KR102266838B1 - 현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법 - Google Patents
현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법 Download PDFInfo
- Publication number
- KR102266838B1 KR102266838B1 KR1020200109682A KR20200109682A KR102266838B1 KR 102266838 B1 KR102266838 B1 KR 102266838B1 KR 1020200109682 A KR1020200109682 A KR 1020200109682A KR 20200109682 A KR20200109682 A KR 20200109682A KR 102266838 B1 KR102266838 B1 KR 102266838B1
- Authority
- KR
- South Korea
- Prior art keywords
- leachate
- determining whether
- livestock burial
- livestock
- neural network
- Prior art date
Links
- 238000009933 burial Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 59
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims description 28
- 238000012544 monitoring process Methods 0.000 title abstract description 15
- 238000010801 machine learning Methods 0.000 title abstract description 4
- 238000002386 leaching Methods 0.000 title 1
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 239000003673 groundwater Substances 0.000 claims abstract description 25
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 23
- 244000144972 livestock Species 0.000 claims description 48
- 239000000460 chlorine Substances 0.000 claims description 32
- 229910052801 chlorine Inorganic materials 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 22
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 18
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 7
- 238000010206 sensitivity analysis Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 150000001450 anions Chemical class 0.000 claims description 2
- 229910052791 calcium Inorganic materials 0.000 claims description 2
- 150000001768 cations Chemical class 0.000 claims description 2
- 238000013016 damping Methods 0.000 claims description 2
- 229910052749 magnesium Inorganic materials 0.000 claims description 2
- 230000033116 oxidation-reduction process Effects 0.000 claims description 2
- 229910052700 potassium Inorganic materials 0.000 claims description 2
- 229910052708 sodium Inorganic materials 0.000 claims description 2
- 239000007787 solid Substances 0.000 claims description 2
- 230000036962 time dependent Effects 0.000 claims description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims 1
- 239000006185 dispersion Substances 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000000691 measurement method Methods 0.000 abstract description 3
- 238000011065 in-situ storage Methods 0.000 description 15
- 238000012549 training Methods 0.000 description 13
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000012085 test solution Substances 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 208000007212 Foot-and-Mouth Disease Diseases 0.000 description 4
- 241000710198 Foot-and-mouth disease virus Species 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 3
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- -1 organophosphorus Chemical compound 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000010865 sewage Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- YNQLUTRBYVCPMQ-UHFFFAOYSA-N Ethylbenzene Chemical compound CCC1=CC=CC=C1 YNQLUTRBYVCPMQ-UHFFFAOYSA-N 0.000 description 2
- 208000002979 Influenza in Birds Diseases 0.000 description 2
- 229910002651 NO3 Inorganic materials 0.000 description 2
- 241000282887 Suidae Species 0.000 description 2
- VGPSUIRIPDYGFV-UHFFFAOYSA-N [N].O[N+]([O-])=O Chemical compound [N].O[N+]([O-])=O VGPSUIRIPDYGFV-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 206010064097 avian influenza Diseases 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 208000007407 African swine fever Diseases 0.000 description 1
- 241000272517 Anseriformes Species 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-M Bicarbonate Chemical compound OC([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-M 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 1
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 1
- XFXPMWWXUTWYJX-UHFFFAOYSA-N Cyanide Chemical compound N#[C-] XFXPMWWXUTWYJX-UHFFFAOYSA-N 0.000 description 1
- 241000588724 Escherichia coli Species 0.000 description 1
- 241000287828 Gallus gallus Species 0.000 description 1
- JLVVSXFLKOJNIY-UHFFFAOYSA-N Magnesium ion Chemical compound [Mg+2] JLVVSXFLKOJNIY-UHFFFAOYSA-N 0.000 description 1
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical compound CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 description 1
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 1
- NPYPAHLBTDXSSS-UHFFFAOYSA-N Potassium ion Chemical compound [K+] NPYPAHLBTDXSSS-UHFFFAOYSA-N 0.000 description 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- XSTXAVWGXDQKEL-UHFFFAOYSA-N Trichloroethylene Chemical group ClC=C(Cl)Cl XSTXAVWGXDQKEL-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000001467 acupuncture Methods 0.000 description 1
- 239000010868 animal carcass Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910001424 calcium ion Inorganic materials 0.000 description 1
- 235000013330 chicken meat Nutrition 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- JOPOVCBBYLSVDA-UHFFFAOYSA-N chromium(6+) Chemical compound [Cr+6] JOPOVCBBYLSVDA-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011066 ex-situ storage Methods 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 238000010169 landfilling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910001425 magnesium ion Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229910001414 potassium ion Inorganic materials 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- UBOXGVDOUJQMTN-UHFFFAOYSA-N trichloroethylene Natural products ClCC(Cl)Cl UBOXGVDOUJQMTN-UHFFFAOYSA-N 0.000 description 1
- 238000004457 water analysis Methods 0.000 description 1
- 239000008096 xylene Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C19/00—Electric signal transmission systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Analytical Chemistry (AREA)
- Educational Administration (AREA)
- Computer Networks & Wireless Communication (AREA)
- Development Economics (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
본원발명은 현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법에 관한 것이다. 구체적으로 여러 현장센서 측정값을 동시에 이용하고 이를 인공신경망(ANN, Artificial Neural Network) 기술의 일종인 심층신경망(DNN, Deep Neural Network) 기술을 활용하여 분석하여 지하수 내 NH4-N 및 Cl- 농도를 정확하게 파악하기 위해 농도 측정방법 및 이를 이용한 매몰지 침출수 감시기법에 관한 것이다.
