[논문]인공신경망 이론을 이용한 GUI홍수예측시스템 개발

박성천; 오창열; 김동렬

인공신경망 이론을 이용한 GUI홍수예측시스템 개발
A Development of GUI Flood Forecasting System Using Artificial Neural Networks Theory 원문보기

박성천 (동신대학교 토목공학과) , 오창열 (동신대학교 대학원 토목공학과) , 김동렬 (익산지방관리청 하천공사과)

본 연구에서는 우리나라 5대강 유역에 대한 홍수예경보시스템의 홍수추적방법으로 이용되고 있는 물리적인 모형인 저류함수법의 한계점을 극복하고, 영산강 유역의 본류를 대표하는 나주지점과 황룡강 유역을 대표하는 선암지점에 대하여 유역의 수문학적 구조를 나타내지 않는 인공신경망 이론을 이용하여 강우-유출 과정의 비선형 모형을 개발하였다. 또한, 신속한 홍수유출량 예측과 예측 결과에 따른 현장 적용이 가능하도록 CS(Client-Server) 기반에서 인공신경망에 대한 원시코드(source code)를 GUI(Graphical User Interface)화하여 홍수예측시스템(Flood Forecasting System : FFS)을 개발하였다. 본 연구결과 나주지점에서는 Model II의 ANN_NJ_9 모형이 선암지점에서는 Model III의 ANN_SA_9 모형이 강우-유출 특성을 가장 잘 반영하였다. 또한, 본 연구에서 개발한 GUI_FFS에 대하여 기 확보된 2004년도 강우 및 유출량 적용한 결과 0.98이상의 $R^2$값을 보임으로서 향후 수자원 및 하천계획 수립과 그에 따른 운영 및 관리에 효율성을 더할 수 있을 것이라 판단된다.

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

문제 정의

따라서 본 연구에서는 물리적인 모형의 한계점을 극복하기 위하여 영산강과 황룡강 유역을 각각 대표하는 나주지점과 선암지점에 대한 인공신경망 이론을 이용한 강우-유출 과정의 비선형 모형을 개발하였다. 또한, 인공신경망에 대한 이론적인 체계가 정립되어 있지 않는 수공기술자도 쉽게 접근하여 신속한 홍수유출량 예측과 예측 결과에 따른 현장 적용이 가능하도록 CS(Client -Server) 기반에서 인공신경망에 대한 원시코드(source code)를 GUKGraphical User Interface) 화하여 홍수예측시스템(Flood Forecasting System: FFS)을 개발하였다.
본 연구에서는 영산강 유역의 본류를 대표하는 나주지점과 황룡강 유역을 대표하는 선암지점에 대하여 유역의 수문학적 구조를 나타내지 않는 인공신경망 이론을 이용하여 강우-유출 과정의 비선형 모형을 개발하였다. 또한, 인공신경망에 대한 배경지식을 필요로 하지 않을 뿐만 아니라 신속한 홍수유출량 예측이 가능할 수 있도록 Client-Server 환경에서 범용적인 소프트웨어인 GUI_FFS(Graphical User Interface, Flood runoff Forecasting System) 개발하였으며 그 결과 다음과 같은 결론을 얻었다.

제안 방법

모형을 개발하였다. 또한, 인공신경망에 대한 배경지식을 필요로 하지 않을 뿐만 아니라 신속한 홍수유출량 예측이 가능할 수 있도록 Client-Server 환경에서 범용적인 소프트웨어인 GUI_FFS(Graphical User Interface, Flood runoff Forecasting System) 개발하였으며 그 결과 다음과 같은 결론을 얻었다.
개발하였다. 또한, 인공신경망에 대한 이론적인 체계가 정립되어 있지 않는 수공기술자도 쉽게 접근하여 신속한 홍수유출량 예측과 예측 결과에 따른 현장 적용이 가능하도록 CS(Client -Server) 기반에서 인공신경망에 대한 원시코드(source code)를 GUKGraphical User Interface) 화하여 홍수예측시스템(Flood Forecasting System: FFS)을 개발하였다.
본 연구에서 개발한 GULFFS는 수문정보 입력과 유출량 예측 단위 시스템으로 구성하였다.
최적의 인공신경망 모형을 탐색하기 위하여 인공신경망 모형의 매개변수인 모멘텀 상수와 초기학습률은 모든 모형에서 각각 0.1과 0.7를 일괄적으로 사용하여 모형을 선별하였으며, 그 결과는 5 장 모의 결과 및 고찰에 나타내었다.

