method를 사용하였다.
생성하였다. 또한 민원지역에서 발생한 악취가 단일 사업장에서 발생시킨 악취가 아니라, 대기 중에서 여러 개의 악취가 섞였을 경우를 고려하여 단일 악취대표패턴 2~3개를 조합하여 악취분류에 효과적인 복합악취 대표패턴을 생성하였다. 이렇게 생성된 악취 대표패턴을 이용한 분류방법은 악취를 발생시킨 사업장 뿐 아니라, 악취에 대한 기여도도 분석할 수 있었다.
이동경로를 파악하였다. 또한 안산지역의 악취배출특성, 지형특성, 기상특성이 반영된 악취모델링 시스템을 이용하여 악취 오염원이 주변 지역에 미치는 영향을 평가하고, 주요 악취배출 업종의 악취 배 출현황을 파악하여 악취 저 감계 획 을 수립 하였다[5]. 또한 안산시에서 On-Line GC를 이용하여 대기 중의 개별적인 악취오염물질에 대한 농도 측정 및 모니터링을 실시하고 있는 실정이다[61
세 번째 실험은 복합 악취대표패턴으로 악취를 분류하되’ pseudo inverse method를 이용하여 악취 발생원의 기여도를 계산한 경우이다. 이 결과는 표 5와 표 6에 나타내었다.
악취 데이터는 24개의 센서로 구성되어 있는 센서어레이를 사용하여 분단위로 측정하였고, 그 중 센서가 안정 상태를 유지하는 구간의 데이터를 취하여 악취대표패턴을 생성하였다. 따라서, 만일 민원지역의 악취에 대해 영향이 있는 사업장이 한 곳이라 가정했을 때, 단일 악취대표패턴은 다음과 같이 표현될 수 있다.
이를 위해 67개 단일 악취대표패턴에 대해 2~ 3개의 모든 가능한 조합을 구성하였고, 그 조합에 대해 가중치를 달리하여 생성되는 모든 가능한 경우를 복합 악취대표패턴으로 생성하였다. 여기서, 복합 악취대표패턴를 생성하는데 조합할 단일 악취대표패턴의 수를 단지 2~3개로 제한한 이유는 한 악취에 대해서 4개 이상의 사업장을 발생원으로 선정하는 것은 의미가 없기 때문이다.
제안하였다. 제안된 방법에서는 먼저 악취발생원과 민원지역의 악취를 센서 어레이로 측정하고 악취발생 사업장을 대표하는 고유한 악취대표패턴을 생성하였다. 다음으로 미리 생성된 악취대표패턴과 민원지역 악취의 유사도를 계산하여 악취의 종류를 분류하고, 악취에 대한 책임이 어느 사업장에 있는지와 악취에 대한 기여도를 판별하였다.
제안된 방법은 먼저 주요한 악취발생원을 기준으로 악취 대표패턴을 생성하고, 생성된 악취대표패턴과 민원지역 악취간의 유사도를 비교하여 악취 발생원 판별 및 기여도를 계산하는 것이다. 그 결과 각기 하나의 사업장의 악취를 대표하는 단일 악취대표패턴과 여러 사업장의 악취가 조합된 복합 악취대표패턴이 생성되었다.
첫 번째 실험은 67개 악취발생원의 악취를 단일악취대표패턴으로 생성하고, 악취를 분류한 실험이다. 그림 3은 67개의 단일 악취대표패턴 중 악취에 가장 많은 영향을 끼친 사업장의 단일 악취대표패턴을 나타낸 그래프이고, 표 1은 단일 악취대표패턴으로 민원지역 악취 데이터를 분류한 결과 중 일부를 나타낸 것이다.
첫째, 20개의 주요 사업장에서 측정한 67종류의 악취를 단일 악취대표패턴으로 생성하여 민원지역의 악취를 분류하는 실험이다. 이것은 한 악취에 대해서 악취발생원이 한 곳이라는 가정에서 출발한다.
대상 데이터
민원지역은 악취 피해가 극심한 목상동 부근으로 선정하여 20的년 2월부터 2009년 5월까지 4개월 간 총 7807개의 악취를 측정하였다.
