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
- 사례 기반추론은 새로운 문제가 발생했을 경우 과거의 사례와 가장 유사한 사례를 활용하여 문제를 해결에 활용하는 방법으로 하수처리장의 문제점 발견 및 진단,9) 적조 예측10)등 여러 분야에 활용되고 있다. 따라서 본 연구에서는 사례기반 추론의 개념을 슬러지 처리 공정에 적용시켜, 과거의 운전 data를 통해 최소의 운전변경으로 탈수 케이크 감량화를 제시하는 관리방안을 제안하고자 한다.
- 6) 국외에서는 하수처리장 슬러지를 활용한 혐기성 소화 및 소각, 퇴비화 등의 공정에 대한 연구7,8)를 통해 소화조 공정 운영 최적화에 집중하고 있으나, 혐기성 소화공정을 통해 얻을 수 있는 에너지원인 소화가스 발생량에 대한 연구는 미비했다. 따라서 본 연구에서는 에너지 자립화에 기여할 수 있는 소화가스 발생량을 예측할 수 있는 모델을 개발하여, 소화가스 생산량을 향상 시킬 수 있는 운전 방안을 운전자에게 제공함으로써 소화조 운전 향상을 지원하는 것을 연구 목적으로 설정하였다. 소화가스 예측 모델 개발에는 데이터마이닝 기법을 활용하였다.
- 운전자는 오랜 경험을 통해 침전지의 슬러지 계면 높이를 기준으로 슬러지 인발량을 결정하고, 최종적으로 농축기나 탈수기의 기계 효율에 따른 탈수 케이크 발생량을 보고 슬러지 처리 공정의 정상/비정상을 판단하고 있다. 이는 새로운 하수처리장 운전자나 관리자가 쉽게 이해할 수 있는 부분이 아니므로, 과거에 잘 운전되었던 경우를 활용할 필요성이 있다고 판단하여 사례기반추론의 개념을 사용하여 탈수 케이크 관리 기법을 개발하는 것을 연구 목적으로 설정하였다. 사례 기반추론은 새로운 문제가 발생했을 경우 과거의 사례와 가장 유사한 사례를 활용하여 문제를 해결에 활용하는 방법으로 하수처리장의 문제점 발견 및 진단,9) 적조 예측10)등 여러 분야에 활용되고 있다.
제안 방법
- 6개의 Level로 분류된 군집에 대하여 마할라노비스 거리를 적용하였다. S 하수처리장의 탈수 케이크 관리 기법에 사용된 변수는 10개로 공분산의 역행렬은 10 × 10 형태를 가졌다.
- K-평균 군집 분석을 통해 탈수 케이크의 발생량을 여러 그룹으로 나누어 보았는데, 이중 6개의 그룹으로 나누었을 때 그룹의 개수가 정규분포를 띄었다. 본 연구에서는 분류된 그룹의 평균 발생량을 통해 그룹이 아닌 Level이라는 표현을 사용하기로 하였다. Table 2는 각 Level에 대한 특성을 나타내었다.
- 121개의 운전 data중 85개의 data를 훈련과정에, 36개의 data를 검증 과정에 적용하였다. 본 연구에서는 소화조의 소화가스 발생량 예측 모델 개발을 목표로 하였기 때문에 소화조에 들어오는 유입 슬러지 량과 슬러지 특성, 그리고 소화조 내 운전인자 및 소화 슬러지 특성에 대한 총 18개의 변수를 선정하였다. 이후 선정된 변수와 실제 소화가스 발생량과의 상관분석을 통해 상관도가 낮은(≤0.
- 탈수 케이크 관리 기법을 개발하기 위하여 2012년 1월 이후 S 하수처리장의 운전 data를 사용하였다. 본 연구에서는 슬러지의 발생부터 최종 탈수 케이크 생성까지를 시스템 경계로 정하고 각 단위공정에서의 인발량을 변수로 선정하였다. 사용된 변수는 생슬러지 인발량, 중력농축조 인발량, 생농축기 인발량, 잉여슬러지 인발량, 원심농축기 인발량, 혼합슬러지 인발량, 음식물처리 이송수 인발량, 소화조 1단계 인발량, 소화조 2단계 인발량, 탈수기 인발량 총 10개의 변수를 선정하였다.