Description
본원발명은 현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법에 관한 것이다. 구체적으로 여러 현장센서 측정값을 동시에 이용하고 이를 인공신경망(ANN, Artificial Neural Network) 기술의 일종인 심층신경망(DNN, Deep Neural Network) 기술을 활용하여 분석하여 지하수 내 NH4-N 및 Cl- 농도를 정확하게 파악하기 위해 농도 측정방법 및 이를 이용한 매몰지 침출수 감시기법에 관한 것이다.
우리나라는 1934년 구제역이 최초로 발생한 이후로 2000년 3월부터 2010년 4월까지 총 5차례의 구제역이 발생하였다. 구제역 외에도 조류인플루엔자 또한 최근까지도 지속적으로 발생하고 있다.
2010년부터 2018년까지 8차례의 구제역으로 38만 마리의 소와 돼지, 7차례의 조류인플루엔자로 6900만 마리의 닭과 오리가 살처분 되었다. 최근의 아프리카돼지열병으로 살처분된 돼지 47만 마리를 포함하면 지난 10여년 동안 매년 7000만 마리의 가축이 살처분되었다.
살처분된 가축들은 대부분 매몰(land filling) 방식으로 처분되었으며, 이를 통해 전국적으로 5000여곳 가까운 매몰지가 조성되었다.
가축 매몰지 침출수의 누출은 지하수의 오염을 초래하여 지하수 이용에 장애가 될 수 있을 뿐만 아니라 질병 관리차원에서도 문제가 되는바, 지속적인 감시가 요구된다.
지하수의 오염 감시를 위해 대수층에 현장센서인 연속 지하수 측정 센서를 설치할 수 있다. 매몰지로부터 침출수가 누출되었을 경우 지하수 내에서 가장 민감하게 변화가 발생하는 항목은 암모니아성질소(NH4-N)와 염소이온(Cl-) 농도이다. 다만, 상기와 같은 현장센서를 통해 얻어지는 NH4-N 및 Cl- 농도의 정확성이 매우 낮아 침출수 누출 판정에 적용하는데 어려움이 있다.
상기와 같은 문제를 해결하기 위해서 정기적으로 지하수를 채취하고 이를 별도의 장소인 실험실에서 분석을 할 수 있다. 위 방법은 정확도가 높은 결과를 얻을 수 있으나, 연속 측정이 불가능하여 지하수 감시에 공백이 발생하고, 지속적인 관측에 많은 비용이 필요하며, 사람이 개입됨으로 인하여 전문성에 따른 오류나 객관성 문제가 발생할 수 있다.
특허문헌 1은 무인 자동 알칼리도 측정 시스템 및 방법에 관한 것이다. 특허문헌 1은 무인 자동 알칼리도 측정 시스템에 있어서, 측정 대상 시료를 담기 위한 시료용기; 상기 측정 대상 시료를 취수하기 위한 취수부; 상기 측정 대상 시료를 측정하기 위한 검사용액을 투입하기 위한 검사용액 투입부; 상기 검사용액에 의해 측정된 데이터를 저장하며, 상기 무인 자동 알칼리도 측정 시스템을 제어하기 위한 제어부; 상기 측정 대상 시료의 측정 완료 후 상기 시료용기에서 배수하기 위한 배수부; 및 상기 시료용기 내부에 설치되어 상기 측정 대상 시료 및 검사용액을 고르게 희석시키기 위한 희석부를 포함하며, 상기 검사용액은 시료의 pH를 변화시킬 수 있는 산(acid) 용액인 것을 특징으로 하는 무인 자동 알칼리도 측정 시스템을 제공하고 있다.
특허문헌 1은 무인 자동센서를 이용하여 침출수를 측정하고 있으나 본원발명에서 인식하고 있는 NH4-N 및 Cl- 농도의 정확성에 대해서는 전혀 인식을 하고 있지 않으며, 단순히 알칼리도만을 측정하고 있는바, 현재 요구되는 침술수의 누출 판정 기준에 부합하지 못한다.
특허문헌 2는 가축 매몰지 침출수 유출 판별 방법에 관한 것이다. 특허문헌 2는 1) 가축 매몰지 토양 지하수로부터 가축 사체 유래 물질의 농도를 측정하는 단계; 2) 단계 1)의 지하수로부터 총 유기 탄소의 농도를 측정하는 단계; 3) 가축 사체 유래 물질의 농도와 총 유기 탄소의 농도의 비율을 산출하는 단계; 및 4) 총 유기 탄소의 농도에 대한 가축 사체 유래 물질의 농도의 비율을 가축 매몰지 내부 침출수의 총유기 탄소의 농도에 대한 가축 사체 유래 물질의 농도의 비율과 비교하는 단계를 포함하는, 토양 지하수에 가축 매몰지 침출수 유출 여부 판별 방법을 제공하고 있다.
특허문헌 2는 유출 판별 방법을 제공하고 있으나, 판별의 가장 기초가 되는 가축 사체 유래 물질의 정확한 농도를 측정하는 방법과 이에 따른 문제점에 대해서는 인식하지 못하고 있다.
이와 같이 종래의 기술들은 NH4-N 및 Cl- 농도 측정의 정확성에 대한 문제점을 인식하지 못하고 있는바, 이에 대한 해결책 또한 제시하지 못하고 있다. 연속적인 매몰지 침출수 누출 감시를 위해서는 현장센서를 이용하여 연속적인 측정만이 유일한 해결책이다. 우선적으로 지하수의 물리, 화학적 상태를 지시하는 현장센서 측정값으로부터 오염지시 인자인 NH4-N 및 Cl- 농도를 정확하게 파악할 수 있는 기술이 마련되어야 한다.
본원발명은 상기와 같은 문제를 해결하기 위한 것으로서, 가축 매몰지 침출수의 누출을 지속적으로 감시하는 방법을 제공하는 것을 목적으로 한다.
구체적으로 1) 정확도가 매우 낮았던 지하수 내 현장 센서를 통해 측정된 NH4-N 및 Cl- 농도를 정확하게 보정하고, 2) 이를 실시간으로 실시하며, 3) 상기 과정을 무인으로 진행하고, 4) 이를 기반으로 매몰지 침출수의 누출 여부를 실시간 및 무인으로 판별할 수 있는 매몰지 침출수 감시기법을 제공하는 것을 목적으로 한다.
상기와 같은 문제점을 해결하기 위해서 본원발명은 여러 현장센서 측정값을 동시에 이용하고 이를 인공신경망(ANN, Artificial Neural Network) 기술의 일종인 심층신경망(DNN, Deep Neural Network) 기술을 활용하여 분석하여 지하수 내 NH4-N 및 Cl- 농도를 정확하게 파악하기 위해 농도 측정방법 및 이를 이용한 매몰지 침출수 감시기법을 제공한다. 본원발명은 현장센서 측정값과 심층신경망을 이용한 암모니아성질소(NH4-N)와 염소이온(Cl-) 농도를 추정하는 모델의 훈련, 예측과 민감도 분석에 기초한 센서 간소화 또한 제공한다.
구체적으로
본원발명은 가축 매몰지 및 그 주변 지하수의 수위; 수온; pH; 산화-환원 전위(ORP; oxidation-reduction potential); 전기전도도(EC; electric conductivity); 총용존고형물질량(TDS; total dissolved solids); Ca, Na, K, Mg를 포함하는 양이온 중 적어도 하나 이상의 농도; Cl, CO3, SO4를 포함하는 음이온 중 적어도 하나 이상의 농도;를 포함하는 그룹 중에서 적어도 하나 이상을 측정할 수 있는 하나 이상의 센서를 포함하는 측정부; 상기 측정부에서 측정된 결과를 인공신경망을 통해서 처리하는 신호처리부; 제어부;를 포함하는 가축 매몰지 침출수 측정장치를 제공한다.
상기 측정부는 상기 가축 매몰지 및 그 주변 지하수의 암모니아성질소(NH4-N)와 염소이온(Cl-) 농도 또한 측정하는 것일 수 있으며, 상기 측정부는 무인 및 실시간 측정하는 것일 수 있다.
상기 인공신경망은 CNN(Convolution Neural Network), DNN(Deep Neural Network), RNN, DBN, LSTM, GAN, Softmax 모델 중에 적어도 하나이며, 이때 반응변수는 NH4-N 및 Cl- 농도이며, 설명변수는 상기 측정부에서 현장 센서를 통해 측정된 값이다. 바람직하게 상기 인공신경망은 CNN 또는 DNN, 바람직하게는 NARX-DNN이며, CNN일 경우 convolutional layer와 fully connected layer, Softmax의 순서로 구성되고, 상기 convolutional layer 뒤에 max pooling layer가 존재하는 것이다.
상기 측정부는 As, 시안, 수은, 유기인, 페놀, 납, 6가크롬Cr+6, 트리클로로에틸렌, 테트라클로로에틸, 1.1.1-트리클로로에탄, 벤젠, 톨루엔, 에틸벤젠, 크실렌, 용존산소, 나트륨이온, 칼륨이온, 칼슘이온, 마그네슘이온, 황산이온, 중탄산염이온, 탄산염이온, 질산염이온, NO3-N, 총대장균수 중 적어도 하나 이상 또한 측정할 수 있다.
본원발명에 측정장치는 상기 제어부의 요청에 따라 상기 측정부에서 측정된 결과를 유선 또는 무선으로 송수신할 수 있는 데이터송수신부; 데이터 처리 정보를 표시하는 디스플레이부;가 부가될 수 있으며, 상기 신호처리부는 상기 측정부와는 별도로 위치하는 것일 수 있다.
본원발명은 상기 매몰지 침출수 측정장치를 사용하여 가축 매몰지 침출수 누출 여부를 판별하는 방법에 있어서,
a) 상태를 판별하고자 하는 가축 매몰지 및 그 주변에 상기 측정부를 배치하는 단계;
b) 상기 측정부로부터 적어도 하나 이상의 측정 신호를 수신하는 단계;
c) 상기 측정 신호를 기반으로 상기 신호처리부에서 상기 인공신경망을 통해서 상기 상태를 판별하고자 하는 가축 매몰지 및 그 주변의 침출수 누출 여부를 판별하는 단계;
를 포함하는 가축 매몰지 침출수 누출 여부를 판별하는 방법 또한 제공한다.
상기 b) 단계의 측정 신호를 데이터송수신부를 통해 별도로 위치하는 신호처리부로 전송하여 상기 신호처리부에서 인공신경망을 통해서 처리한 후 처리된 결과만을 사용자에게 통보할 수 있으며, 상기 b) 단계의 측정 신호를 상기 신호처리부로 전송하기 전에 상기 제어부에서 전처리하는 단계를 포함할 수 있으며, 상기 전처리하는 단계는 노이즈 제거, 푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency) 분석을 통해 특성치를 추출하는 주파수 성분 분석 또는 시간에 따른 변화율 분석 신호 처리를 포함하는 그룹에서 선택되는 적어도 하나 이상이다.
또한 상기 b) 단계의 측정 신호는 화이트 노이즈, 핑크 노이즈음, 브라운 노이즈, 임펄스를 포함할 수 있다.
또한 본원발명은 상기 b) 단계의 측정 신호와 함께 상기 a) 단계의 상기 상태를 판별하고자 하는 가축 매몰지 위치 정보를 같이 전송할 수 있으며, 상기 처리된 결과를 사용자에게 통보할 때 별도의 매몰지 종합관리 시스템에도 동시에 전송할 수 있다.
상기 처리된 결과는 상기 상태를 판별하고자 하는 가축 매몰지의 위치 정보, 상기 매몰지의 주변 위치에 따른 침출수 농도, 침출수 누출 여부를 포함한다.
상기 인공신경망은 상기 상태를 판별하고자 하는 가축 매몰지의 위치 정보 및 상기 측정 신호와 상기 매몰지 및 그 주변의 상태에 대해서 이미 학습이 된 것이며, 상기 측정 신호 및 누출 여부의 판단 결과를 별도의 서버컴퓨터에 저장하여 학습용 데이터베이스를 구축하는 단계가 부가된다. 상기 측정 신호와 별도로 측정된 암모니아성질소(NH4-N)와 염소이온(Cl-)의 측정 결과를 상기 신호처리부로 피드백하여 상기 학습용 데이터베이스가 계속 갱신되고 상기 갱신된 데이터베이스는 상기 인공신경망의 재학습 자료로 사용된다.
본원발명은 종래의 문제점을 해결한 것으로서 가축 매몰지 침출수의 누출을 지속적이면서 정확하게 제공할 수 있다.
구체적으로 1) 정확도가 매우 낮았던 지하수 내 암모니아성질소(NH4-N)와 염소이온(Cl-) 농도를 정확하게 측정하고, 2) 이를 실시간으로 측정하며, 3) 상기 과정을 무인으로 진행하고, 4) 이를 기반으로 매몰지 침출수의 누출 여부를 실시간 및 무인으로 판별할 수 있는 매몰지 침출수 감시기법을 제공할 수 있다.
본원발명은 인공신경망의 결과를 활용함으로써, 측정하는 센서 중 중요한 영향을 미치는 측정값을 선택하고 이 결과를 바탕으로 추후 측정하는 센서를 간소화하면서도 시스템의 정확도를 유지할 수 있는 추가의 장점이 있다. 본원발명에 따른 하수도관의 상태를 판별하는 방법은 유량계 등과 같이 하수관 내에 직접 설치할 필요가 없이 현재 하수관 시설에 영향을 주지 않고 유량 및 침전물에 관한 신호를 수집할 수 있는 장점이 있다. 본원발명의 음향분석단말기는 상태를 판별하고자 하는 하수관의 양 말단에 배치하는 것으로 충분하기 때문에 작업이 매우 용이한 장점이 있다.
본원발명에 따른 가축 매몰지 침출수 누출 여부를 판별하는 방법은 실시간 또는 실질적인 면에서 실시간에 준하는 정도에서 신호를 유/무선으로 전달하여 신호처리부 또는 서버에서 이를 취합할 수 있게 하는 장점이 있다. 데이터를 취합하여 한꺼번에 전송할 수도 있고 필요에 따라서는 실시간의 전송이 가능하며, 센서를 포함하는 제어기를 통해서 무선으로 전송이 가능한바, 데이터 관리가 편리하다는 장점이 있다.
본원발명에 따른 가축 매몰지 침출수 누출 여부를 판별하는 방법은 전달된 신호를 단순한 패턴 분석 방법이 아닌 노이즈에 강한 인공신경망 방법을 사용함으로써, 종래의 부정확한 측정방법을 해결할 수 있는 장점이 있다.
본원발명에 따른 하수도관의 상태를 판별하는 방법은 CNN(Convolution Neural Network), DNN(Deep Neural Network), RNN, DBN, LSTM, GAN, Softmax 모델 중에 적어도 하나이며, CNN일 경우 convolutional layer와 fully connected layer, Softmax의 순서로 구성되고, 상기 convolutional layer 뒤에 max pooling layer가 존재하는 모델을 사용함으로써 수집된 빅데이터를 실제적으로 처리할 수 있다. 종래의 기술에 사용되었던 회귀 기법으로는 처리할 수 없었던 결과를 실제 활용이 가능한 시간 내에서 제공할 수 있다.
또한 본원발명에 따른 가축 매몰지 침출수 누출 여부를 판별하는 방법은 초기 학습은 물론 계속적인 재학습을 통해서 진단의 신뢰성을 계속 높일 수 있는 장점이 있다. 뿐만 아니라 현재 측정 결과와 별도로 분석한 농도값을 피드백하여 정확도를 더욱 높일 수 있다.
도 1은 본원발명에 따른 인공신경망 기반 매몰지 지하수 NH4-N 및 Cl- 농도 추정방법 개념도이다.
도 2는 본원발명에 따라는 인공지능 기법 기반 침출수 누출 판정 모델의 개략도이다.
도 3은 ANN 모델 학습네트워크 구조이다.
도 4는 NARX-DNN 모델 학습네트워크 구조이다.
도 5는 NARX-DNN 모델 학습네트워크 구조를 본원발명에 적용한 구체적인 예시도이다.
도 6은 제1실시예에 따른 심층신경망 및 in-situ 센서자료(수위, EC, 및 수온)을 이용한 질산성질소 농도 예측 결과이다.
도 7은 제2실시예에 따른 심층신경망 및 in-situ 센서자료(수위, EC, 및 수온)을 이용한 염소이온 농도 예측 결과이다.
도 8은 제3실시예에 따른 심층신경망 및 in-situ 센서자료(수위, EC, 및 수온)을 이용한 질산성질소 농도 예측 결과이다.
도 2는 본원발명에 따라는 인공지능 기법 기반 침출수 누출 판정 모델의 개략도이다.
도 3은 ANN 모델 학습네트워크 구조이다.
도 4는 NARX-DNN 모델 학습네트워크 구조이다.
도 5는 NARX-DNN 모델 학습네트워크 구조를 본원발명에 적용한 구체적인 예시도이다.
도 6은 제1실시예에 따른 심층신경망 및 in-situ 센서자료(수위, EC, 및 수온)을 이용한 질산성질소 농도 예측 결과이다.