대상 데이터

선암 지점의 입력 자료는 1999년''2003년까지 수위자료에 대하여 해당년도의 Rating-Curve 식을 이 용하여 유출량자료로 환산하여 사용하였으며, Rating-Curve。] 미개발된 2001년, 2003년은 전년도 Rating-Curve식을 이용하였다. 또한, 본 연구에서 사용한 강우자료는 동기간에 대하여 선암지점 상류의 북이.삼서.
본 연구에서 개발한 GULFFS에 대한 현장 적용 가능성을 검토하기 위하여 기 확보된 2004년도 강우 및 유출량자료를 이용하여 유출량 예측을 수행하였으며 대상 자료는 표 3과 같다.
본 연구에서는 영산강 수계를 대상으로 강우-유출 과정의 효율적인 비선형모형을 개발하기 위하여 영산강 본류의 대표지점인 나주지점과 황룡강의 대표지점인 선암지점을 대상으로 하였다.
삼서.장성댐지 점 의 강우량 자료를 사용하였다.

이론/모형

능주지점 강우량 자료를 사용하였다. 선암 지점의 입력 자료는 1999년''2003년까지 수위자료에 대하여 해당년도의 Rating-Curve 식을 이 용하여 유출량자료로 환산하여 사용하였으며, Rating-Curve。] 미개발된 2001년, 2003년은 전년도 Rating-Curve식을 이용하였다. 또한, 본 연구에서 사용한 강우자료는 동기간에 대하여 선암지점 상류의 북이.
본 연구에서 나주지점에 대한 유출량 예측 모형으로 최종 선택한 모형은 Model Ⅱ의 ANN_ NJ_9로써 네트워크 구성은 8-9-1의 형태를 갖고 있으며, 예측결과에 따른 통계적 특성치는 표 1 과 같다.
본 연구에서 선암지점에 대한 유출량 예측 모형으로 최종 선택한 모형은 Model HI의 ANN_ SA_9로써 네트워크 구성은 8-9-1의 형태를 갖고 있으며, 예측결과에 따른 통계적 특성치는 표 2 와 같다.

성능/효과

1. 나주지점의 강우-유출 특성을 가장 잘 반영한 모형은 입력자료의 수가 8개, 은닉층의 노드 의수는 9개, 출력층 자료의 수가 1개인 Model U의 ANN_NJ_9 모형으로 나타났다. 또한, 선암지점의 강우-유출 특성을 가장 잘 반영한 모형은 입력자료의 수가 8개, 은닉층의 노드의 수는 9 개, 출력층 자료의 수가 1개인 Model M의 ANN_SA_9 모형으로 나타났다.
2. ANN_NJ_9 모형은 훈련 및 검증1, 검증2 과정에서의 값이 각각 0.997, 0.994, 0.990으로 가장 큰 값을 나타났고, RMSE 값은 52.719, 79.274, 66.339, PEP값은 살펴보면 전 과정에서 0.121 ~ 4.272CMS의 오차를 갖는 것으로 나타났다. 또한, ANN_SA_9 훈련 및 검증1, 검증2 과정에서의 값이 각각 0.
3. 본 연구에서 개발한 GULFFS에 대하여 기 확보된 2004년 강우 및 유출량 자료에 대하여 모의한 결과 나주지점 및 선암지점에서의 값은 각각 0.983, 0.991 로 나타났으며, PEP 값은 각각 -6.067, -5.230으로 나타났다. 따라서, 본 연구에서 개발한 GUI_FFS에 의한 R?값은 0.
272CMS의 오차를 갖는 것으로 나타났다. 또한, ANN_SA_9 훈련 및 검증1, 검증2 과정에서의 값이 각각 0.995, 0.996, 0.986으로 가장 큰 값을 나타났고, WSE 값은 9.666, 15.615, 8.774값을 가졌으며, PEP값은 전 과정에서 0.130 ~ 7.458CMS의 오차를 갖는 것으로 나타났다.
나주지점의 강우-유출 특성을 가장 잘 반영한 모형은 입력자료의 수가 8개, 은닉층의 노드 의수는 9개, 출력층 자료의 수가 1개인 Model U의 ANN_NJ_9 모형으로 나타났다. 또한, 선암지점의 강우-유출 특성을 가장 잘 반영한 모형은 입력자료의 수가 8개, 은닉층의 노드의 수는 9 개, 출력층 자료의 수가 1개인 Model M의 ANN_SA_9 모형으로 나타났다.
본 연구에서 개발한 GUI_FFS에 대하여 강우 및 유출량 자료를 적용한 결과, 나주지점 및 선암지점에서의 R2값은 0.983, 0.978, RMSE값은 100.920, 18.747, 첨두 유출량에 대한 예측 정확도를 나타내는 PEP 값은 각각 -5.163, -2.231로 나타났으며 표 4오+ 그림 3과 같다.

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

인공신경망 이론을 이용한 GUI홍수예측시스템 개발
A Development of GUI Flood Forecasting System Using Artificial Neural Networks Theory 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

인공신경망 이론을 이용한 GUI홍수예측시스템 개발 A Development of GUI Flood Forecasting System Using Artificial Neural Networks Theory 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

인공신경망 이론을 이용한 GUI홍수예측시스템 개발
A Development of GUI Flood Forecasting System Using Artificial Neural Networks Theory 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper