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, 무단방류를 효과적으로 모니터링하기 위하여 감시대상 지역의 수질오염물질의 배출패턴을 파악하고, 수질오염물질 인자 중심의 위험분구(hotspot)를 분류하여 필요한 센서를 설치하는 것이 필요하다. 따라서, 이 연구의 목적은, 미처리된 유해폐수나 오수 등의 무단 방류의 감지를 위한 모니터링 센서의 우선배치 지점을 결정하기 위하여, 자기조직화지도(self-organizing map, SOM)기법을 적용하여 배출 수질의 패턴을 분석 하고 우선 배치 지점을 지정하는 것이다.
- 이 연구는 산업단지 및 공공하수관로 시스템으로 배출되는 미처리/부적정 처리 오폐수의 무단방류를 실시간 감시하기 위한 실시간 센서의 설치 지점을 결정하기 위하여 수행되었다. 대전에 위치한 산업단지를 시범대상지역으로 연구하였으며, 12개 지점에 대한 26 개 수질항목 모니터링 결과를 활용하여 인공신경망 기법(자기조직화지도)을 적용한 수질배출 패턴에 따라 대상지역을 클러스터링 한 결과는 다음과 같다.
제안 방법
- 12개 모니터링 지점별 26개 수질 모니터링 결과를 이용하여 도출된 데이터의 벡터정보가 축약된 SOM 평면지도(U-Matrix)를 추출하여 나타낸 결과이며, 이 연구에서는 12 neurons × 5 neurons 으로 구성된 map으로 표현하였다.
- 5로 실행하였다. 각 수질의 인자별 배출농도의 단위에 차이가 있어 로그변환하여 자기조직화지도의 입력층에 할당하였다. 그 외, 통계분석은 SPSS 25.
- 폐수 무단방류의 실시간 모니터링을 위한 대상 지역으로 대전 소재 대덕산업단지 내 일부 지역을 선택 하였다. 대상 지역 내 입주된 44개 폐수배출사업장에 대하여, 각 업체들을 한국표준산업분류에 따라 업종별로 분류하고, 주요 생산품, 폐수배출(신고)량, 업종에 따른 폐수 내 주요 배출(예상)오염물질을 정리하여 배출원에 대한 현황을 조사하였다. 또한, 대상 지역 내의 지하 관망도를 확보하여, 관로에 대한 물리적 정보 (관경, 재질, 경사, GIS 기반의 맨홀과 연결관에 대한 위치정보 등), 각 사업장에서 폐수가 배출되는 관망번호 및 연결관의 위치를 확인하고, 데이터베이스화하였다 (Fig.
- 대상 지역에서 배출되는 폐수에 대한 수질모니터링 결과를 바탕으로 특정수질과 배출분구간의 연관성이나 배출 패턴 여부를 파악하기 위해 수질모니터링 자료를 지점 및 시간에 따라 정리하여 144 × 26 형태의 matrix로 준비하였고, 데이터의 변환없이 matlab에서 loading하였다.
- 대상지역에 대한 배출원 현황 및 폐수배출 관망도에 기초하여, Fig. 1 (a)와 같이 다섯 구역(A~E)으로 모니터링 지점을 구역 화하였으며, 이 중 12개 지점을 선정하여, 24시간동안 매 2시간 간격으로 채수하여 총 26종(pH, 전기전도도, 부유물질, CODCr, TN, TP, TOC, UV254, SUVA (Specific UV Absorbance, 대개 254 nm에서 측정된 값을 사용), 중금속류 17종)에 대한 유/무기성 수질을 분석하였다(Table 1). 수질항목의 분석은 수질오염공정시험법과 AWWA의 standard methods (21st edition)를 따라 수행되었다.
- 대전에 위치한 산업단지를 시범대상지역으로 연구하였으며, 12개 지점에 대한 26 개 수질항목 모니터링 결과를 활용하여 인공신경망 기법(자기조직화지도)을 적용한 수질배출 패턴에 따라 대상지역을 클러스터링 한 결과는 다음과 같다.
