[논문]LSTM 기반 딥러닝 알고리즘을 적용한 상수도시스템 누수인지 모델 개발

이찬욱; 유도근

doi:10.3741/jkwra.2021.54.8.599

[국내논문] LSTM 기반 딥러닝 알고리즘을 적용한 상수도시스템 누수인지 모델 개발
Development of leakage detection model in water distribution networks applying LSTM-based deep learning algorithm 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.54 no.8, 2021년, pp.599 - 606

이찬욱 (수원대학교 토목공학과) , 유도근 (수원대학교 토목공학과 하천환경기술연구소)

초록
AI-Helper

지하에 매설되어 있는 사회기반시설물 중 하나인 상수도시스템은 정수처리된 물을 수용가에게 수송 및 공급하는 기능을 가지고 있다. 최근들어, 계측능력이 향상됨에 따라 유량데이터에 의한 딥러닝기법을 적용한 누수 인지 및 탐지와 관련한 연구가 다수 수행되고 있다. 본 연구에서는 현재까지 상수도 분야에 적용되지 않은 LSTM 기반의 딥러닝 알고리즘을 활용하여 누수발생에 대한 인지 모형을 개발하였다. 가정한 데이터를 기반으로 모형에 대한 검증을 수행하였으며 2% 이상의 누수가 발생한 경우에 대하여 모두 인식이 가능한 것으로 나타났다. 향후, 제안된 모형을 토대로 유량 데이터 예측부분에 있어서 보다 정밀한 결과가 도출 될 수 있을것으로 판단된다.

Abstract ▼ AI-Helper

Water Distribution Networks, one of the social infrastructures buried underground, has the function of transporting and supplying purified water to customers. In recent years, as measurement capability is improved, a number of studies related to leak recognition and detection by applying a deep learning technique based on flow rate data have been conducted. In this study, a cognitive model for leak occurrence was developed using an LSTM-based deep learning algorithm that has not been applied to the waterworks field until now. The model was verified based on the assumed data, and it was found that all cases of leaks of 2% or more can be recognized. In the future, based on the proposed model, it is believed that more precise results can be derived in the prediction of flow data.

주제어

표/그림 (14)

그림 Fig. 1. Regional based drought resiliency assessment procedure
그림 Fig. 2. Schematic diagram of LSTM for solving the vanishing gradient Probelm
그림 Fig. 3. Set of thresholds for burst recognition
그림 Fig. 4. Target water distribution network for inflow data generation
그림 Fig. 5. Flow prediction results based on developed model
표 Table 1. Flow time-series data based on 24-hrs demand pattern
표 Table 2. Assumed demand multiplier for 24-hrs
표 Table 3. Pipe burst Scenarios
표 Table 4. Types of features for developed model
그림 Fig. 6. Flow time-series results (observed & predicted) for Case 1
표 Table 5. Results of performance indicators for Case 1
표 Table 6. Results of performance indicators for Case 2
그림 Fig. 7. Results of performance indicators for Case 2
표 Table 7. Results of burst detection and false alarm according to the amount of leakage

참고문헌 (12)

Lambert, A. (2001). "What do we know about pressure-leakage relationships in distribution systems." Proceedings of International Water Association International Specialised Conference: System Approach to Leakage Control and Water Distribution Systems Management, Brno, Czech Republic.
Lambert, A., and Hirner, W. (2000). Losses from water supply systems: A standard terminology and recommended performance measures. International Water Association, UK.
Lee, C., Jun, J., Joo, J.G., and Yoo, D.G. (2018). "Uncertainty analysis for leakage of water supply networks using pressure dependent leakage analysis." Journal of Korean Society of Hazard Mitigation, Vol. 18, No. 7, pp. 129-136.

상세보기
Melgarejo-Moreno, J., Lopez-Ortiz, M.I., and Fernandez-Aracil, P. (2019). "Water distribution management in South-East Spain: A guaranteed system in a context of scarce resources." Science of the Total Environment, Vol. 648, pp. 1384-1393.

상세보기
Ministry of Environment (ME) (2021). Water supply statistics.
Mounce, S.R., Boxall, J.B., and Machell, J. (2010). "Development and verification of an online artificial intelligence system for detection of bursts and other abnormal flows." Journal of Water Resources Planning and Management, Vol. 136, No. 3, pp. 309-318.

상세보기
Mounce, S.R., Day, A.J., Wood, A.S., Khan, A., Widdop, P.D., and Machell, J. (2002). "A neural network approach to burst detection." Water Science and Technology, Vol. 45, No. 4-5, pp. 237-246.

상세보기
Mounce, S.R., Khan, A., Wood, A.S., Day, A.J., Widdop, P.D., and Machell, J. (2003). "Sensor-fusion of hydraulic data for burst detection and location in a treated water distribution system." Information Fusion, Vol. 4, No. 3, pp. 217-229.

상세보기
Romano, M., Kapelan, Z., and Savic, D.A. (2014). "Automated detection of pipe bursts and other events in water distribution systems." Journal of Water Resources Planning and Management, ASCE, Vol. 140, No. 4, pp. 457-467.

상세보기
Rossman, L.A. (2000). EPANET 2: Users manual, U.S. Environmental Protection Agency, Washington, D.C., U.S.
Shewhart, W.A. (1924). "Some applications of statistical methods to the analysis of physical and engineering data." Bell System Technical Journal, Vol. 3, No. 1, pp. 43-87.

상세보기
Yoo, D.G., Choi, D.Y., and Kim, K.P. (2018). "Trend and improvement direction of data-based medium-to-large leak recognition model." Water for Future, Vol. 51, No. 11, pp. 20-33.

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