- 본 연구에서는 슬러지의 발생부터 최종 탈수 케이크 생성까지를 시스템 경계로 정하고 각 단위공정에서의 인발량을 변수로 선정하였다. 사용된 변수는 생슬러지 인발량, 중력농축조 인발량, 생농축기 인발량, 잉여슬러지 인발량, 원심농축기 인발량, 혼합슬러지 인발량, 음식물처리 이송수 인발량, 소화조 1단계 인발량, 소화조 2단계 인발량, 탈수기 인발량 총 10개의 변수를 선정하였다. 이후 최종 발생되는 탈수 케이크의 양에 따라 군집분석을 실시하고, 마할라노비스 거리를 적용하여 운전자에게 최소의 운전변경으로 탈수 케이크 감량화 방안을 제시해 줄 수 있다.
- 일반적으로 많이 사용되는 거리 측도인 유클리드 거리는 변수간의 상관성이 고려되지 않으며 변수의 크기에 의해 영향을 많이 받는다. 이후 목표하는 수준의 군집과 오늘의 슬러지 운전 data와의 마할라노비스 거리 중 최단거리의 값을 운영자에게 제시해 줌으로써 탄력적인 슬러지 관리 방안을 개발하였다.
- 이후 선정된 변수와 실제 소화가스 발생량과의 상관분석을 통해 상관도가 낮은(≤0.4) 변수를 제외하여 인공 신경망에 적용할 최종 변수를 선정하였다.
- 4)고 할 수 있는 유입TS, 유입VS, 온도, 유출TS, 유출VS, VA(유기산), Alk(알칼리도), 유기물부하 총 8개 항목이다. 인공신경망의 은닉층의 수와 각각 층에 대한 노드의 수는 Trial and Error 과정을 통해 최적 모델을 도출해 내었다. 도출된 인공신경망 모델은 Fig.
- 탈수 케이크 발생량에 따라 군집분석을 진행하였다. 이때 사용한 군집분석의 방법은 K-평균 군집 분석으로 한 개체가 속해있던 군집에서 다른 군집으로 이동하는 재배치(reallocation)가 가능하다.
대상 데이터
- 소화조 내부의 운영 상태는 주기적으로 측정되지 않고 있으므로 시계열에 따른 data의 적용이 불가능하였다. 121개의 운전 data중 85개의 data를 훈련과정에, 36개의 data를 검증 과정에 적용하였다. 본 연구에서는 소화조의 소화가스 발생량 예측 모델 개발을 목표로 하였기 때문에 소화조에 들어오는 유입 슬러지 량과 슬러지 특성, 그리고 소화조 내 운전인자 및 소화 슬러지 특성에 대한 총 18개의 변수를 선정하였다.
- 본 연구는 처리용량이 680,000 m3/day이며, A2/O 공정으로 운영되는 S 하수처리장을 대상으로 진행되었다. Fig.
- 소화가스 발생량 예측 모델을 개발하기 위하여 2012년 1월 이후의 S 하수처리장의 소화조 운전 data를 확보하였다. 소화조 내부의 운영 상태는 주기적으로 측정되지 않고 있으므로 시계열에 따른 data의 적용이 불가능하였다.
- 탈수 케이크 관리 기법을 개발하기 위하여 2012년 1월 이후 S 하수처리장의 운전 data를 사용하였다. 본 연구에서는 슬러지의 발생부터 최종 탈수 케이크 생성까지를 시스템 경계로 정하고 각 단위공정에서의 인발량을 변수로 선정하였다.
