[논문]하천 범람 예측을 위한 인공지능 수위 예측 시스템 설계

박세현; 김현재

doi:10.6109/jkiice.2020.24.2.198

초록
AI-Helper

본 논문에서는 소규모 강의 범람 예측을 위한 인공 수위 예측 시스템을 제안한다. 강의 수위 예측은 홍수 피해를 줄일 수 있는 대책이 될 수 있다. 그러나 하천 범람에 영향을 미치는 강 또는 강우의 고유 특성으로 인해 범람 모델을 구축하기가 어렵다. 일반적으로 하류 수위는 상류의 인접한 수위에 영향을 받는다. 따라서 본 연구에서는 측정 지점에서 수위를 예측하기 위해 두 개의 상류 측정 지점의 수위를 순환신경망(LSTM)을 사용하여 인공 지능 모델을 구축했다. 제안 된 인공 지능 시스템은 수위 측정기를 설계하고 Nodejs를 사용하여 서버를 구축했다. 제안 된 신경망 하드웨어 시스템은 실제 강에서 6시간마다 수위를 잘 예측함을 알 수 있었다.

Abstract ▼ AI-Helper

In this paper, we propose an artificial water level prediction system for small river flood prediction. River level prediction can be a measure to reduce flood damage. However, it is difficult to build a flood model in river because of the inherent nature of the river or rainfall that affects river ...

In this paper, we propose an artificial water level prediction system for small river flood prediction. River level prediction can be a measure to reduce flood damage. However, it is difficult to build a flood model in river because of the inherent nature of the river or rainfall that affects river flooding. In general, the downstream water level is affected by the water level at adjacent upstream. Therefore, in this study, we constructed an artificial intelligence model using Recurrent Neural Network(LSTM) that predicts the water level of downstream with the water level of two upstream points. The proposed artificial intelligence system designed a water level meter and built a server using Nodejs. The proposed neural network hardware system can predict the water level every 6 hours in the real river.

주제어

표/그림 (15)

그림 Fig. 1 Hardware block diagram
그림 Fig. 2 Software block diagram
그림 Fig. 3 Simulation system for measuring water level
그림 Fig. 4 Top design of hardware
그림 Fig. 5 Flowchart between server and hardware control
그림 Fig. 6 Display water level data graphs for servers
그림 Fig. 7 The location of Dongyeon Bridge, Gunmun Bridge, and Paengseong Bridge on the map
그림 Fig. 8 Learning curve for predicting the water level after 6 hours in the Paengseong Bridge by LSTM
그림 Fig. 9 Comparison of the predicted and actual values of water level prediction after 6 hours of Paengseong Bridge with LSTM
그림 Fig. 10 Learning curve for predicting the water level after 12 hours in the Paengseong Bridge by LSTM
그림 Fig. 11 Comparison of the predicted and actual values of water level prediction after 12 hours of Paengseong Bridge with LSTM
그림 Fig. 12 Learning curve for predicting the water level after 18 hours in the Paengseong Bridge by LSTM
그림 Fig. 13 Comparison of the predicted and actual values of water level prediction after 18 hours of Paengseong Bridge with LSTM
표 Table. 1 LSTM Model
표 Table. 2 Evaluation Loss and RMS error