- 대상 지역 내 입주된 44개 폐수배출사업장에 대하여, 각 업체들을 한국표준산업분류에 따라 업종별로 분류하고, 주요 생산품, 폐수배출(신고)량, 업종에 따른 폐수 내 주요 배출(예상)오염물질을 정리하여 배출원에 대한 현황을 조사하였다. 또한, 대상 지역 내의 지하 관망도를 확보하여, 관로에 대한 물리적 정보 (관경, 재질, 경사, GIS 기반의 맨홀과 연결관에 대한 위치정보 등), 각 사업장에서 폐수가 배출되는 관망번호 및 연결관의 위치를 확인하고, 데이터베이스화하였다 (Fig. 1).
- 자기조직화 기법에 의해 대상지역의 수질배출패턴 결과에 따라 4개(very high, high, moderate, low) 등급으로 대상지역이 나누어 질 수 있었다.
- • 단계 6: 규정된 반복횟수만큼 학습이 진행되면 r과 η를 감소시킨 다음 학습과정을 반복하면서, 이웃함수를 다시 조정(update)한다. 지도의 변화가 없거나 최대 반복수에 이르면 중지하고, 가중치와 입력값 사이의 거리가 최소(Dmin)로 가장 잘 매칭되는 뉴런을 최종 선택한다.
- 폐수의 무단 방류를 감지하기 위한 센서의 종류로 유기물질에 대해서는 TOC를, 중금속류의 대표로는 배출원의 문헌조사를 통해 산업폐수에서 가장 많이 검출되고 있는 중금속류인 Pb이나 Zn로 정하고, 이들 인자들을 모니터링 할 수 있는 센서의 위치를 결정하고자 하였다. TOC의 배출패턴에 대한 SOM 신경망분석의 결과(Fig.
대상 데이터
- SOM분석은 수질분석을 통해 얻은 3,704 elements (26개 변수, 144개 시료) dataset에 대하여 수행하였으며, MATLAB 2017b (Mathworks Inc., USA) 환경에서SOM toolbox 2.0 (http://www.cis.hut.fi/projects/somtoolbox)를 이용하였다. 선택된 출력 뉴런의 개수는 60(n=12×5)개의 육각형 격자를 사용하였으며, 최대 반복횟수는 1,000, 학습률은 0.
- 선택된 출력 뉴런의 개수는 60(n=12×5)개의 육각형 격자를 사용하였으며, 최대 반복횟수는 1,000, 학습률은 0.5로 실행하였다.
- 폐수 무단방류의 실시간 모니터링을 위한 대상 지역으로 대전 소재 대덕산업단지 내 일부 지역을 선택 하였다. 대상 지역 내 입주된 44개 폐수배출사업장에 대하여, 각 업체들을 한국표준산업분류에 따라 업종별로 분류하고, 주요 생산품, 폐수배출(신고)량, 업종에 따른 폐수 내 주요 배출(예상)오염물질을 정리하여 배출원에 대한 현황을 조사하였다.
이론/모형
- 2은 자기조직화지도의 자율학습 후, 각 뉴런이 갖는 유사성을 이용하여 분류한 K-mean 클러스터링 결과를 나타낸다. 뉴런의 거리는 Euclidean distance 에 의해, 그룹의 분류는 Ward linkage 방법을 이용하였다. U-matrix (Fig.
- 수질항목의 분석은 수질오염공정시험법과 AWWA의 standard methods (21st edition)를 따라 수행되었다.
- 12개 모니터링 지점별 26개 수질 모니터링 결과를 이용하여 도출된 데이터의 벡터정보가 축약된 SOM 평면지도(U-Matrix)를 추출하여 나타낸 결과이며, 이 연구에서는 12 neurons × 5 neurons 으로 구성된 map으로 표현하였다. 출력 뉴런(map)의 크기는 휴리스틱 규칙(heuristic rule)에 의해 선택되며 (Vesanto and Alhoniemi, 2000), 입력되는 데이터의 수가 144개인 이 연구에서는 60개의 출력 뉴런이 최적으로 결정된다. , 여기서는 몇 개의 뉴런이 가장 정확 한지 판단할 수 없으므로 경험적으로 제시된 을 따라 뉴런의 수를 일차적으로 결정하며, 최적의 뉴런의 수는 학습과정을 통해 도출되는 판단값들(예, mqe, qte)을 참조하여 뉴런의 수를 최종 결정하게 된다.
