$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 적대적 학습 기반 오토인코더(ATAE)를 이용한 다차원 상수도관망 데이터 생성
Multidimensional data generation of water distribution systems using adversarially trained autoencoder 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.56 no.7, 2023년, pp.439 - 449  

김세형 (고려대학교 건축사회환경공학과) ,  전상훈 (고려대학교 초융합건설포렌식연구센터) ,  정동휘 (고려대학교 건축사회환경공학부)

초록
AI-Helper 아이콘AI-Helper

최근 계측 기술의 발전으로 압력계와 유량계 등 다양한 센서를 설치하여 상수도관망의 상태를 효과적으로 파악할 수 있게 되었으나, 도시가 광범위하게 개발됨에 따라 계측 신뢰도에 영향을 미치는 변수는 다양해지고 있다. 특히 상수도관망 분석에 중요한 영향력을 가지는 수요 데이터의 경우 직접 계측의 난이도가 높고 결측이 발생하기 쉬운 것으로 알려져 데이터 생성의 중요도가 증가하고 있다. 본 논문에서는 상수도관망에서 누락된 데이터를 정확하게 생성하기 위해 생성적 딥러닝 모델에 기반한 적대적 학습 기반 오토인코더(ATAE) 모델을 제안한다. 제안된 모델은 판별 신경망과 생성 신경망의 두 가지 신경망의 적대적 학습을 사용하여 압력 데이터로부터 수요 데이터를 생성한다. 학습이 완료된 ATAE 모델의 생성 신경망은 관망의 계측되는 압력 데이터가 존재하는 경우, 그로부터 추정된 관망 수요 데이터를 제공할 수 있다. ATAE 모델은 미국 텍사스주 오스틴의 실제 상수도망에 적용되어 성능이 검증되었다. 수요 및 압력 시계열 데이터의 불확실성 정도에 따른 ATAE 예측 결과의 정확도를 비교하여 데이터 불확실성의 영향을 분석하였으며, 또한 수요 수준에 따른 데이터 수집 기간별 생성 결과를 비교하여 이에 따른 데이터 생성 성능을 검토하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Recent advancements in data measuring technology have facilitated the installation of various sensors, such as pressure meters and flow meters, to effectively assess the real-time conditions of water distribution systems (WDSs). However, as cities expand extensively, the factors that impact the reli...

Keyword

#상수도관망   #다차원 데이터 생성   #생성적 적대 신경망   #적대적 학습 기반 오토인코더(ATAE)  

표/그림 (11)

참고문헌 (15)

  1. Bagheri, A., Monsef, H., and Lesani, H. (2015). "Integrated distribution network expansion planning incorporating distributed？generation considering uncertainties, reliability, and operational？conditions." International Journal of Electrical Power &？Energy Systems, Vol. 73, pp. 56-70. 

    상세보기

  2. Bragalli, C., Neri, M., and Toth, E. (2019). "Effectiveness of smart？meter-based urban water loss assessment in a real network？with synchronous and incomplete readings." Environmental？Modelling & Software, Vol. 112, pp. 128-142. 

    상세보기

  3. Brentan, B.M., Meirelles, G.L., Manzi, D., and Luvizotto, E. (2018).？"Water demand time series generation for distribution network？modeling and water demand forecasting." Urban Water Journal,？Vol. 15, No. 2, 150-158. 

    상세보기

  4. Goodfellow, I.J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley,？D., Ozair, S., and Bengio, Y. (2014). "Generative adversarial？networks, 1-9." arXivpreprint, arXiv:1406.2661. 

  5. Jang, H., Jung, D., and Jun, S. (2022). "Comparison of ANN model's？prediction performance according to the level of data uncertainty？in water distribution network." Journal of Korea Water Resources Association, Vol. 55, No. 12, pp. 1295-1303. 

  6. Jun, S., Jung, D., and Lansey, K.E. (2021). "Comparison of imputation？methods for end-user demands in water distribution systems."？Journal of Water Resources Planning and Management, Vol.？147, No. 12, 04021080. 

    상세보기

  7. Jung, D., Chung, G., and Kim, J.H. (2010). Optimal design of water？distribution systems considering uncertainties in demands and？roughness coefficients. Water Distribution Systems Analysis？2010, In 12th Annual Conference, Tucson, AZ, U.S., pp. 1390-1399. 

  8. Kabir, G., Tesfamariam, S., Hemsing, J., and Sadiq, R. (2020). "Handling incomplete and missing data in water network database？using imputation methods." Sustainable and Resilient Infrastructure, Vol. 5, No. 6, pp. 365-377. 

    상세보기

  9. Karras, T., Laine, S., and Aila, T. (2019). "A style-based generator？architecture for generative adversarial networks." In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, pp. 4401-4410. 

  10. Mirza, M., and Osindero, S. (2014). "Conditional generative adversarial nets." arXivpreprint, arXiv:1411.1784. 

  11. Rodriguez, R., Pastorini, M., Etcheverry, L., Chreties, C., Fossati,？M., Castro, A., and Gorgoglione, A. (2021). "Water-quality？data imputation with a high percentage of missing values: A？machine learning approach." Sustainability, Vol. 13, No. 11,？6318. 

    상세보기

  12. Rombach, R., Blattmann, A., Lorenz, D., Esser, P., and Ommer, B.？(2022). "Highresolution image synthesis with latent diffusion？models." In Proceedings of the IEEE/CVF Conference on？Computer Vision and Pattern Recognition, New Orleans, LA,？U.S., pp. 10684-10695. 

  13. Shrivastava, A., Pfister, T., Tuzel, O., Susskind, J., Wang, W., and？Webb, R. (2017). "Learning from simulated and unsupervised？images through adversarial training." In Proceedings of the？IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, HI, U.S., pp. 2107-2116. 

  14. Sun, S., Yeh, C.F., Hwang, M.Y., Ostendorf, M., and Xie, L. (2018).？Domain adversarial training for accented speech recognition.？In 2018 IEEE International Conference on Acoustics, Speech？and Signal Processing (ICASSP), IEEE, Calgary, Canada, pp.？4854-4858. 

  15. Zanfei, A., Menapace, A., Brentan, B.M., and Righetti, M. (2022).？"How does missing data imputation affect the forecasting of？urban water demand?." Journal of Water Resources Planning？and Management, Vol. 148, No. 11, 04022060. 

    상세보기

저자의 다른 논문 :

활용도 분석정보

상세보기
다운로드
내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로