[논문]국내 하수처리시설에 인공지능기술 적용을 위한 사례 연구

김태우; 이호식

doi:10.15681/kswe.2019.35.4.370

국내 하수처리시설에 인공지능기술 적용을 위한 사례 연구
The Case Studies of Artificial Intelligence Technology for apply at The Sewage Treatment Plant 원문보기

한국물환경학회지 = Journal of Korean Society on Water Environment, v.35 no.4, 2019년, pp.370 - 378

김태우 (한국교통대학교 철도시설공학과) , 이호식 (한국교통대학교 철도인프라시스템공학과)

Abstract ▼ AI-Helper

In the recent years, various studies have presented stable and economic methods for increased regulations and compliance in sewage treatment plants. In some sewage treatment plants, the effluent concentration exceeded the regulations, or the effluent concentration was manipulated. This indicates that the process is currently inefficient to operate and control sewage treatment plants. The operation and control method of sewage treatment plant is mathematically dealing with a physical and chemical mechanism for the anticipated situation during operation. In addition, there are some limitations, such as situations that are different from the actual sewage treatment plant. Therefore, it is necessary to find a more stable and economical way to enhance the operational and control method. AI (Artificial Intelligence) technology is selected among various methods. There are very few cases of applying and utilizing AI technology in domestic sewage treatment plants. In addition, it failed to define specific definitions of applying AI technologies. The purpose of this study is to present the application of AI technology to domestic sewage treatment plants by comparing and analyzing various cases. This study presented the AI technology algorithm system, verification method, data collection, energy and operating costs as methods of applying AI technology.

주제어

표/그림 (11)

표 Table. 1 Advantages and Disadvantages of Sewage Treatment Process Model (ME, 2009a)
표 Table. 2 Application Methods of Artificial Intelligence Technology
그림 Fig. 1. Multi-Layer Perceptron (MLP) Algorithm
표 Table. 3 Algorithm Characteristic
그림 Fig. 2. Backpropagation (BP) Algorithm
그림 Fig. 3. Genetic Algorithm (GA)
표 Table. 4 Data after applying AI (R, RMSE only) (ME, 2009a)
그림 Fig. 4. Power usage by industry, Based on 2016 year (KEPCO, 2016; K-eco, 2016)
표 Table. 5 Energy consumption ranking of domestic sewage treatment plant (Park et al., 2008)
표 Table. 6 Percentage of energy consumption in domestic sewage treatment plant (Park et al., 2008)
그림 Fig. 5. Forecasting operations and maintains using Bigdata and IoT platforms (Chalabi and CH2M Beca, 2018)

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 국내 하수처리시설의 AI 기술 적용을 위하여 기존의 다양한 연구 사례들 중 하수처리시설에 AI 적용 기술과 에너지 · 운영비용 절감 사례를 중심으로 정리하였다.
본 연구에서는 기존 하수처리시설의 운전, 제어를 개선할 수 있는 방안으로 AI 기술을 검토하였다. 기술적 측면에서는 알고리즘의 체계, 검증 방법, 데이터 수집을 검토하였고, 적용의 측면에서는 에너지 · 운영비용을 분석하였다.
그러므로 하수처리시설에 AI 기술을 적용하기 위해서는 다양한 연구 사례의 비교 · 분석과 이를 활용해야 하는 필요성이 요구된다. 이에 따라 본 연구에서는 기존 하수 처리시설에 AI 기술을 적용한 연구 사례들의 분석을 통해 검토하였으며, 그 결과를 바탕으로 국내 적용 시 적합한 방안을 제시하는 데 연구 목적을 두고 있다.

