[논문]배후지 지하수위를 고려한 인공신경망 기반의 수평정별 취수량 결정 기법

김규범; 오동환

doi:10.9720/kseg.2018.4.583

초록
AI-Helper

최근들어 방사형 집수정 방식의 대용량 강변여과수 개발에 따른 배후지의 지하수위 강하에 대한 우려가 존재하고 있다. 본 연구에서는 안성천의 방사형 집수정을 대상으로 Modflow를 활용하여 수평정의 취수량에 따른 배후지의 수위 강하를 예측하였으며, 이 데이터를 기반으로 배후지 수위 강하가 최소가 되는 수평정별 취수량을 결정하는 다층퍼셉트론 기반의 인공신경망 모델을 개발하였다. 하천 방향으로 굴착된 수평정 HW-6의 취수량을 높이는 것이 OW-7 및 OB-11 관측정의 지하수위를 높게 유지하는데 필요한 것으로 평가되었다. 또한, 모델 입력 자료의 수 및 훈련과 검증 자료의 분류는 인공신경망 모델 결과에 영향을 미치므로 유의하여야 한다. 향후 현장의 실제 운영 자료와 수치모델의 비교를 통하여 인공신경망 모델을 보완한다면 배후지의 지하수 관리에 기여할 것으로 본다.

Abstract ▼ AI-Helper

Recently, concern has arisen regarding the lowering of groundwater levels in the hinterland caused by the development of high-capacity radial collector wells in riverbank filtration areas. In this study, groundwater levels are estimated using Modflow software in relation to the water volume pumped b...

Recently, concern has arisen regarding the lowering of groundwater levels in the hinterland caused by the development of high-capacity radial collector wells in riverbank filtration areas. In this study, groundwater levels are estimated using Modflow software in relation to the water volume pumped by the radial collector well in Anseongcheon Stream. Using the water volume data, an artificial neural network (ANN) model is developed to determine the amount of water that can be withdrawn while minimizing the reduction of groundwater level. We estimate that increasing the pumping rate of the horizontal well HW-6, which is drilled parallel to the stream direction, is necessary to minimize the reduction of groundwater levels in wells OW-7 and OB-11. We also note that the number of input data and the classification of training and test data affect the results of the ANN model. This type of approach, which supplements ANN modeling with observed data, should contribute to the future groundwater management of hinterland areas.

주제어

표/그림 (13)

표 Table 1. Specifications of the radial collector well and hydraulic features of the aquifer
그림 Fig. 1. (a) Location of the study area and (b) location of the radial collector well and groundwater-monitoring wells (adapted from Kim et al., 2016)
그림 Fig. 2. Design of the numerical model and comparison of actual and estimated water levels.
표 Table 2. Simulation results for collector well pumping and the numerically estimated groundwater levels for the monitored wells
그림 Fig. 3. Multilayer perceptron concept of an artificial neural network with a hidden layer.
표 Table 2. Simulation results for collector well pumping and the numerically estimated groundwater levels for the monitored wells (Continued)
그림 Fig. 4. Scatterplots of original versus estimated groundwater levels at the two monitoring wells.
그림 Fig. 5. Simulation results for 52 cases of the pumping rate of a collector well for the two monitoring wells.
표 Table 3. Representative cases of groundwater level estimation using the ANN model
그림 Fig. 6. Scatterplots of horizontal well yields (y-axis) versus groundwater levels (x-axis).
표 Table 4. Characteristics and structure of the ANN models for the three cases
표 Table 5. Statistics of estimated groundwater levels at two monitored wells
그림 Fig. 7. Estimations of groundwater level at the monitoring wells for three cases: (1) Case 1, nine data points; (2) Case 2, eight data points; and (3) Case 3, five data points.

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 지하수 수치모델을 활용하여 도출된 수평정의 취수량 조건별 배후지의 지하수위 자료를 토대로 인공신경망 기법을 활용한 배후지 지하수위 예측을 수행하였으며, 이를 활용하여 배후지의 지하수위 강하를 최소화할 수 있는 각 수평정의 취수량을 결정하는 방안을 제시하고자 하였다.