성능/효과
- SS, COD, TP, SUVA 등의 수질인자는 위쪽 우측 방향에 위치한 시료들에게 높게 나타나는 유사성을 보였으며, cluster IV로 분류된 A와 B분구에 위치한 업체들에서 배출되는 폐수의 수질 패턴으로 판단된다. TN은 테스트베드 내에서 전반적으로 배출 패턴이 유사하였으나, 특히 cluster I에 해당하는 C분구(분구 내 식품제조 및 가공 업체 위치)에서 높은 배출을 보였으며, E분구에서는 비교적 낮은 패턴을 보였다. 유기물 수질인자의 배출 패턴별로 분류된 SOM 지도를 볼 때 가로의 방향은 유기물질의 농도(왼쪽에서 오른쪽으로 갈수록 높음)인 것으로 판단된다.
- 폐수의 무단 방류를 감지하기 위한 센서의 종류로 유기물질에 대해서는 TOC를, 중금속류의 대표로는 배출원의 문헌조사를 통해 산업폐수에서 가장 많이 검출되고 있는 중금속류인 Pb이나 Zn로 정하고, 이들 인자들을 모니터링 할 수 있는 센서의 위치를 결정하고자 하였다. TOC의 배출패턴에 대한 SOM 신경망분석의 결과(Fig. 5), TOC가 높은 폐수를 배출하는 지역은 D 분구와 E분구의 일부가 TOC hotspot에 해당하였으며, 센서의 설치는 3-3 혹은 4-3 지점의 인근 관망에 적합할 것으로 판단된다. 한편, Pb나 이와 유사한 배출패턴을 갖는 고농도 중금속류의 함유 폐수의 무단 방류의 감지를 위한 센싱을 위한 위험지역은 A분구와 B 분구 일부지역에서 높았으며, 모니터링 지점 2-1과 2-2가 위치한 관망에 센서가 설치되는 것이 효과적일 것이라 판단된다.
- 대상 지역 내, 실시간 on-line TOC 수질 센서 설치를 위한 hotspot으로는 D분구와 E분구 일부가 가장 적합한 것으로 판단된다.
- 중금속 및 무기물질의 농도에 관한 U-matrix결과는 pH가 낮은 폐수를 배출하는 지점에서 중금속의 농도가 높게 나타났으며, As, Cr, Cu의 배출패턴은 TOC, DOC와 같은 유기물 높았던 분구와 유사한 cluster에 분류되었다. 한편, 그 외의 다수의 중금속 및 무기물질류(Ba, Cd, Fe, Mn, Pb, Sr, Zn)는 오른쪽 우측에 위치한 cluster IV에서 높은 배출패턴을 보였으며, 기계/ 금속 부품관련 제조업체들이 위치한 A와 B분구의 특성이 반영된 수질인 것으로 판단된다.
- 2 (c)는 SOM map의 뉴런의 위치에 일치하는 4개의 cluster에 대한 dendrogram을 나타낸다. 최적의 클러스터의 개수는 클러스터링을 통해 얼마나 전체 데이터가 가진 정보를 양적 및 속성(형태)적으로 잘 담고 있는지를 평가하는 평가지표 중의 하나인, Davies-Bouldin Index (DBI)로 측정하여(Davies and Bouldin, 1979), DBI 값이 가장 작은 4개 clustering이 테스트베드의 수질의 배출 패턴을 분류하는데 적합한 것으로 나타났다 (Fig. 3).
- 5), TOC가 높은 폐수를 배출하는 지역은 D 분구와 E분구의 일부가 TOC hotspot에 해당하였으며, 센서의 설치는 3-3 혹은 4-3 지점의 인근 관망에 적합할 것으로 판단된다. 한편, Pb나 이와 유사한 배출패턴을 갖는 고농도 중금속류의 함유 폐수의 무단 방류의 감지를 위한 센싱을 위한 위험지역은 A분구와 B 분구 일부지역에서 높았으며, 모니터링 지점 2-1과 2-2가 위치한 관망에 센서가 설치되는 것이 효과적일 것이라 판단된다.
후속연구
- 이 연구는 수질센서의 최적 배치를 위하여 넓은 지역에서 배출되는 수질의 배출 특성의 패턴 분석을 통하여 위험지역을 결정하는 하나의 방법을 적용한 것으로, 무단 방류 오염사고의 발생 특성(불규칙성 혹은 불연속성 등)을 고려할 때, 결과의 신뢰성을 제고하기 위하여 일간 수질 변화의 이상의 중-장기적인 수질 및 유량의 배출패턴을 파악하는 것이 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.