본 논문에서는 20개의 주요한 악취 민원 사업장에서 처리 공정별로 측정한 67개의 악취데이터를 기준으로 민원지역 악취데이터를 분류하였다. 악취 데이터는 24개의 센서로 구성되어 있는 센서어레이를 사용하여 분단위로 측정하였고, 그 중 센서가 안정 상태를 유지하는 구간의 데이터를 취하여 악취대표패턴을 생성하였다.
악취 발생원은 민원지역의 악취와 밀접한 관련이 있는 대전 3, 4 공단 내 20개의 주요 악취 발생 사업장을 선정하였고, 각각 처리 공정별 3~4개씩 67개의 악취를 측정하였다.
악취의 종류를 판별하기 위해서 필요한 악취대표패턴은 대전 3, 4 공단 내의 20개 주요 악취민원 발생사업장에서 처리공정별로 측정한 67개의 악취를 기준으로 생성하였다. 또한 민원지역에서 발생한 악취가 단일 사업장에서 발생시킨 악취가 아니라, 대기 중에서 여러 개의 악취가 섞였을 경우를 고려하여 단일 악취대표패턴 2~3개를 조합하여 악취분류에 효과적인 복합악취 대표패턴을 생성하였다.
이렇게 각각 민원지역과 악취발생원에서 분 단위로 측정된 악취데이터들은 24차원의 데이터로서, 센서가 안정상태를 유지하는 구간의 데이터만을 취하여 사용하고, 그 중 악취발생원의 데이터는 악취 대표패턴을 생성하는데 사용하였다.
데이터처리
그림 6과 그림 7에서는 단순 가중치 배정방식의 복합 악취대표패턴과 pseudo inverse method를 이용한 복합 악취대표패턴의 성능을 비교하였다. 그림 6과 그림 7에서 단순 가중치 계열은 단순 가중치 배정방식에 의한 복합 악취대표패턴으로 악취를 분류했을 때, 민원지역 악취와의 거리를 의미하고, pseudo inverse 계 열은 pseudo inverse method에 의한 복합악취대표패턴으로 악취를 분류했을 때, 민원지역 악취와의 거리를 의미한다.
이론/모형
따라서, 셋째로 이러한 문제점을 해결하기 위해서, 기여도 계산에 pseudo inverse method를 이용하였다. 이 방법으로 악취를 분류할 때, 단지 67개의 단일악취대표패턴의 모든 가능한 조합만 미리 생성하면 된다.
이렇게 생성된 악취 대표패턴을 이용한 분류방법은 악취를 발생시킨 사업장 뿐 아니라, 악취에 대한 기여도도 분석할 수 있었다. 또한 악취에 대한 책임이 있는 사업장의 기여도는 pseudo inverse method를 이용하여 연산 및 속도의 효율을 높였다.
따라서, 본 논문에서는 이에 따른 비용을 감소시키고, 악취모니터링 시스템으로서의 실제 활용도를 높이기 위하여 미리 모든 복합 악취대표패턴의 가능한 조합을 생성하고 시스템에 유지시키는 방식이 아니라, 민원지역의 악취 데이터와 유사도를 비교하는 과정에서 바로 기여도를 계산하는 방식을 취했다. 이 방식에는 pseudo inverse method를 사용하였다.
복합 악취대표패턴을 이용한 악취추적은 악취에 책임이 있는 둘 이 상의사업장과 그 기여도를 추적할 수 있는 방법이다. 특히 복합악취대표패턴을 이용한 악취추적 방식에서 pseudo inverse method를 이용하여 검색의 효율성을 높였다.
성능/효과
었다. 3src 복합 악취대표패턴으로 분류한 경우는 lotte사업장이 &)%, tirRCO사업장이 10%, envir 사업장이 10% 악취에 영향을 미친 것으로 분류되었다.
군집분석방법에 의해 본 논문에서 제안한 악취대표패턴들을 평가한 결과 단일 악취대표패턴 3개를 조합한 복합 악취대표패턴이 분산은 작고, 민원지역의 악취데이터와의 유사도가 높아서 가장 우수한 성능을 보였다.