제안 방법

3). 본 연구에서는 역전파알고리즘을 이용하는 다층 퍼셉트론(Multilayer perceptron) 신경망 네트워크 기법을 적용하였으며, 입력변수로서 각 수평정별 취수량 및 총취수량을 사용하고 출력변수는 지하수 관측정의 지하수위를 적용하였다. 출력 뉴런에 의하여 절단되는 은닉층의 출력은 아래 식과 같이 각 시냅스의 가중치 (w_ij)와 노드의 입력자료 (x_j)에 의하여 결정된다.

이론/모형

방사형 집수정의 수평정별 취수량 조건을 적용하여 배후지의 지하수위를 예측하기 위하여 Modflow를 활용한 지하수 모델링을 수행하였다. 지층의 수직 분포는 3개의 layer로 구성하였는데 하부로부터 연암, 풍화암, 충적층 등이며, 지층별 수리전도도는 기존 양수시험 및 투수시험 결과를 활용하여 구역화하였다.

성능/효과

본 연구에서 다층퍼셉트론의 인공신경망을 활용하여 방사형집수정의 취수시 주변지역 지하수위를 예측한 결과, 일정 수량의 훈련 자료를 확보하고 있다면 적용성 높은 인공신경망 모델 개발이 가능할 것으로 평가되었다. 또한, 본 연구는 현장의 수리지질학적 특성이 수치 모델에 충분히 반영되었음을 전제로 수치모델상에서 지하수위를 추출하여 인공신경망 모델의 입력 및 출력 자료로 활용한 것이므로, 향후 실제 현장에서의 운영 자료 및 지하수위 자료를 확보하여 수치모델과 비교하고 추가적인 인공신경망 모델을 개발한다면 현장 특성을 충분히 반영한 모델이 확보될 것이다.

후속연구

본 연구에서 다층퍼셉트론의 인공신경망을 활용하여 방사형집수정의 취수시 주변지역 지하수위를 예측한 결과, 일정 수량의 훈련 자료를 확보하고 있다면 적용성 높은 인공신경망 모델 개발이 가능할 것으로 평가되었다. 또한, 본 연구는 현장의 수리지질학적 특성이 수치 모델에 충분히 반영되었음을 전제로 수치모델상에서 지하수위를 추출하여 인공신경망 모델의 입력 및 출력 자료로 활용한 것이므로, 향후 실제 현장에서의 운영 자료 및 지하수위 자료를 확보하여 수치모델과 비교하고 추가적인 인공신경망 모델을 개발한다면 현장 특성을 충분히 반영한 모델이 확보될 것이다. 또한, 이를 통하여 배후지의 지하수위 강하 또는 고갈을 억제할 수 있는 수평정별 취수 조건을 찾음으로써 주변 영향을 최소화할 수 있는 수자원 확보가 가능할 것으로 기대된다.
또한, 본 연구는 현장의 수리지질학적 특성이 수치 모델에 충분히 반영되었음을 전제로 수치모델상에서 지하수위를 추출하여 인공신경망 모델의 입력 및 출력 자료로 활용한 것이므로, 향후 실제 현장에서의 운영 자료 및 지하수위 자료를 확보하여 수치모델과 비교하고 추가적인 인공신경망 모델을 개발한다면 현장 특성을 충분히 반영한 모델이 확보될 것이다. 또한, 이를 통하여 배후지의 지하수위 강하 또는 고갈을 억제할 수 있는 수평정별 취수 조건을 찾음으로써 주변 영향을 최소화할 수 있는 수자원 확보가 가능할 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	강변여과수 개발의 제약은?	1990년대 후반 이후 국내의 강변여과수 개발이 활발히 추진되었으나, 최근에는 대용량 취수에 따른 배후지의 수위 강하 및 철/망간과 같은 수질 문제로 인하여 개발에 대한 우려의 목소리가 존재하고 있다. 강변여과수 개발은 지표수에 비하여 수질 측면에서 유리하고 수량 측면에서도 풍부한 장점을 갖고 있음에도 불구하고 현장의 다양한 민원 등은 수원 개발의 제약점으로 대두되고 있다
	취수량이 변화하는 요인은?	방사형 집수정 등 강변여과수 시설은 장기간 운영시 하천 바닥층의 클로깅, 우물 자재의 노후화, 수평정 주변 여재의 변화 등 다양한 이유로 인하여 취수량이 변화하게 된다. 이와 같이 장기 운영시 취수량의 변화는 개별 수평정의 취수 능력에도 영향을 미치게 되고 배후지의 지하수위에도 변화가 발생된다.
	인공신경망을 활용한 모델 개발이 이루어진다면 할 수 있는것은?	다수의 입력변수와 종속변수가 선형 관계를 보이지 않는 경우에는 회귀모델에 의한 모델 구축이 어려우므로 인공신경망을 활용한 모델 개발이 적합하다. 강변여과수 개발과 같이 대수층의 수리전도도가 공간적으로 다양하고, 수평정의 취수량이 각기 다른 조건을 갖는 경우에는 수평정별 취수량과 주변의 지하수위로부터 인공신경망 모델을 구축한다면, 현장에서 발생되는 취수에 의한 지하수위 강하 등 다양한 문제점을 진단할 수 있을 것이다.