- 1은 S 하수처리장의 슬러지 처리 시설 공정도를 나타낸 것으로 혐기성 소화조가 존재하는 것을 확인할 수 있으며, 각 공정별로 슬러지의 안정화, 안전화, 부피감소 등을 수행한다. 혐기성 소화조는 39,414 m3의 규모이며, 본 연구에 사용된 data는 2012년의 data를 적용하였다.
데이터처리
- 공분산 행렬은 변수의 개수 k에 따라 k × k의 형태를 가지게 된다. 거리 적용을 위한 계산은 Microsoft Office Excel 2010을 이용하였다.
- 실제 측정값과 인공신경망 모델을 통한 결과를 정량적으로 비교해 보기 위해 RMSE (Root Mean Square Error)를 계산해보았다.
이론/모형
- 각 군집과 오늘의 탈수 케이크 양과의 거리를 계산하기 위해 마할라노비스 거리를 적용하였다. 마할라노비스 거리는 식 (4)로 표현할 수 있다.
- 모델의 정확도를 정량적으로 비교해 보기 위해 RMSE (Root Mean Square Error)값을 사용하였다. RMSE에 대한 식은 아래 (3)과 같다.
- 인공신경망의 구조는 Trial and error 과정을 통해 도출하였다. 본 연구에 사용된 전달 함수(Transfer function)로 Sigmoid function을 사용했으며, 아래의 식으로 표현 가능하다.
- 따라서 본 연구에서는 에너지 자립화에 기여할 수 있는 소화가스 발생량을 예측할 수 있는 모델을 개발하여, 소화가스 생산량을 향상 시킬 수 있는 운전 방안을 운전자에게 제공함으로써 소화조 운전 향상을 지원하는 것을 연구 목적으로 설정하였다. 소화가스 예측 모델 개발에는 데이터마이닝 기법을 활용하였다.
- 11) 인공신경망은 하수처리공정에 매우 폭넓게 사용되었으며,12,13) 본 연구에서는 소화가스 발생량 예측에 사용되어졌다. 인공신경망 구조로는 multi-layer feed-forward network를 선정하였다. multi-layer feed-forward network는 입력층, 은닉층, 출력층으로 구성되어 있으며, 입력층과 은닉층의 뉴런의 수는 예측 변수에 따른 특성으로 달라진다.
- multi-layer feed-forward network는 입력층, 은닉층, 출력층으로 구성되어 있으며, 입력층과 은닉층의 뉴런의 수는 예측 변수에 따른 특성으로 달라진다. 인공신경망의 구조는 Trial and error 과정을 통해 도출하였다. 본 연구에 사용된 전달 함수(Transfer function)로 Sigmoid function을 사용했으며, 아래의 식으로 표현 가능하다.
성능/효과
- 1) 소화가스 발생량과 소화조 운영에 포함되는 모든 인자의 상관도 분석을 수행한 결과, 소화가스 발생량과 소화효율은 0.4 이하의 상관계수를 가졌다. 오히려 소화가스 발생량이 증가해도 소화효율이 감소하는 경우도 볼 수 있었다.
- 2) 하수처리장의 운영비에 상당 부분을 차지하는 탈수 케이크는 현장 운전자들의 경험에 의해 발생되고 처리된다. 일률적으로 생슬러지 인발량은 일차 침전조 높이의 1/2을 유지하도록 하여 운전한다.
- 3) 데이터 마이닝 기법은 data가 축적될수록 더 높은 효율성과 정확도를 얻을 수 있다. 따라서 향후 충분한 누적 data가 존재한다면 효율적인 하수처리장 운영이 가능할 것이라 사료된다.
- Level 4 수준으로 탈수 케이크를 저감하고 싶다면, 오늘의 data와 Level 4에 속하는 data와의 마할라노 비스의 거리를 구하고 최소의 값을 가지는 그때의 상황을 운전자에게 제공하게 된다. 실제 계산 결과 중력농축기에서의 체류시간을 증가시키는 동시에 인발량을 30% 감소하고, 음식물침출수 인발량을 약 47% 증가시킨다면 탈수 케이크의 양이 약 11 ton 감소할 것으로 예상된다.
