[논문]정수장 전염소 공정제어를 위한 침전지 잔류염소농도 예측 머신러닝 모형

김주환; 이경혁; 김수전; 김경훈

doi:10.3741/jkwra.2022.55.s-1.1283

정수장 전염소 공정제어를 위한 침전지 잔류염소농도 예측 머신러닝 모형
Machine learning model for residual chlorine prediction in sediment basin to control pre-chlorination in water treatment plant 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.55 suppl.1, 2022년, pp.1283 - 1293

김주환 (인하대학교 사회인프라공학과) , 이경혁 (한국수자원공사 상하수도연구소) , 김수전 (인하대학교 사회인프라공학과) , 김경훈 (인하대학교 토목공학과)

초록
AI-Helper

본 연구는 정수장의 수처리 공정에서 계측되고 있는 수량 및 수질데이터의 활용과 수처리 공정제어의 지능화를 위한 것으로 정수장에서 전염소 공정이 수반되는 처리공정에서 침전지 유출수 잔류염소농도 안정화를 위하여 이를 추정할 수 있는 모형을 구축하고자 하였다. 정수장 침전지 유출수의 잔류염소농도를 예측하기 위하여 중회귀모형과 인공지능 알고리즘 중 다층퍼셉트론 신경망, 랜덤포레스트 및 장단기기억(Long Short Term Memory; LSTM) 모형을 활용하였고 그 결과를 비교, 평가하였다. 모형의 입력변수로는 전염소 공정이 도입된 정수장에서의 잔류염소농도, 수온, 탁도, pH, 전기전도도, 유량, 알칼리도 등이 사용되었고 전염소에 따른 침전지의 안정적 운영을 위해 요구되는 침전지 잔류염소농도를 출력변수로 구성하였다. 적용 결과에서는 랜덤포레스트 모형이 가장 양호한 결과를 보여 주었으며 다음으로 LSTM, 다층퍼셈트론 신경망 순으로 나타났다. 수학적 모형인 중회귀모형은 적합도 측면에서 가장 낮은 결과를 보여 주었는데, 이는 수량과 수질데이터의 수치적인 규모나 차원의 차이뿐만 아니라 계절별 수질특성에 따라 염소소비 특성이 매우 다양하게 반응하기 때문으로 판단된다. 따라서 정수장 수처리 공정에서 인공지능 알고리즘의 적용을 위해서는 랜덤포레스트와 같이 의사결정 트리구조의 도입과 적용이 타당한 것으로 나타났다. 본 연구에서 분석된 결과를 근거로 전염소 공정이 도입된 정수장 수처리 공정에서 염소주입량을 실시간으로 예측 가능하게 함으로써 침전지 유출수에서 잔류염소농도를 일정하게 유지하는데 기여할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

The purpose of this study is to predict residual chlorine in order to maintain stable residual chlorine concentration in sedimentation basin by using artificial intelligence algorithms in water treatment process employing pre-chlorination. Available water quantity and quality data are collected and analyzed statistically to apply into mathematical multiple regression and artificial intelligence models including multi-layer perceptron neural network, random forest, long short term memory (LSTM) algorithms. Water temperature, turbidity, pH, conductivity, flow rate, alkalinity and pre-chlorination dosage data are used as the input parameters to develop prediction models. As results, it is presented that the random forest algorithm shows the most moderate prediction result among four cases, which are long short term memory, multi-layer perceptron, multiple regression including random forest. Especially, it is result that the multiple regression model can not represent the residual chlorine with the input parameters which varies independently with seasonal change, numerical scale and dimension difference between quantity and quality. For this reason, random forest model is more appropriate for predict water qualities than other algorithms, which is classified into decision tree type algorithm. Also, it is expected that real time prediction by artificial intelligence models can play role of the stable operation of residual chlorine in water treatment plant including pre-chlorination process.