참고문헌 (9)

Adamowski, J. and Chan, H.F., 2011, A wavelet neural network conjunction model for groundwater level forecasting, Journal of Hydrology, 407(1-4), 28-40.
Daliakopoulos, I. N., Coulibaly, P., and Tsanis, I. K., 2005, Groundwater level forecasting using artificial neural networks, Journal of Hydrology, 309(1-4), 229-240.

상세보기
Devarajan, K. and Sindhu, G., 2015, Application of numerical and empirical models for groundwater level forecasting, International Journal of Research in Engineering and Technology, 4(11), 127-133.
Kim, T. H., Lee, C. H., Lee, J. H., Oh, D. H., and Kim, G. B., 2016, Estimation of groundwater yield at a horizontal well using soil characteristics at riverbank filtration site, Journal of the Geological Society of Korea, 52(3), 291-301 (in Korean with English abstract).

상세보기
Kisi, O., Alizamir, M., and Zounemat-Kermani, M., 2017, Modeling groundwater fluctuaitons by three different evolutionaly neural nework techniques using hydroclimatic data, Natural Hazards, 87(1), 367-381.

상세보기
MOCT (Ministry of Construction and Transportation), 2007, National Master Plan of Groundwater Management, Seoul, Korea.
Sahoo, G. B., Ray, C., Wang, J. Z., Hubbs, S. T., Song, R., Jasperse, J., and Seymour, D., 2005, Use of artificial neural networks to evaluate the effectiveness of riverbank filtration, Water Research, 39(12), 2505-2516.

상세보기
Shamsuddin, M. K. N., Kusin, F. M., Sulaiman, W. N. A., Ramli, M. F., Baharuddin, M. F. T., and Adnan, M. S., 2017, Forecasting of groundwater level using artificial neural network by incorporating river recharge and river bank infiltration, MATEC Web Conference, 103, DOI: https://doi.org/10.1051/matecconf/201710304007.
Zakaria, M., Al-Shebany, M., and Sarhan, S., 2014, Artificial neural network: a brief review, International Journal of Engineering Research and Applications, 4(2), 7-12.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

배후지 지하수위를 고려한 인공신경망 기반의 수평정별 취수량 결정 기법
Determination of the Groundwater Yield of horizontal wells using an artificial neural network model incorporating riverside groundwater level data 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (13)

표/그림 (13)

AI 본문요약
AI-Helper

문제 정의

제안 방법

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

배후지 지하수위를 고려한 인공신경망 기반의 수평정별 취수량 결정 기법 Determination of the Groundwater Yield of horizontal wells using an artificial neural network model incorporating riverside groundwater level data 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (13) 모든 표/그림 보기

표/그림 (13) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

김규범 (16) 오동환 (1)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

배후지 지하수위를 고려한 인공신경망 기반의 수평정별 취수량 결정 기법
Determination of the Groundwater Yield of horizontal wells using an artificial neural network model incorporating riverside groundwater level data 원문보기

초록
AI-Helper

표/그림 (13)

표/그림 (13)

AI 본문요약
AI-Helper