도 7은 제2실시예에 따른 심층신경망 및 in-situ 센서자료(수위, EC, 및 수온)을 이용한 염소이온 농도 예측 결과이다.
도 8은 제3실시예에 따른 심층신경망 및 in-situ 센서자료(수위, EC, 및 수온)을 이용한 질산성질소 농도 예측 결과이다.
이하 첨부된 도면을 참조하여 본원발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본원발명을 쉽게 실시할 수 있는 실시예를 상세히 설명한다. 다만, 본원발명의 바람직한 실시예에 대한 동작 원리를 상세하게 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본원발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
또한, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용한다. 명세서 전체에서, 어떤 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우 뿐만 아니라, 그 중간에 다른 소자를 사이에 두고, 간접적으로 연결되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 포함한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하 본원발명을 보다 자세히 설명한다.
도 1은 본원발명에 따른 인공신경망 기반 매몰지 지하수 NH4-N 및 Cl- 농도 추정방법 개념도이며, 도 2는 본원발명에 따라는 인공지능 기법 기반 침출수 누출 판정 모델의 개략도이다.
도 1은 개념적으로 현장 센서값을 입력 그리고 실험실 측정값을 출력으로 설정하여 신경망이 센서값만으로 NH4-N 및 Cl- 농도를 추정할 수 있도록 훈련하는 방법을 축약하여 보여주고 있다.
본원발명은 현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법으로서 센서의 관측 항목으로는 매몰지로부터 침출수가 누출되었을 경우 지하수 내에서 가장 민감하게 변화가 발생하는 암모니아성질소(NH4-N), 염소이온(Cl-), 및 질산성질소(NO3 -N)을 채택하였다. 암모니아성질소(NH4-N), 염소이온(Cl-)이 바람직하다.
또한 관측기간 동안 센서로부터 측정되는 위의 세 항목의 신뢰성 향상 및 보정을 위하여 주기적인 지하수 샘플링 및 수분석 실시와 Ex-situ 장비 구축을 통한 지속 농도분석 실시하고, 이를 이용한 계속적인 학습을 통해서 측정의 신뢰도를 향상시켰다.
본원발명에서는 인공신경망으로서 구체적으로 NARX-DNN 모델을 적용하였다. 도 3과 도 4를 참고하면, 본원발명에 따른 NARX-DNN 모델은 일반적인 인공신경망(ANN, Artificial Neural Network) 모델과 유사하게 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구성된 학습 네트워크 구조를 가진다. 이를 통해 반응변수(유출지시 수질농도)와 설명변수(유출 간접지시 모니터링 자료)간의 비선형적 관계를 모델링할 수 있다.
ANN과 NARX-DNN 모델 모두 입력(x), 은닉(h), 출력층(y)의 학습 네트워크를 가지나 ANN 모델이 1개의 은닉층을 가지고 있는 반면 NARX-DNN 모델의 경우 다층의 은닉층으로 학습 네트워크가 구성된다.
즉, NARX-DNN 모델의 학습 네트워크가 ANN 모델에 비해 확장되어 복잡한 비선형성을 설명할 수 있으므로 심층신경망(DNN) 모델이라 불린다. 본원발명에 따른 NARX-DNN 모델이 확장된 네트워크를 기반으로 모니터링 자료들의 패턴을 학습함에 따라 다양한 외부 요인들의 비선형적 관계성을 가지는 실제 자연현상의 패턴을 학습하는데 유리하다.
ANN 모델이 외부 환경인자(x)만을 입력인자로 사용하는 반면 NARX-DNN 모델은 과거 자기회귀 자료(y)가 입력인자로 추가적으로 사용됨에 따라 이의 예측 성능이 ANN 모델 보다 우수하다.
도 5는 NARX-DNN 모델 학습네트워크 구조를 본원발명에 적용한 구체적인 예시도이다. 도 5를 참조하면, 본원발명의 심층신경망은 일반적인 피드포워드(feed-forward) 심층신경망 모델로 입력층(input layer), 출력층(output layer), 그리고 2개 층 이상의 은닉층(hidden layer)으로 구성된 학습 네트워크 구조를 가진다.
심층신경망을 NH4-N 및 Cl- 농도 추정에 이용함으로써 기존 선형회귀 기법으로는 불가능한 비선형적 관계를 해석할 수 있는 효과가 있다. 수질측정 센서 보정에 이용되는 심층신경망의 훈련에는 정기적인 지하수 샘플링 및 실험실 분석을 통한 NH4-N 및 Cl- 농도를 출력값(y)으로 그리고 현장 지하수 측정 센서로부터 획득한 지하수 수위, 수온, EC, NO3-N, NH4-N, Cl- 등을 입력값(x)으로 이용한다.
오염부지에 설치된 현장 측정센서는 기술적 제약성으로 인하여 다양한 오차가 발생할 수 있으며, 큰 오차를 포함한 값들이 심층신경망 입력자료로 이용될 경우 NH4-N 및 Cl- 농도 추정 결과는 큰 불확실성을 갖게 된다. 따라서 정확한 NH4-N 및 Cl- 농도 추정을 위해서는 추정결과가 가지는 불확실성이 어떠한 입력자료로부터 발생하였는지를 파악하고, 불확실성 기여도가 큰 입력자료를 제거하는 과정이 필요하다.
입력자료의 불확실성 기여도를 파악하기 위해서는 분산기반 광역 민감도 분석(variance-based global sensitivity analysis) 방법을 활용할 수 있으며, 이는 인공신경망 적용 이전에 실시하는 것이 바람직하다.
또한 현장센서 기반 매몰지 감시방법의 확산을 위하여 센서 비용이 비싸고 상대적으로 불확실성 기여도가 큰 센서를 제외할 수 있다.