AI 본문요약
AI-Helper

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

문제 정의

또한 본 시스템을 실제 하천에 적용하고 운용하기 위해 Nodejs을 이용한 서버를 구축[6, 7]하고 자동으로 수위 측정을 위한 하드웨어 시스템과 특정 시간의 수위 데이터를 실시간으로 예측하는 인공신경망 모델 시스템을 설계하고자 한다.
그리고 이것은 단순하게 현재 측정 지점의 시 계열뿐만 아니라 상류의 측정 지점의 시간적 수위와 수위 변화 추이가 내포되어야 한다. 본 연구는 경기도 평택시에 위치한 동연교, 군문교, 팽성 대교의 2014년부터 2018년까지 5년간의 데이터를 수집하여 팽성 대교의 수위를 현재로부터 실제 6시간, 12시간, 18시간 이후의 수위를 예측하는 실시간 시스템을 구축하려 한다.
본 연구는 소하천 범람 예측을 위한 인공지능 수위 예측 하드웨어 시뮬레이션 시스템 구현의 후속 연구이다 [5]. 소 하천 범람 예측을 위한 인공지능 수위 예측 하드웨어 시뮬레이션 연구 결과에 따르면 하천의 상류 두 지점과 현재 예측하려는 지점의 수위와 수위 변화량에 의해 생성된 인공신경망 모델이 현재로부터 특정 시간 이후의 하류 수위 예측을 강우량의 변수 없이도 오차 범위내에서 잘 수행되는 것을 확인하였다.
본 연구에서는 하천 범람 예측을 위한 수위 예측 시스템 구현하였다. 실시간 예측 시스템을 구현하기 위해 서버를 구축하고 수위 측정 하드웨어 시스템과 자동으로 데이터를 수집하는 프로그램을 개발하였다.

제안 방법

H/W Control에서 얻은 수위 데이터를 직렬 통신으로 Server로 전송하고 User가 서버에 접속하면 수위 데이터를 볼 수 있도록 설계되었다.
그리고 ADC, PWM_1 모듈에 연결된 가변 저항과 펌프 모터를 통해 물의 공급량을 제어하였다.
그리고 수위 예측 모델링 실험 및 결과를 위한 데이터의 예측 및 검증에는 Python 언어를 사용하고 keras, matplotlib, skeras, pandas, model_selection 등의 라이브러리들을 사용하였다.
또한 평택시에 위치한 팽성 대교의 수위를 예측하기 위해 상위 두 지점인 동연교와 군문교의 2014년부터 2017년까지의 수위와 수위 변화량을 독립 변수로 하고 LSTM을 통해 팽성 대교의 6시간, 12시간, 18시간 후의 수위를 예측 모델링 하였다.
ARM Cortex-M0 프로세서는 주변 디바이스 제어와 센서 데이터 수집을 하고 Cortex-A53(ARMv8) 64Bit 프로세서는 서버를 구동하여 데이터를 저장하고 웹으로 출력하는 역할을 한다. 설계된 하드웨어 모듈로 3개의 HC-SR04 초음파 센서를 통해 수위를 측정하며 Pump Motor를 구동하기 위해 Motor Control, Potentiometer를 포함하는 수위 조절제어 장치를 구축하였다.
구현하였다. 실시간 예측 시스템을 구현하기 위해 서버를 구축하고 수위 측정 하드웨어 시스템과 자동으로 데이터를 수집하는 프로그램을 개발하였다.

대상 데이터

표 1은 생성된 LSTM 모델이다. LSTM의 내부 파라미터와 LSTM과 출력 계층 사이의 가중치를 포함하여 훈련 가능한 매개 변수의 수는 2181개이다.
수위 예측 모델링 구축을 위한 데이터의 수집은 한강 홍수 통제소 사이트(http://www.hrfco.go.kr)에서 2014 년부터 2018년도의 5년간 매년 6월부터 9월까지의 수위 데이터를 수집하였다. 그리고 실제 하천 범람은 연중 발생하는 것이 아니고 6월부터 9월까지의 데이터만 유효하다.
그리고 실제 하천 범람은 연중 발생하는 것이 아니고 6월부터 9월까지의 데이터만 유효하다. 수위 예측을 위해 필요로 하는 데이터는 동연교, 군문교 및 팽성대교의 2014년부터 2017년까지 6월부터 9월까지 기록된 수위와 수위 변화량이고 2018년 6 월부터 9월까지의 팽성 대교 수위와 수위 변화량은 예측하고자 하는 목표 데이터로 사용되었다.

이론/모형

따라서 본 연구는 동일 유역의 임의 지점과 인접한 지점 들은 위치적 상관관계가 있다는 가정 하에 동일 유역에서의 상류 및 인접 지점의 수위와 그 지점들의 수위 변화량으로 하류의 수위를 예측하는데 딥러닝 알고리즘인 LSTM(Long Short-Term Memory)을 적용하였다. 일반적으로 회귀 신경 네트워크 (RNN)는 순차적 데이터를 단계별로 입력하여 순차적 데이터를 처리하는데 이용된다.