제안 방법

4가지의 항목 중 알고리즘 체계, 검증 방법, 데이터 수집은 기술적 측면에서 선정하였으며 에너지 · 운영비용은 적용의 측면으로 고려했다.
AI 기술을 적용하였다면 해당 기술이 실제로 얼마나 정확한 결과를 도출했는지 유효성과 정확성을 검증해야 한다. 검증방법이 다양하게 존재하지만 연구 사례 검토 결과 자주 사용되는 상관관계의 오차와 발생되는 오차를 판단하는 4가지 방법인 MSE, RMSE, MAE, MAPE를 선정 및 검토했다. 상관관계의 경우 대부분의 연구에서 하수처리시설에 유입되는 유입수와 방류되는 처리수의 농도 관계를 모두 고려하였으며 몇몇 연구에서는 처리공법에 따라 온도, 체류시간 등을 고려하였다.
반면에 인공지능(Artificial Intelligence, AI) 모델을 사용할 경우 예측에 있어 높은 정확성을 비롯한 실시간 처리 공정 요소 반영 가능 등 기계적 모델의 한계점을 해결할 수 있다(ME, 2009a). 그렇기 때문에 기존 하수처리시설의 운전 및 제어를 개선할 수 있는 방안으로 AI 기술을 본 연구에서 선정하였다(Table. 1). 기존의 제어 및 개선 시스템은 하수처리시설의 물리적 · 화학적 기작을 수학적으로 처리하는데, 하수처리시설에 적용 · 운영 시 실제와 상이한 결과가 발생하는 등 문제점이 나타난다.
기술적 측면에서는 알고리즘의 체계, 검증 방법, 데이터 수집을 검토하였고, 적용의 측면에서는 에너지 · 운영비용을 분석하였다.
이는 하수처리시설의 다양한 데이터에 따른 비선형적 특성에 따른 결과라고 판단되며, 따라서 AI 기술의 정확성 검증을 위해서는 예측되는 데이 터와 실제 데이터를 비교한 오차의 크기가 비중이 더 크다고 판단된다. 다음으로 MSE(Mean Square Error)를 검증 방법으로 활용한 (Elmolla et al., 2010; Kundu et al., 2013; Wan et al., 2011) 연구사례를 살펴보았다. MSE의 경우 예측 데이터의 오차 제곱을 합하고 데이터의 개수를 나누어 예측 데이터로부터의 차이 정도를 표현한 것이다.
(2015)은 다층퍼셉트론(Multi Layer Perceptron, MLP) 알고리즘을 사용했다. 다층 퍼셉트론은 단층퍼셉트론(Single Layer Perceptron, SLP)의비선형적 성질을 해결하지 못하는 한계점을 해결하기 위해 은닉층을 추가하였다(Fig. 1). 그러나 은닉층에서 발생되는 오차를 설정하는 방법이 제시되어 있지 않고 확실하지 않은 문제점이 발생한다.
추가적으로 AI 기술을 적용한 연구사례 선정은 전반적인 AI 기술이 아닌 하수처리시설에서의 적용된 연구 사례 만을 검토했다. 또한 실질적인 적용이 아닌 기존의 연구 사례 만을 활용하여 검토 및 판단하였다. 기술적 측면에서의 알고리즘 체계, 검증 방법, 데이터 수집의 경우 단정된 확정적 방안이 아니며 차후 하수처리시설에 AI 기술 적용 시 고려 사항으로 권고하는 것이다.
본 연구에서는 하수처리시설에 AI 기술을 활용한 데이터양을 200개 이상/미만으로 구분하여 비교 · 분석하였다.
본 연구에서는 국내 하수처리시설의 AI 기술 적용을 위하여 기존의 다양한 연구 사례들 중 하수처리시설에 AI 적용 기술과 에너지 · 운영비용 절감 사례를 중심으로 정리하였다. 이를 통해 AI 기술을 적용하기 위해 필요 요구되는 항목을 크게 4가지로 선정하였다(Table. 2). 4가지의 항목 중 알고리즘 체계, 검증 방법, 데이터 수집은 기술적 측면에서 선정하였으며 에너지 · 운영비용은 적용의 측면으로 고려했다.

대상 데이터

우리나라의 경우 아직 4계절이 뚜렷하기 때문에 강우, 온도 등 계절적 영향을 인지하고 있어야 하며, 이를 위해 4계절 이상의 데이터가 확보된 최소 1년 이상의 데이터 준비가 필요하다. 그래서 국내 연구 사례 중 계절적 영향을 고려하여 1년의 데이터를 활용하였다(ME, 2009a). AI 기술 적용 결과, 실제 데이터와 예측 데이터의 오차가 낮고 높은 상관관계를 확인하였지만 몇몇 하수처리시설에서는 낮은 상관관계가 나타났다 (Table.
4가지의 항목 중 알고리즘 체계, 검증 방법, 데이터 수집은 기술적 측면에서 선정하였으며 에너지 · 운영비용은 적용의 측면으로 고려했다. 또한 검토된 연구 사례들은 AI 기술이 하수처리시설에 적용된 연구 동향을 확인하기 위해 최근 10년간 연구되어 발표된 사례만을 다루었다. 추가적으로 AI 기술을 적용한 연구사례 선정은 전반적인 AI 기술이 아닌 하수처리시설에서의 적용된 연구 사례 만을 검토했다.

이론/모형

그러나 대개 AI 기술에 있어 은닉층이 3개 이상일 때 딥러닝(Deep Learning)이 나타나는데, 역전파 알고리즘의 경우 은닉층의 수가 많아질수록 오차를 줄여주는 가중치의 보정 기능이 상실되어 기울기가 형성되지 못하고 0이 되는 ‘기울기 소실’ 문제가 발생하는 한계점이 있다. 다음으로 LM LevenbergMarquardt) 알고리즘을 검토했다(Abyaneh, 2014; Nasr et al. 2012). LM 알고리즘은 Levenberg(Levenberg, 1944) 방법을 Marquardt(Marquardt, 1963)가 추가 · 보완한 알고리즘이다.
, 2016). 또한 다양한 범위의 데이터를 고려하여 예측의 정확성을 검증하기 위한 방법으로 MAE와 MAPE(Mean Absolute Percentage Error)를 제시했다(Khair et al., 2017; McKenzie, 2011). 이러한 주장은 MSE와 RMSE는 검증을 할 때 사용된 데이터의 개수를 고려하고, MAE와 MAPE는 검증에 있어 사용된 데이터의 수집 기간을 고려하기 때문으로 판단된다.