- 우선 과거의 탈수 케이크 발생량에 의해 발생량을 여러 군집으로 나누게 된다. 이후 오늘의 운전 data와 목표 탈수 케이크 발생량 그룹에 속하는 data 중 최소의 마할라노비스 거리를 가지는 과거의 data를 운전자에게 제시해 줌으로써 최소의 변경으로 탈수 케이크 발생량 저감을 얻을 수 있다.
- 탈수 케이크의 발생량과 2단 소화조의 인발량 및 탈수 저류조의 인발량은 상관관계가 높았으나, 나머지 항목들은 탈수 케이크의 발생량과 상관관계가 높지 않음을 확인하였다. 다르게 해석하면 생슬러지 인발량이나 잉여슬러지의 인발 량이 많다고 해서 탈수 케이크의 양이 많아지는 게 아니라는 의미를 가질 수 있다.
후속연구
- 일률적으로 생슬러지 인발량은 일차 침전조 높이의 1/2을 유지하도록 하여 운전한다. 그러나 본 연구에서 도출된 방법을 토대로 인발량을 줄여 계면의 높이를 조금 더 높이거나 인발량을 늘려 계면의 높이를 조금 더 낮추는 등의 탄력 적으로 운영방안을 제시한다면 이후 공정의 농축성능이 높아질 수도 있다. 또한 현장 운전자의 경험은 말로써 전달되 기가 쉽지 않다.
- 오히려 소화가스 발생량이 증가해도 소화효율이 감소하는 경우도 볼 수 있었다. 그러나 상관도 분석 수행으로 소화가스 발생량에 영향을 주는 인자를 분류해 내고, 이를 통해 소화가스 발생량을 예측하는 모델 개발을 통해 변수조절로 효율적인 소화조 운영이 가능할 것으로 판단된다.
- 또한 현장 운전자의 경험은 말로써 전달되 기가 쉽지 않다. 그러므로 과거의 운영사례를 토대로 현재에 적용할 수 있다면, 하수처리장의 운영비 감소에 도움이 될 것이라 본 연구자는 판단한다.
- 3) 데이터 마이닝 기법은 data가 축적될수록 더 높은 효율성과 정확도를 얻을 수 있다. 따라서 향후 충분한 누적 data가 존재한다면 효율적인 하수처리장 운영이 가능할 것이라 사료된다. 또한 개발된 기법을 타 하수처리장에 적용할 시, 처리장마다 수집되는 data나 시설상황이 다를 수 있으므로 이를 고려하여 개발하여야 할 것이다.
- 따라서 향후 충분한 누적 data가 존재한다면 효율적인 하수처리장 운영이 가능할 것이라 사료된다. 또한 개발된 기법을 타 하수처리장에 적용할 시, 처리장마다 수집되는 data나 시설상황이 다를 수 있으므로 이를 고려하여 개발하여야 할 것이다.
- 이때 최소의 거리는 최소의 운전변경을 의미한다. 마할라노비스 거리의 적용으로 최소의 운전변경 조건이 제안된다면, 하수처리장 운영자는 최소의 운전변경으로 현재보다 더 적은 탈수 케이크의 발생을 얻을 수 있을 것이다.
- 사용된 변수는 생슬러지 인발량, 중력농축조 인발량, 생농축기 인발량, 잉여슬러지 인발량, 원심농축기 인발량, 혼합슬러지 인발량, 음식물처리 이송수 인발량, 소화조 1단계 인발량, 소화조 2단계 인발량, 탈수기 인발량 총 10개의 변수를 선정하였다. 이후 최종 발생되는 탈수 케이크의 양에 따라 군집분석을 실시하고, 마할라노비스 거리를 적용하여 운전자에게 최소의 운전변경으로 탈수 케이크 감량화 방안을 제시해 줄 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.