최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기上下水道學會誌 = Journal of Korean Society of Water and Wastewater, v.29 no.3, 2015년, pp.427 - 436
김정률 (중앙대학교 사회기반시스템공학부) , 이재현 (중앙대학교 사회기반시스템공학부) , 오재일 (중앙대학교 사회기반시스템공학부)
Developing two process models to simulate wastewater treatment process is needed to draw a comparison between measured BOD data and estimated process model data: a mathematical model based on the process mass-balance and an ANN (artificial neural network) model. Those two types of simulator can fit ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
일반적인 하수처리 프로세스 예측은 무엇을 기반으로 하나? | 하수처리 프로세스의 처리효율을 높이고, 안정적인 운전을 위하여 많은 연구가 진행되고 있으며, 실제 처리공정을 대상으로 한 현장실험의 경제적, 시간적 제약을 극복하기 위한 대안으로 운영 자료를 기반으로 다양한 모델링 기법을 적용한 시뮬레이션 분석이 많이 사용되고 있다(Kim and Yoo, 2009). 일반적으로 하수처리 프로세스는 다양한 경험적, 수학적 모델 기반으로 예측할 수 있다. 그 중에서 가장 전형적인 방식은 물질수지(mass balance)를 기반으로 하는 방식으로 수학적 활성슬러지 모델(activated sludge model)을 구축하여 정상상태(steady-state) 혹은 동적상태(dynamic state)의 다양한 수질 관점에서 해석하는 방식이다. 최근에는 인공지능(artificial intelligent) 알고리즘(시행착오적인 반복 방법을 사용하는 휴리스틱적(heuristic) 접근방법)의 일환으로 뇌기능의 특성을 컴퓨터 시뮬레이션으로 표현하는 인공신경망(Artificial Neural Network; ANN) 등과 같은 모델을 통하여 해석하는 방법이 제시되고 있다. | |
인공신경망을 이용해 하수처리 프로세스를 해석하는 방법의 문제점은? | 그러나 실제 하‧폐수 특성상 이물질이나 다른 복합적인 요인들로 인하여 센서에서 얻는 정보 자체의 정확도가 매우 낮다는 문제점과 센서의 오작동으로 인하여 데이터가 종종 손실‧누락되어 운영 자료를 기반으로 구축된 모델링의 정밀도가 저하되는 문제가 발생한다(Kang et al., 2004; Cartensen et al., 2009). 또한, 시간에 따른 유입 및 유출수의 성상의 변동이 크고, 생물학적, 물리‧화학적 반응 기작이 복잡하게 연계되어 있어 하수처리 프로세서를 단순한 수학식으로 모델링하기에는 많은 어려움이 따른다. | |
물질수지(mass balance)를 기반으로 하는 방식은 어떤 방식인가요? | 일반적으로 하수처리 프로세스는 다양한 경험적, 수학적 모델 기반으로 예측할 수 있다. 그 중에서 가장 전형적인 방식은 물질수지(mass balance)를 기반으로 하는 방식으로 수학적 활성슬러지 모델(activated sludge model)을 구축하여 정상상태(steady-state) 혹은 동적상태(dynamic state)의 다양한 수질 관점에서 해석하는 방식이다. 최근에는 인공지능(artificial intelligent) 알고리즘(시행착오적인 반복 방법을 사용하는 휴리스틱적(heuristic) 접근방법)의 일환으로 뇌기능의 특성을 컴퓨터 시뮬레이션으로 표현하는 인공신경망(Artificial Neural Network; ANN) 등과 같은 모델을 통하여 해석하는 방법이 제시되고 있다. |
Choi, D. J., Park, H. K. (2001) Estimation of a wastewater component using a hybrid artificial neural network in a wastewater treatment process, J. of Korean Society on Water Quality, 17(1), pp.87-98.
Gu, H. S., Kim, K. H. (2007) Distribution Characteristics and Changing Trends of Natural Seasons in Korea, Univ. Konkuk J. of Climate Research, 2(2), pp.105-117.
Jacob Carstensen, Poul Harremoes and Rune Strube (1996) Software sensors based on the grey-box modeling approach. Wat. Sci. Tech., 33(1), pp.117-1263.
Jurgen Schmidhuber (1989) A local learning algorithm for dynamic feedforward and recurrent networks, Connection Science, 1(4), pp.403-412.
Kang, K. H., Jang, J. K., Lee, J. Y., Moon, H. S., Chang, I. S., Kim, J. M., Kim, B. H. (2004) A Low BOD Sensor Using a Microbial Fuel Cell, J. of Korean Society of Environmental Engineers, 26(1), pp.58-63.
Mathworks (2007), Nueral Network Toolbox 5-User's Guide.
Mackenzie L. Davis and Susan J. Masten (2009) Principles of Environmental Engineering and Science. 2nd Ed. pp.481-488, McGraw-Hill, New York.
Michael Hack and Manfred Kohne (1996) Estimation of wastewater process parameters using neural networks, Wat. Sci. Tech, 33(1), pp.101-155.
Paul J. Werbos (1990) Backpropagtion Through Time: What It Does and How to Do It, Proceedings of the IEEE, 78(10), pp.1550-1560.
Steven C. Chapra (2008) Surface Water-Quality Modeling, pp.590-601, Waveland Press, Long Grove.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.