본원발명을 구체적으로 안성지역에 적용 결과, 불확실성 기여도 및 센서 비용을 고려하였을 때 지하수 수위, 수온, 전기전도도(EC)가 가장 적합한 것으로 결정되었으며, 이들을 입력자료로 하여 NH4-N 및 Cl- 농도에 대한 추정을 성공적으로 할 수 있었다.
이러한 상기 NH4-N 및 Cl-을 기반으로 침출수의 유출 여부를 감시하고 이에 대한 정보와 지리정보를 결합하여 전국토에 대한 실시간 감시기법을 활용할 수 있다
<실시예 1 질산성질소(NO3-N) 예측 수행>
전체 in-situ 관측자료를 이용하여 질산성질소(NO3-N) 예측을 수행하였다. 질산성질소 예측을 위한 심층신경망의 구조는 4개의 은닉층과 8개의 뉴런(노드)를 이용하였으며, 총 2000번의 반복훈련(training iteration)을 이용하였다.
상기 예측구조에서 목적함수의 최적화에 Adam optimizer가 이용되었으며 learning rate는 0.001이다. 종래의 암모니아성질소 및 염소이온 농도 예측사례와 마찬가지로 전체 in-situ 관측자료를 이용하였을 경우 예측 성능이 높지 않음을 확인하였다.
따라서, 입력인자(in-situ 자료)에서 유입되는 불확실성 및 부정확성을 차단하기 위하여 광역민감도 분석을 실시하였다.
광역민감도 분석 결과 상대민감도는 수위, EC, 수온, 질산성질소, 염소이온, 암모니아성질소에 대하여 각각 5.186e-06, 2.807e-03, 1.334e-04, 1.247e-02, 2.027e-01, 및 7.818e-01로 나타났다.
이는 수위에서 발생하는 불확실성이 가장 낮고 질산성질소, 염소이온, 및 암모니아성질소 농도로부터 발생하는 불확실성이 가장 큼을 의미하며, 기존 in-situ 염소이온과 암모니아성질소 농도의 부정확성 관찰과 일치하는 결론이다.
따라서, 질산성질소 농도 예측을 위해서는 총 3개의 in-situ 센서자료인 수위, EC, 및 수온을 입력자료로 하여 최종적인 예측을 실시하였다.
도 6은 훈련결과 및 앙상블 예측결과를 보여준다. 도 6은 심층신경망 및 in-situ 센서자료(수위, EC, 및 수온)을 이용한 질산성질소 농도 예측 결과이다.
도 6에서 볼 수 있는 바와 같이 질산성질소 훈련에 이용하지 않은 10개 자료에 대하여 비교적 정확한 예측이 이루어졌음을 알 수 있다.
<실시예 2염소이온(Cl-) 및 암모니아성질소(NH4-N) 예측 개선 및 2020년 5월 추가자료 적용결과>
안성1 매몰지에서 추가적으로 확보된 자료에 대한 개발 모델의 예측 성능을 확인하기 위한 작업과 추가확보 자료를 반영한 기존 개발 모델의 개선이 이루어졌다. 염소이온 농도 예측을 위한 개선된 심층신경망의 구조는 4개의 은닉층과 6개의 뉴런(노드)를 이용하였으며, 총 2000번의 반복훈련(training iteration)을 이용하였다.
상기 예측구조에서 목적함수의 최적화에 Adam optimizer가 이용되었으며 learning rate는 0.001이다. 기존 모델과 달리 총 3개만의 in-situ 센서자료인 수위, EC, 및 수온을 입력자료로 하여 최종적인 예측을 실시하였다.
도 7은 이에 따른 예측 결과이다. 도 7은 심층신경망 및 in-situ 센서자료(수위, EC, 및 수온)을 이용한 염소이온 농도 예측 결과이다.
도 7에서와 같이 염소이온의 농도는 비교적 정확하게 예측되나 후기의 1개 염소이온 농도는 95% prediction interval 바깥쪽에 위치하는 양상을 보인다. 이러한 예측 오류는 해당 농도가 훈련에 이용된 실험실 자료(훈련에 이용된 실험실 측정 염소이온 농도는 100 mg/l 이하) 이상의 농도로 나타남으로 인하여 발생한 것이며, 심층신경망 훈련에 보다 다양한 농도 범위의 자료가 포함되어야 예측이 보다 정교해질 수 있음을 시사하고 있다.
<실시예 3>
암모니아성질소 농도 예측을 위한 개선된 심층신경망의 구조는 4개의 은닉층과 6개의 뉴런(노드)를 이용하였으며, 총 2000번의 반복훈련(training iteration)을 이용하였다. 위의 예측구조에서 목적함수의 최적화에 Adam optimizer가 이용되었으며 learning rate는 0.001이다.
앞의 모델과 마찬가지로 총 3개만의 in-situ 센서자료인 수위, EC, 및 수온을 입력자료로 하여 최종적인 예측을 실시하였다.
예측 결과는 도 8과 같으며 기존 결과와 유사하게 안정적인 예측이 이루어짐을 확인할 수 있다. 대조적으로 추가적으로 확보된 in-situ 센서 암모니아성질소 농도자료는 실험실 자료와 매우 큰 차이를 보여주고 있어 센서 자료에 대한 신뢰성에 문제가 있는 것으로 판단된다.