성능/효과

표 2는 팽성 대교의 6시간, 12시간 및 18시간 후의 수위 예측에 대한 손실율과 예측 수위의 RMS(Root Mean Square) 에러를 나타낸다. 6시간 후의 수위를 예측 하였을 때, 손실률과 RMS 에러는 각각 0.0004484과 0.0211754로 나타났으며 12시간 혹은 18시간 이후의 예측에 대해서는 손실율과 RMS 에러가 다소 증가되지만팽성 대교의 2018년의 실제 수위를 예측 수위가 잘 따라감을 알 수 있다.
그리고 추출된 예측 모델을 이용하여 팽성 대교의 2018년의 수위를 예측한 결과, 팽성 대교의 6시간 후의 수위를 예측하였을 때, 손실률과 RMS 에러는 각각 0.0004484과 0.0211754으로 나타났으며 12시간 혹은 18시간 이후의 예측에 대해서는 손실율과 RMS 에러가 다소 증가 된다. 따라서 수위 예측 모델이 잘 수행되는 것을 확인할 수 있었다.
그리고 특정 시간 후의 하류 수위 예측에 가장 민감한 요인은 현재 지점의 수위인 하류 지점 수위이며 가장 민감도가 높은 요인은 현재 지점의 수위 변화량임을 확인하였으나 상위 두 지점의 수위와 수위 변화량을 무시할 수 없었다.
0211754으로 나타났으며 12시간 혹은 18시간 이후의 예측에 대해서는 손실율과 RMS 에러가 다소 증가 된다. 따라서 수위 예측 모델이 잘 수행되는 것을 확인할 수 있었다.

참고문헌 (7)

E. W. Kwak, H. S. Hwang, and C. S. Kim, "Electron spectroscopy studies on magneto-optical media and plastic substrate interfaces," in Proceeding of Korean Society Civil Engineers Regular Conference, pp. 3657-3660, 2008.
D. H. Yoo, and W. Y. Jun, "Time of concentration on impervious overland," Journal of Korea Water Resources Association, vol. 33, no. 2, pp. 195-205, 2000.
E. H. Yoon, J. B. Park, and J. H. Lee, S. H. Shin, "Reliability evaluations of time of concentration using artificial neural network model-focusing on Oncheoncheon basin-," Journal of Korea Water Resources Association, vol. 51, no. 1, pp. 71-80, 2018.

원문보기 상세보기
K. H. Yoon, B. C. Seo, and S. H. Shin, "Real time forecasting of flood runoff based on neural networks in Nakdong River basin & application to flood warning system," Journal of Korea Water Resources Association, vol. 37, no. 2, pp. 145-154, 2004.

원문보기 상세보기
S. H. Park, and H. J. Kim, "An artificial intelligence water level prediction simulation system for small river flood forecasting," Bulletin of Engineering Technology Research Institute, Andong National University, vol. 23, no. 1, pp. 17-19, 2018.
M. Casciaro, and L. Mammino, Node.js design pattern, 2nd ed. Birmingham, BHX: Packt Publishing, 2016.
M. Satheesh, B. J. D'mello, and J. Krol, Web Development with MongoDB and NodeJS, 2nd ed. Birmingham, BHX: Packt Publishing, 2015.

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

하천 범람 예측을 위한 인공지능 수위 예측 시스템 설계
Design of Artificial Intelligence Water Level Prediction System for Prediction of River Flood 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (15)

표/그림 (15)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (7)

이 논문을 인용한 문헌

저자의 다른 논문 :

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

하천 범람 예측을 위한 인공지능 수위 예측 시스템 설계 Design of Artificial Intelligence Water Level Prediction System for Prediction of River Flood 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (15) 모든 표/그림 보기

표/그림 (15) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (7)

이 논문을 인용한 문헌

저자의 다른 논문 :

박세현 (20)

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

하천 범람 예측을 위한 인공지능 수위 예측 시스템 설계
Design of Artificial Intelligence Water Level Prediction System for Prediction of River Flood 원문보기

초록
AI-Helper

표/그림 (15)

표/그림 (15)

AI 본문요약
AI-Helper