판별 및 기여도를 계산하는 것이다. 그 결과 각기 하나의 사업장의 악취를 대표하는 단일 악취대표패턴과 여러 사업장의 악취가 조합된 복합 악취대표패턴이 생성되었다. 단일 악취대표패턴을 이용한 악취추적은 악취를 발생시킨 제일 주된 책임이 있는 사업장 하나만을 추적할 때 유효하고, 비교횟수가 적어서 빠른 시간안에 검색이 가능하다.
비교된다. 즉, 두 번째 실험대로 가능한 모든 2개의 단일 악취대표패턴과 가중치 테 이블을 조합했을 경우는 19, 170개의 복합 악취대표패턴을 시스템에 유지 시 켜 야 하지 만, pseudo inverse method를 이 용하면 2, 211개의 복합 악취대표패턴만 유지하면 된다.
표 1~표 3에서 20번 악취의 분류결과를 보면, 단일 악취대표패턴으로 분류한 경우는 lotte사업장이단독 악취발생원으로 분류되 었고, 2src 복합 악취대표패턴으로 분류한 경우는 lotte사업장이 «)%, tirRCO사업장이 10% 악취에 영향을 미친 것으로 분류되 었다. 3src 복합 악취대표패턴으로 분류한 경우는 lotte사업장이 &)%, tirRCO사업장이 10%, envir 사업장이 10% 악취에 영향을 미친 것으로 분류되었다.
후속연구
이러한 본 논문의 결과는 악취발생 사업장들이 능동적으로 악취제거시설을 운영하도록 하고, 악취 민원 해결에 보다 효율적으로 활용할 수 있을 것으로 기대된다.'
이러한 현실을 고찰해 볼 때, 제안된 악취분류 및 악취 원 분석 방법은 저가의 비용으로 악취를 측정할 수 있고, 측정된 악취를 빠르게 분류할 수 있으며, 복합악취에 대해 악취발생원뿐 아니라 기여도까지 알아낼 수 있어 실시간 악취모니터링 시스템으로서의 활용가치가 높을 것으로 예상된다.
참고문헌 (15)
전국 환경 관리인연합회, "최신 환경 관제법규," 동화기술, 서울, pp. 102, 1989.
박상진, "하수처리장악취의 경제적인 제거방안: 악취현황기초조사를 중심으로," 한국건설기술연구원, 고양, pp. 4, 1989. 12.
박융호, "반월 . 시화산업단지 공동 악취관리시스템 제안 및 운영방안 연구," 안산환경기술개발센터, 안산, pp. 3-6, 2008. 01.
오일환, 서정윤, 김태형, "창원공단 주요 악취민원 발생지역 주변 악취발생 현황조사 및 저감방안에 관한 연구," 한국환경과학회지, 제17권, 제5호, pp.525-535, 2008. 03.
김학철, 하상민, 홍현수, 김경옥, "실시간 악취모니터링 및 자동 공기 포집 시스템," 한국대기 환경학회지 제23권, 제1호, pp. 125-131, 2007.
원호식, "안산시 산업단지 악취모니터링사업 개선방안 도출 및 시범사업," 안산환경기술개발센터, 안산, pp. 35-64, 2008.
이성환, 패턴인식의 원리 I, 홍릉과학출판사, 서울, pp. 90-92, 1997.
A. Ben-Isral and T.N.E. Greville, "Generalized inverseds: Theory and Application," Wiley-Interscience, 1974. second ed., Springer-Verlag, New York, 2002.
G. Wang, Y. Wei and S. Qiao, "Generalized Inverse: Theory and Computations," Science Press, Beijing. 2004.
S.L. Campbell and C.D. Meyer, "Generalized Invers of Liner Transformations," Dover, 1991.
Lingsheng Meng and Bing Zheng, "The optimal perturbation bounds of the Moore-Penrose inverse under the Frobenius norm," Linerar Algebra and its Application, Vol.432, Issue 4, pp. 956-963, February 2010.
Shu-fan Wang, Bing Zheng, Zhi-ping Xiong and Zi-zhen Li, "The condition numbers for weighted Moore-Penrose inverse and weighted linear least squares problem," Applied Mathematics and Computation, Vol.215, Issue 1, pp.197-205, September 2009.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.