Claims (18)
- 가축 매몰지 및 그 주변 지하수의 수위; 수온; pH; 산화-환원 전위(ORP; oxidation-reduction potential); 전기전도도(EC; electric conductivity); 총용존고형물질량(TDS; total dissolved solids); Ca, Na, K, Mg를 포함하는 양이온 중 적어도 하나 이상의 농도; Cl, CO3, SO4를 포함하는 음이온 중 적어도 하나 이상의 농도;를 포함하는 그룹 중에서 적어도 하나 이상을 측정할 수 있는 하나 이상의 센서를 포함하는 측정부;
상기 측정부에서 측정된 결과를 인공신경망을 통해서 처리하는 신호처리부; 및
제어부;
를 포함하는 가축 매몰지 침출수 측정장치를 사용하여 가축 매몰지 침출수 누출 여부를 판별하는 방법에 있어서,
a) 상태를 판별하고자 하는 가축 매몰지 및 그 주변에 상기 측정부를 배치하는 단계;
b) 상기 측정부로부터 적어도 하나 이상의 측정 신호를 수신하는 단계;
c) 상기 측정 신호를 기반으로 상기 신호처리부에서 상기 인공신경망을 통해서 상기 상태를 판별하고자 하는 가축 매몰지 및 그 주변의 침출수 누출 여부를 판별하는 단계;
를 포함하며,
상기 단계 c) 이전에 상기 측정 신호에 대해서 분산기반 광역 민감도 분석(variance-based global sensitivity analysis) 방법을 적용하여 상기 측정 신호 중 불확실성 기여도가 큰 자료를 제거하는 단계가 포함되고,
상기 불확실성 기여도가 큰 자료를 제거하는 단계는 상기 분산기반 광역 민감도 분석 결과가 1.247e-02 이상인 자료를 제거하는 것인 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제1항에 있어서,
상기 측정부는 상기 가축 매몰지 및 그 주변 지하수의 NH4-N 및 Cl- 농도 또한 측정하는 것인 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제1항에 있어서,
상기 측정부는 무인 및 실시간 측정하는 것인 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제1항에 있어서,
상기 인공신경망은 CNN(Convolution Neural Network), DNN(Deep Neural Network), RNN, DBN, LSTM, GAN 모델 중에 적어도 하나이며,
이때 반응변수는 NH4-N 및 Cl- 농도이며, 설명변수는 상기 측정부에서 측정된 값인 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제4항에 있어서,
상기 인공신경망은 NARX-DNN 모델인 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제1항에 있어서,
상기 제어부의 요청에 따라 상기 측정부에서 측정된 결과를 유선 또는 무선으로 송수신할 수 있는 데이터송수신부;
데이터 처리 정보를 표시하는 디스플레이부;
가 부가된 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제1항에 있어서,
상기 신호처리부는 상기 측정부와는 별도로 위치하는 것인 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 삭제
- 제1항에 있어서,
상기 b) 단계의 측정 신호를 데이터송수신부를 통해 별도로 위치하는 신호처리부로 전송하여 상기 신호처리부에서 인공신경망을 통해서 처리한 후 처리된 결과만을 사용자에게 통보하는 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제1항에 있어서,
상기 b) 단계의 측정 신호를 상기 신호처리부로 전송하기 전에 상기 제어부에서 전처리하는 단계를 포함하는 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제10항에 있어서,
상기 전처리하는 단계는 노이즈 제거, 푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency) 분석을 통해 특성치를 추출하는 주파수 성분 분석 또는 시간에 따른 변화율 분석 신호 처리를 포함하는 그룹에서 선택되는 적어도 하나 이상인 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제1항에 있어서,
상기 b) 단계의 측정 신호는 화이트 노이즈, 핑크 노이즈음, 브라운 노이즈, 임펄스를 포함하는 신호인 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제1항에 있어서,
상기 b) 단계의 측정 신호와 함께 상기 a) 단계의 상기 상태를 판별하고자 하는 가축 매몰지 위치 정보를 같이 전송하는 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제9항에 있어서,
상기 처리된 결과를 사용자에게 통보할 때 별도의 매몰지 종합관리 시스템에도 전송하는 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제9항에 있어서,
상기 처리된 결과는 상기 상태를 판별하고자 하는 가축 매몰지의 위치 정보, 상기 매몰지의 주변 위치에 따른 침출수 농도, 침출수 누출 여부를 포함하는 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제1항에 있어서,
상기 인공신경망은 상기 상태를 판별하고자 하는 가축 매몰지의 위치 정보 및 상기 측정 신호와 상기 매몰지 및 그 주변의 상태에 대해서 이미 학습이 된 것인 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제1항에 있어서,
상기 측정 신호 및 누출 여부의 판단 결과를 별도의 서버컴퓨터에 저장하여 학습용 데이터베이스를 구축하는 단계가 부가되는 것인 가축 매몰지 침출수 누출 여부를 판별하는 방법. - 제17항에 있어서,
상기 측정 신호와 별도로 측정된 암모니아성질소(NH4-N)와 염소이온(Cl-)의 측정 결과를 상기 신호처리부로 피드백하여 상기 학습용 데이터베이스가 계속 갱신되고 상기 갱신된 데이터베이스는 상기 인공신경망의 재학습 자료로 사용되는 것인 가축 매몰지 침출수 누출 여부를 판별하는 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200109682A KR102266838B1 (ko) | 2020-08-28 | 2020-08-28 | 현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200109682A KR102266838B1 (ko) | 2020-08-28 | 2020-08-28 | 현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102266838B1 true KR102266838B1 (ko) | 2021-06-18 |
Family
ID=76623180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200109682A KR102266838B1 (ko) | 2020-08-28 | 2020-08-28 | 현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102266838B1 (ko) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657623A (zh) * | 2021-07-13 | 2021-11-16 | 国网河北省电力有限公司电力科学研究院 | 电力设备状态诊断效果确定方法、装置、终端及存储介质 |
| KR20230065016A (ko) * | 2021-11-04 | 2023-05-11 | 주식회사 도화엔지니어링 | 원수수질 분석의 오류 검증방법 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090093174A (ko) * | 2008-02-28 | 2009-09-02 | 연세대학교 산학협력단 | 지하수오염 취약성 평가방법 및 그 시스템 |
| KR20100062327A (ko) * | 2008-12-02 | 2010-06-10 | 연세대학교 산학협력단 | 유전자 알고리즘을 이용한 지하수오염취약성 평가 방법 및 시스템 |