성능/효과

(2008)은 사용된 데이터 개수가 200개 이상이지만 해당 데이터의 수집 기간이 12일로 매우 짧아 계절적 영향을 고려하지 못해 하수처리시설의 대표성을 확보하기에는 어려웠다. 200개 미만의 데이터를 활용한 연구 사례를 살펴보면 AI 기술 적용 결과, 실제 데이터와 예측 데이터의 오차가 매우 낮았으며 상관관계도 높게 나왔다. 이는 AI 기술 적용에 있어 많은 양의 데이터가 준비되어 있지 않아도 적용 가능함을 판단할 수 있다.
국내 · 외 연구 사례를 검토한 결과, 국외의 경우 하수처리시설 내에서 폭기에 사용되는 에너지 소비 비율이 40 ~ 70 % 범위이며, 펌프에 사용되는 에너지 소비 비율은 10 ~ 30 % 범위 이상인 것을 확인할 수 있었다.
때문에 하수처리시설에 AI 기술을 적용하기 위해서는 앞서 언급한 빅데이터의 준비가 필요하다. 그러나 AI 기술을 사용한 다양한 연구 사례를 검토한 결과 AI 기술을 위해 사용된 빅데이터의 양은 매우 다양하고 획일화되지 않아 확실한 기준점이 없음을 알 수 있었다. 본 연구에서는 하수처리시설에 AI 기술을 활용한 데이터양을 200개 이상/미만으로 구분하여 비교 · 분석하였다.
연구 사례를 살펴보면 펌프 등의 하수처리시설 구성 요소들이 운영 · 유지 비용에 높은 비율을 차지하고 있음을 확인할 수 있었다(Panepinto et al., 2016).
우리나라에서 AI 기술을 하수 처리시설에 적용할 경우, 수집된 데이터는 계절적 · 지역적 영향을 받아 다양하고 넓은 범위를 보여줄 것이며 이로 인해 비선형적 특성이 높다는 것을 확인할 수 있다.

후속연구

그러나 모든 연구에서 AI 기술을 하수처리시설에 적용한다면 에너지 · 운영비용 절감 효과가 나타날 것이라고 제시하고 있다.
이때 하수처리시설에서는 과거 누적 빅데이터가 충분히 존재해야 하고, 기존에 설치된 계측기들의 정확한 보정을 바탕으로 IoT 플랫폼을 연동해야만 데이터 수집이 가능하게 될 것으로 판단된다. 그러므로 하수처리시설의 에너지 · 운영비 용의 절감을 위해서는 각각 하수처리시설에서 에너지 진단을 수행하고 이에 따른 에너지 소비 비율이 높은(폭기, 펌프류 등) 곳을 선정한 후 선정된 곳에 정확한 계측기를 통해 수집된 누적 데이터가 충분히 준비되어야 할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본 고에서 하수처리시설에 AI 기술을 적용하기 위해 필요 요구되는 항목 4가지는 무엇인가?	2). 4가지의 항목 중 알고리즘 체계, 검증방법, 데이터 수집은 기술적 측면에서 선정하였으며 에너지 • 운영비용은 적용의 측면으로 고려했다. 또한 검토된 연구 사례들은 AI 기술이 하수처리시설에 적용된 연구 동향을 확인하기 위해 최근 10년간 연구되어 발표된 사례만을 다루었다.
	하수처리시설에 인공지능 모델을 사용할 경우 장점은 무엇인가?	또한 기존의 기계적 모델은 실측이 어렵고 복잡한 변수의 사용, 모델의 변수 적용 문제 등의 단점이 있다. 반면에 인공지능(Artificial Intelligence, AI) 모델을 사용할 경우 예측에 있어 높은 정확 성을 비롯한 실시간 처리공정 요소 반영 가능 등 기계적 모델의 한계점을 해결할 수 있다(ME, 2009a). 그렇기 때문에 기존 하수처리시설의 운전 및 제어를 개선 할 수 있는 방안 으로 AI 기술을 본 연구에서 선정하였다(Table.
	인공신경망이란?	그 중 가장 기본적인 알고리즘은 인공신경망 (Artificial Neural Network, ANN)이다. 인공신경망이란 인간의 두뇌와 행동을 정의하고 간단하게 실행하는 구조로 신경 세포를 수학적으로 처리가 가능하도록 만든 것이다(Kim et al., 2008).

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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