주제어

표/그림 (13)

그림 Fig. 1. Concept of random forest
그림 Fig. 2. Structures of RNN and LSTM
그림 Fig. 3. Data collection points of study water treatment plant
표 Table 1. Basic statistics of collected data
그림 Fig. 4. Time series plot of pre-chlorine and residual chlorine concentration
그림 Fig. 5. Plot matrix of correlation between residual chlorine and water quality data
그림 Fig. 6. Box plot of actual data and the results of application models
표 Table 2. Results of validation for each model
그림 Fig. 7. Histogram comparison of actual data and predicted data from application models
그림 Fig. 8. Comparison between predicted residual chlorine by multiple regression and actual data with confidence and prediction limit
그림 Fig. 9. Comparison between predicted residual chlorine by multi-layer perceptron and actual data with confidence and prediction limit
그림 Fig. 10. Comparison between predicted residual chlorine by random forest and actual data with confidence and prediction limit
그림 Fig. 11. Comparison between predicted residual chlorine by LSTM and actual data with confidence and prediction limit

참고문헌 (15)

Breiman, L. (1996). "Bagging predictors." Machine Learning, Vol.？24, pp. 124-140.？
Breiman, L. (2001). "Random forests." Machine Learning, Vol. 45,？No. 1, pp. 5-32.？
Jeon, H.B., Lee, Y.J., and Lee, J.D. (2001). "Effects of Prechlorination on diatoms coagulation." Journal of Korean Society on？Water Environment, Vol. 17, No.3, pp. 347-355.？
Jung, S.H., Lee D.O., and Lee K.S. (2018). "Prediction of water？level prediction of river water level using deep-lenaring open？library." Journal of Korean Society of Hazard Mitigation, Vol.？18, No.1, pp.1-11.？

상세보기
Kang, K.W., Park, C.Y., and Kim, J.H. (1992). "Nonlinear prediction？of streamflow by applying pattern recognition method."？Journal of Korean Association of Hydrological Sciences, Vol.25. No.3, pp.105-113.？
Kim, D., Kim, J., Kwak, J., Necesito, I.V., Kim, J., and Kim, H.S.？(2020). "Development of water level prediction models using？deep neural network in mountain wetlands." Journal of Wetland？Research, Vol. 22, No. 2, pp. 106-112.？
Kim, J.H. (1993). A study on hydrologic forecasting of stream flow？by using artificial neural network. Ph.D. Dissertation, Inha？University.？
Kumar, A.P.S., Sudheer, K.P., Jain, S.K., and Agarwal, P.K. (2005).？"Rainfall runoff modeling using artificial neural networks:？Comparison of network types." Hydrological Process Vol. 19,？pp. 1277-1291.？

상세보기
Lee, K.H., Kim, J.H., Lim, J.L., and Chae S.H. (2007). "Prediction？models of residual chlorine in sediment basin to control prechlorination in water treatment plant" Journal of the Korean？Society of Water and Wastewater, Vol. 21, No. 5, pp. 601-607.？
Lisboa, P.G.J. (1992). Neural networks: Current application. Chapman & Hall, London, pp. 5-6.？
Maneual, J.R., and Jean, B.S. (1999). "Assessing empirical linear？and non-linear modeling of residual chlorine in urban drinking？water systems." Environmental Modeling & Software, Vol. 14,？No. 1, pp. 93-102.？
Qing, Z., and Stephen, J.S. (1999). "Real time water treatment process control with artificial neyral networks." Journal of Environmental Engineering, Vol. 125, No. 2, pp. 153-160.？

상세보기
Tiwari, M.K., and Chatterjee, C. (2010). "Development of an accurate？and reliable hourly flood forecasting model using waveletbootstrap-ANN (WBANN) hybrid approach." Journal of Hydrology, Vol. 394, No. 3, pp. 458-470.？

상세보기
Uber, J.G. (2003). Maintaining distribution system residuals through？booster chlorination, IWA Publishing, London, UK, pp. 42-47.？
Yoon, J.Y., Byoun, S.J., and Choi, Y.S. (2001). "Importance of？prechlorination practices and structures of clearwell in estimating？disinfection capabilities in water treatment plants." Journal of？Korean Society on Water Environment, Vol. 17, No. 3, pp.？327-337.？

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