| KR101155712B1 (ko) * | 2009-12-30 | 2012-06-12 | 연세대학교 산학협력단 | Ｇａ-ｒｉｄｇｅ ｒｅｇｒｅｓｓｉｏｎ 알고리즘으로 선정된 최적 입력변수를 이용한 지하수 오염취약성 등급평가 방법 |
| KR20120111220A (ko) | 2011-03-31 | 2012-10-10 | 한국원자력연구원 | 가축 매몰지 침출수 유출 판별 방법 |
| KR101334307B1 (ko) | 2012-05-22 | 2013-11-27 | 한국지질자원연구원 | 무인 자동 알칼리도 측정 시스템 및 방법 |
| KR102114475B1 (ko) * | 2019-09-11 | 2020-05-22 | 대한민국 | 가축매몰지의 지하수 모니터링 장치 및 방법 |
-
2020
- 2020-08-28 KR KR1020200109682A patent/KR102266838B1/ko active IP Right Grant
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090093174A (ko) * | 2008-02-28 | 2009-09-02 | 연세대학교 산학협력단 | 지하수오염 취약성 평가방법 및 그 시스템 |
| KR20100062327A (ko) * | 2008-12-02 | 2010-06-10 | 연세대학교 산학협력단 | 유전자 알고리즘을 이용한 지하수오염취약성 평가 방법 및 시스템 |
| KR101155712B1 (ko) * | 2009-12-30 | 2012-06-12 | 연세대학교 산학협력단 | Ｇａ-ｒｉｄｇｅ ｒｅｇｒｅｓｓｉｏｎ 알고리즘으로 선정된 최적 입력변수를 이용한 지하수 오염취약성 등급평가 방법 |
| KR20120111220A (ko) | 2011-03-31 | 2012-10-10 | 한국원자력연구원 | 가축 매몰지 침출수 유출 판별 방법 |
| KR101334307B1 (ko) | 2012-05-22 | 2013-11-27 | 한국지질자원연구원 | 무인 자동 알칼리도 측정 시스템 및 방법 |
| KR102114475B1 (ko) * | 2019-09-11 | 2020-05-22 | 대한민국 | 가축매몰지의 지하수 모니터링 장치 및 방법 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657623A (zh) * | 2021-07-13 | 2021-11-16 | 国网河北省电力有限公司电力科学研究院 | 电力设备状态诊断效果确定方法、装置、终端及存储介质 |
| CN113657623B (zh) * | 2021-07-13 | 2023-09-29 | 国网河北省电力有限公司电力科学研究院 | 电力设备状态诊断效果确定方法、装置、终端及存储介质 |
| KR20230065016A (ko) * | 2021-11-04 | 2023-05-11 | 주식회사 도화엔지니어링 | 원수수질 분석의 오류 검증방법 |
| KR102620496B1 (ko) | 2021-11-04 | 2024-01-03 | 주식회사 도화엔지니어링 | 원수수질 분석의 오류 검증방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Moriasi et al. | Hydrologic and water quality models: Performance measures and evaluation criteria | |
| Corwin et al. | Application of soil electrical conductivity to precision agriculture: theory, principles, and guidelines | |
| CN110398320B (zh) | 一种易于持续优化的燃气泄漏检测定位方法及*** | |
| KR102266838B1 (ko) | 현장센서 및 머신러닝을 이용한 매몰지 침출수 감시기법 | |
| Thiyagarajan et al. | Robust sensor suite combined with predictive analytics enabled anomaly detection model for smart monitoring of concrete sewer pipe surface moisture conditions | |
| CN111898691A (zh) | 一种河流突发水污染预警溯源方法、***、终端及介质 | |
| CN110068661A (zh) | 用于地下水的放射学监测的集成监视***及其操作方法 | |
| Liu et al. | Computational intelligence for urban infrastructure condition assessment: Water transmission and distribution systems | |
| Yang et al. | Toward an adaptive monitoring design for leakage risk–Closing the loop of monitoring and modeling | |
| CN116579128A (zh) | 基于机器学习模型的工业园区地下水污染在线预测方法 | |
| Refsgaard et al. | Comment on’a discussion of distributed hydrological modelling’by k. beven | |
| Zaev et al. | SCADA system for real-time measuring and evaluation of river water quality | |
| Thiyagarajan et al. | Numerical modeling of the effects of electrode spacing and multilayered concrete resistivity on the apparent resistivity measured using wenner method | |
| CN111126702A (zh) | 道路面源污染信息预测方法、装置、设备及存储介质 | |
| CN106716074B (zh) | 探测装置 | |
| Mani et al. | AI powered IoT based real-time air pollution monitoring and forecasting | |
| Halama et al. | Prediction of atmospheric corrosion of carbon steel using artificial neural network model in local geographical regions | |
| De Filippis et al. | Effects of different boundary conditions on the simulation of groundwater flow in a multi-layered coastal aquifer system (Taranto Gulf, southern Italy) | |
| Andria et al. | Model characterization in measurements of environmental pollutants via data correlation of sensor outputs | |
| Chawishborwornworng et al. | Bootstrap approach for quantifying the uncertainty in modeling of the water quality index using principal component analysis and artificial intelligence | |
| CN115936192A (zh) | 一种土壤环境污染物风险预测方法及*** | |
| CN114814135A (zh) | 一种基于多元监测的河流水质污染溯源方法及*** | |
| Granato et al. | Robowell: An automated process for monitoring ground water quality using established sampling protocols | |
| Conde | Environmental sensor anomaly detection using learning machines | |
| Khorsandi et al. | Application of data-driven and optimization methods in identification of location and quantity of pollutants |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |