KR20210058231A - Wastewater treatment system using machine running on based bigdata - Google Patents
Wastewater treatment system using machine running on based bigdata Download PDFInfo
- Publication number
- KR20210058231A KR20210058231A KR1020190145453A KR20190145453A KR20210058231A KR 20210058231 A KR20210058231 A KR 20210058231A KR 1020190145453 A KR1020190145453 A KR 1020190145453A KR 20190145453 A KR20190145453 A KR 20190145453A KR 20210058231 A KR20210058231 A KR 20210058231A
- Authority
- KR
- South Korea
- Prior art keywords
- water
- pollution degree
- reaction tank
- data
- influent
- Prior art date
Links
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/006—Regulation methods for biological treatment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
- C02F3/12—Activated sludge processes
- C02F3/1236—Particular type of activated sludge installations
- C02F3/1263—Sequencing batch reactors [SBR]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
- C02F3/12—Activated sludge processes
- C02F3/1278—Provisions for mixing or aeration of the mixed liquor
- C02F3/1284—Mixing devices
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/30—Aerobic and anaerobic processes
- C02F3/301—Aerobic and anaerobic treatment in the same reactor
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/06—Controlling or monitoring parameters in water treatment pH
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/10—Solids, e.g. total solids [TS], total suspended solids [TSS] or volatile solids [VS]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/14—NH3-N
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/16—Total nitrogen (tkN-N)
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/20—Total organic carbon [TOC]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/22—O2
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Microbiology (AREA)
- Hydrology & Water Resources (AREA)
- Environmental & Geological Engineering (AREA)
- Water Supply & Treatment (AREA)
- Chemical & Material Sciences (AREA)
- Organic Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Purification Treatments By Anaerobic Or Anaerobic And Aerobic Bacteria Or Animals (AREA)
- Activated Sludge Processes (AREA)
Abstract
Description
본 발명은 오폐수의 처리시스템에 관한 것으로서, 구체적으로는 공장용수, 생활하수, 매립지 등의 침출수 등의 오폐수를 처리함에 있어서 유입수의 오염도, 유량, 온도 등의 물리적/화학적 특성에 따라 반응조의 운전조건에 대한 최적값을 머신러닝을 통하여 산출함으로써 특정 유입수의 개별적 조건에 맞춤형으로 반응조를 가동시켜 하수처리시스템이 소모하는 에너지를 최소화시키는 것이다.The present invention relates to a wastewater treatment system, and specifically, in the treatment of wastewater such as factory water, domestic sewage, leachate from landfills, etc., operating conditions of a reaction tank according to physical/chemical characteristics such as pollution degree, flow rate, temperature, etc. By calculating the optimum value for, through machine learning, the reaction tank is operated tailored to the individual conditions of the specific inflow water, thereby minimizing the energy consumed by the sewage treatment system.
오폐수의 처리방범으로는 장기폭기방법, 접촉산화법, 표준활성오니방법, 회전원판접촉방법, 살수여상법 등이 사용되고 있으며, 이 중에서 단일의 반응조를 사용하여 유기물과 질소(N) 및 인(P)을 포함하는 하수, 오수, 축산폐수, 분뇨 등을 고도처리하는 회분식처리시스템(SBR; Sequencing Batch Reactor}이 널리 사용되고 있다. 이와 같은 회분식 처리시스템은 다른 생물학적 오폐수 처리시스템에 비해 설치면적이 작고, 공정이 단순하며, 시설비 및 운전비가 저렴하다는 등의 이유로 다양한 형태로 오폐수 처리분야에 적용되고 있다. The long-term aeration method, the contact oxidation method, the standard activated sludge method, the rotary disk contact method, and the trickling filtration method are used to treat wastewater. Among them, organic matter, nitrogen (N) and phosphorus (P) using a single reactor are used. Sequencing Batch Reactor (SBR) is widely used for advanced treatment of sewage, sewage, livestock wastewater, manure, etc. Such a batch treatment system has a smaller installation area than other biological wastewater treatment systems, It is applied to the wastewater treatment field in various forms due to its simplicity and low facility cost and operation cost.
예컨대, 대한민국 등록특허공보 등록번호 제10-0378228호 "하폐수 처리장치"는 단일의 반응조에 바실러스속 세균을 배양해서 하폐수를 처리하는 기술을 제안하고 있다.For example, Korean Patent Application Publication No. 10-0378228 "sewage wastewater treatment apparatus" proposes a technology for treating wastewater by culturing bacteria of the genus Bacillus in a single reaction tank.
또한 공개특허공보 공개번호 제10-2004-0006926호 “내부순환형 연속회분식반응장치를 이용한 하수처리방법"은 다목적조와 주반응조가 별도로 구비되고, 양 조 내의 물질교환을 위하여 자동이송장치, 내부액순환장치, 슬러지 반송라인이 구비된 연속회분식 반응장치를 이용하는 하수처리방법에 있어서, 운전상황에 따라 내부액순환장치를 가동시켜 단계적으로 다목적조 내의 반응액을 주반응조로 이송시켜 탈질·탈인에 필요한 탄소원을 제공하고, 주반응조는 연속회분식 반응공정으로 운전되며, 다목적조는 주반응조의 운전공정 중 반응기에는 혐기조 또는 무산소조로 운전되고, 그 외의 시간에는 유량조절조로 운전되는 기술을 제안하고 있다.In addition, Patent Publication No. 10-2004-0006926 "Sewage treatment method using an internal circulation type continuous batch reaction device" has a multipurpose tank and a main reaction tank separately, and an automatic transfer device and an internal liquid are provided for the exchange of substances in the brewery. In the sewage treatment method using a continuous batch reactor equipped with a circulation device and a sludge return line, the internal liquid circulation device is operated according to the operation situation, and the reaction liquid in the multi-purpose tank is transferred to the main reaction tank step by step, which is necessary for denitrification and dephosphorization. A carbon source is provided, and the main reaction tank is operated by a continuous batch reaction process, and the multipurpose tank is operated by an anaerobic tank or an anoxic tank in the reactor during the operation process of the main reaction tank, and a flow control tank at other times is proposed.
상기와 같은 회분식 처리시스템은 유입수의 유입량, 유입속도, 온도, 유입수의 오염의 정도 등에 상관없이 반응조를 가동시키는 것이어서 경우에 따라 유입수의 처리 능력을 상회하는 운전조건으로 반응조가 가동되는 결과를 초래하여 하수처리시스템의 소모 전력을 필요 이상으로 높이는 불합리를 초래한다. 한편, 유입수의 처리 능력에 못미치게 반응조가 가동되는 경우도 발생하여 온전하게 하수가 처리되지 못하고 방출되는 문제점도 가지고 있는 것이었다. The batch treatment system as described above operates the reaction tank regardless of the inflow amount, inflow rate, temperature, and degree of contamination of the influent water, so in some cases, the reaction tank is operated under operating conditions that exceed the processing capacity of the influent water. It causes irrationality of increasing the power consumption of the sewage treatment system more than necessary. On the other hand, there was also a problem in that the reaction tank was not fully treated and discharged because the reaction tank was operated less than the treatment capacity of the influent water.
본 발명에 따른 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템은 유입되는 유입수의 여러 상태 값으로부터 하수처리결과에 관한 빅데이터를 활용하여 방출수의 수질이 배출허용기준에 만족하는 한도내에서 반응조의 최적 운전조건을 예측함으로써 하수처리시스템의 에너지 소모를 최소화하는 것을 기술적 과제로 한다.The smart sewage treatment system using machine learning based on big data according to the present invention utilizes big data on the result of sewage treatment from various state values of the incoming water, so that the water quality of the discharged water is within the limit that satisfies the discharge allowance standard. The technical task is to minimize the energy consumption of the sewage treatment system by predicting the optimum operating conditions of the reaction tank.
또한 본 발명에 따른 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템은 유입수의 상태값 및 반응조의 운전 조건으로부터 방출수의 수질 오염도를 사전에 예측함으로써 방출수의 오염도가 배출허용기준을 초과하는 일이 발생하지 아니하도록 하는 것을 기술적 과제로 한다.In addition, the smart sewage treatment system using machine learning based on big data according to the present invention predicts the water pollution degree of discharged water in advance from the state value of the influent water and the operating conditions of the reaction tank. Making sure nothing happens is a technical task.
한편, 본 발명에 따른 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템은 반응조로 유입되는 오폐수의 양이 증가함에 따라 그 오염도가 최대가 되는 시점에서 최적의 반응조 운전조건 및 방출수의 오염도를 다시 산출 및 예측함으로써 에너지의 소모를 최소화시키는 동시에 오폐수에 포함된 오염원이 완전하게 제거될 수 있도록 하는 것을 기술적 과제로 한다. On the other hand, the smart sewage treatment system using machine learning based on big data according to the present invention determines the optimal reaction tank operating conditions and the pollution degree of discharged water at the point when the pollution level becomes maximum as the amount of wastewater flowing into the reaction tank increases. By recalculating and predicting, it is a technical task to minimize energy consumption and at the same time ensure that pollutants contained in wastewater can be completely removed.
본 발명에 따른 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템은 상기와 같은 기술적 과제를 해결하기 위하여 다음을 과제의 해결수단으로 한다.유량조정조에서 반응조로 유입수가 유입되는 시점에서 유입수의 수질에 대한 오염도 데이터를 측정하는 단계(S01),유량조정조에서 반응조로 유입수가 유입되는 시점에서 유입수의 유량 및 온도를 측정하는 단계(S02), 유입수에 대하여 상기 단계에서 측정된 오염도 데이터, 유량 및 온도에 맞추어 빅데이터 기반의 머신러닝모듈을 가동하여 반응조가 최소의 에너지를 소모하도록 운전조건을 산출하는 단계(S03), 상기 S03에서 산출된 반응조의 운전조건 및 유입수의 수질에 대한 오염도 데이터를 종합적으로 분석하여 빅데이터 기반의 머신러닝모듈을 가동하여 반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 예측하는 단계(S04), 제어부가 상기 S04단계에서 예측된 유입수의 오염도 데이터가 관리자가 목적하는 오염도에 부합하는지를 판단하는 단계(S05), 예측된 유입수의 오염도 데이터가 목적하는 오염도에 부합하다고 판단되는 경우, 제어부가 반응조를 S03에서 산출된 운전조건에 따라 가동시키는 단계(S06), 예측된 유입수의 오염도 데이터가 목적하는 오염도에 부합하다고 판단되지 않는 경우, 제어부의 지시에 따라 머신러닝모듈이 상기 S03단계부터 S04단계를 재차 반복적으로 수행하여 방출수의 오염도 데이터가 목적하는 오염도에 부합되는 경우, 제어부가 반응조를 산출된 운전조건에 따라 가동시키는 단계(S07) 및 반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 측정하는 단계(S08)를 포함하고,The smart sewage treatment system using machine learning based on big data according to the present invention has the following as a solution to the problem in order to solve the technical problem as described above. The quality of the influent water at the point in which the influent water flows from the flow control tank to the reaction tank. Measuring the pollution degree data for the (S01), measuring the flow rate and temperature of the influent water at the point when the influent water flows from the flow control tank to the reaction tank (S02), the pollution degree data measured in the above step for the influent water, flow rate and temperature In accordance with the operation of the machine learning module based on the big data, calculating the operating conditions so that the reaction tank consumes minimum energy (S03), and the pollution level data on the operating conditions of the reaction tank and the water quality of the influent calculated in S03 are comprehensively Analyzing and operating a big data-based machine learning module to predict the pollution degree data of the water quality of the discharged water discharged from the reaction tank (S04), the control unit determines the pollution degree data of the influent water predicted in the step S04. (S05), determining whether the predicted pollution degree data of the influent water meets the desired pollution degree, the control unit operating the reaction tank according to the operating conditions calculated in S03 (S06), If the pollution degree data is not determined to meet the desired pollution degree, the machine learning module repeatedly performs steps S03 to S04 according to the instruction of the control unit, and if the pollution degree data of the discharged water meets the desired pollution degree, the control unit A step of operating the reaction tank according to the calculated operating conditions (S07) and measuring pollution degree data on the water quality of the discharged water discharged from the reaction tank (S08),
반응조에서는 실시간으로 처리중인 유입수의 오염도를 계속 측정하고, 유량조정조에서 반응조로 유입수가 유입되고 있는 과정에서 반응조의 수질 오염도가 상승함에 따라 오염도가 최고점에 이르는 시점에서 다시 한번 유입수의 유량 및 온도를 측정하는 단계(S09), 유입수에 대하여 상기 S09단계에서 측정된 오염도 데이터, 유량 및 온도에 맞추어 빅데이터 기반의 머신러닝모듈을 가동하여 반응조가 최소의 에너지를 소모하도록 운전조건을 재산출하는 단계(S10), 상기 S10단계에서 재산출된 반응조의 운전조건과 처리중인 유입수의 수질에 대한 오염도 데이터를 다시 종합적으로 분석하여 빅데이터 기반의 머신러닝모듈을 가동하여 반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 재차 예측하는 단계(S11), 상기 S11단계에서 예측된 방출수의 오염도 데이터가 관리자가 목적하는 오염도에 부합하다고 판단되는 경우, 제어부가 반응조를 S10단계에서 산출된 운전조건에 따라 가동시키는 단계(S12), 예측된 유입수의 오염도 데이터가 목적하는 오염도에 부합하다고 판단되지 않는 경우, 제어부의 지시에 따라 머신러닝모듈이 상기 S10단계 및 S11단계를 반복적으로 수행하여 방출수의 오염도 데이터가 관리자가 목적하는 오염도에 부합되는 경우, 제어부가 반응조를 산출된 운전조건에 따라 가동시키는 단계(S13) 및 반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 측정하는 단계(S14)를 포함하고,The reaction tank continuously measures the pollution level of the influent water being treated in real time, and measures the flow rate and temperature of the influent water once again at the point when the pollution level reaches the highest point as the water quality pollution level of the reaction tank rises in the process of flowing the influent water from the flow control tank to the reaction tank. Step (S09), recalculating the operating conditions for the influent water so that the reactor consumes minimum energy by operating a big data-based machine learning module according to the pollution level data, flow rate, and temperature measured in step S09 (S10). ), the pollution level of the discharged water discharged from the reaction tank by running a big data-based machine learning module by comprehensively analyzing the pollution level data of the reaction tank recalculated in step S10 and the water quality of the influent water being processed. Predicting the data again (S11), when it is determined that the pollution degree data of the discharged water predicted in the step S11 meets the pollution degree desired by the manager, the control unit operates the reaction tank according to the operating conditions calculated in step S10 (S12), if it is not determined that the predicted pollution degree data of the influent water meets the desired pollution degree, the machine learning module repeatedly performs the steps S10 and S11 according to the instruction of the control unit, and the pollution degree data of the discharged water is In case the desired pollution degree is met, the control unit operates the reaction tank according to the calculated operating conditions (S13) and the step of measuring pollution degree data on the water quality of the discharged water discharged from the reaction tank (S14),
상기 오염도 데이터는 BOD, COD, DO, TOC, TP, TN, SS, pH값에 더하여 NH4 농도값을 포함하고, 반응조는 상기 머신러닝모듈에서 산출되는 값에 따라 혐기 모드, 호기 모드, 무산소 모드, 침전 모드, 배출 모드, 휴지 모드를 정해진 시간동안 각각 번갈아 가면서 작동하는 한편, 유입수와 활성슬러지를 교반장치를 이용하여 생물학적 활성슬러지가 유입수에 존재하는 유기물을 생물학적 반응에 의해 분해하도록 함으로써 유기물을 제거하는 것을 특징으로 한다. The pollution level data includes the NH 4 concentration value in addition to the BOD, COD, DO, TOC, TP, TN, SS, and pH values, and the reactor is in anaerobic mode, aerobic mode, and anoxic mode according to the value calculated by the machine learning module. , Sedimentation mode, discharge mode, and rest mode are operated alternately for a predetermined period of time, while biologically activated sludge decomposes organic matter present in the influent water by biological reaction using a stirring device to remove organic matter. Characterized in that.
나아가 본 발명에 따른 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템은 상기와 같은 기술적 과제를 해결하기 위하여, Furthermore, the smart sewage treatment system using machine learning based on big data according to the present invention is to solve the above technical problems,
유량조정조로 유입수가 유입되기 전에 1차 침전조에서 물보다 비중이 무거운 물질에 해당하는 고형 폐기물을 침전시켜 슬러지를 형성시키고, 상기 슬러지와 함께 유입수의 상부에 존재하는 부유물질을 별도로 제거하여 농축조로 보내어 농축시킨 뒤, 농축된 슬러지 및 부유물질에 대하여 각각 개별적으로 이동시켜 탈수 과정을 거친 후에 별도로 처리하는 단계 및 반응조에서 방출된 방출수에 대하여 2차 침전지에서 잔존하는 활성슬러지를 다시 한번 침전시켜 반응조로 피드백하여 반응조에서 재차 생물학적 처리가 이루어지도록 하는 단계를 더 포함하는 것을 과제의 해결 수단으로 한다.Before the influent water flows into the flow control tank, solid waste corresponding to a material having a specific gravity higher than that of water is precipitated in the primary sedimentation tank to form sludge, and suspended substances present in the upper part of the influent together with the sludge are separately removed and sent to the concentration tank. After concentrating, the concentrated sludge and suspended matter are individually moved to the reaction tank after dehydration, and the activated sludge remaining in the secondary sedimentation tank is once again precipitated into the reaction tank for the discharged water discharged from the reaction tank. As a means of solving the problem, it further includes a step of feeding back the biological treatment in the reaction tank.
본 발명에 따른 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템은 유입되는 유입수의 다양한 여러 상태 값으로부터 방출수의 수질이 배출허용기준에 만족하는 한도내에서 반응조의 최적 운전조건을 예측함으로써 하수처리시스템의 에너지 소모를 최소화시켜 시스템 가동에 따른 경제성을 현저하게 높이는 효과를 가진다.The smart sewage treatment system using machine learning based on big data according to the present invention predicts the optimal operating conditions of the reaction tank within the limit that the discharged water quality satisfies the discharge allowance criteria from various state values of the incoming water. By minimizing the energy consumption of the treatment system, it has the effect of remarkably increasing the economic efficiency of the system operation.
또한 본 발명에 따른 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템은 방출수의 수질 오염도를 사전에 예측함으로써 방출수의 오염도가 배출허용기준을 초과하는 일이 발생하지 아니하도록 하여 오폐수 처리의 안전성과 효율성을 높이는 효과를 가진다. In addition, the smart sewage treatment system using machine learning based on big data according to the present invention predicts the water pollution level of the discharged water in advance so that the pollution level of the discharged water does not exceed the discharge allowance standard. It has the effect of increasing safety and efficiency.
한편, 본 발명에 따른 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템은 머신러닝모듈에 의하여 산출되는 반응조의 운전조건 및 방출수의 예상 수질 오염도를 관리자가 실시간으로 용이하게 파악하는 것이 가능하고, 따라서 하수처리시스템의 관리 감독을 수월하게 하는 한편 설비의 운행에 따른 안전사고를 예방하는 효과를 가진다.On the other hand, the smart sewage treatment system using machine learning based on big data according to the present invention enables a manager to easily grasp in real time the operating conditions of the reaction tank calculated by the machine learning module and the expected water quality pollution degree of discharged water. Therefore, it has the effect of preventing safety accidents caused by the operation of facilities while facilitating management and supervision of the sewage treatment system.
도 1은 본 발명에 따른 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템의 일실시예를 나타낸 흐름도이다.
도 2는 본 발명에 따른 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템의 다른 일실시예를 나타낸 흐름도이다.1 is a flowchart showing an embodiment of a smart sewage treatment system using machine learning based on big data according to the present invention.
2 is a flowchart showing another embodiment of a smart sewage treatment system using machine learning based on big data according to the present invention.
본 발명에 따른 이하의 설명은 본 발명의 기능적 설명을 위한 구체적인 실시예를 위한 것에 불과한 것으로서, 본 발명의 권리범위는 이하에서 설명되어 지는 실시예에 한정되어 지는 것은 아니라고 할 것이다. 즉, 구성요소의 단순한 치환이나 구성의 단순한 설계 변경은 얼마든지 가능한 것이므로, 상기와 같은 단순한 구성요소의 치환이나 설계의 변경은 이하에서 본 발명의 실시예로서 구체적으로 언급되어 지지 아니할 지라도 본 발명의 기술적 범위를 벗어나지 아니할 것이다. The following description according to the present invention is only for specific embodiments for functional description of the present invention, and it will be said that the scope of the present invention is not limited to the embodiments described below. That is, since simple substitution of constituent elements or simple design change of configuration is possible, the substitution of simple constituent elements as described above or change of design is not specifically mentioned as an embodiment of the present invention below. It will not go beyond the technical scope.
이하에서는 본 발명의 바람직한 실시예에 대하여 상세하게 설명하도록 한다.Hereinafter, a preferred embodiment of the present invention will be described in detail.
우선 S01단계는 유량조정조에서 반응조로 유입수가 유입되는 시점에서 유입수의 수질에 대한 오염도 데이터를 측정하는 단계이다. 여기에서 오염도 데이터(오염도 값)는 BOD(생물학적 산소 요구량), COD(화학적 산소 요구량), DO(용존 상소량), TOC(Total organic carbon : 총유기 탄소량), TP(Total phosphorus ; 총인량), TN(Total nitrogen : 총질소량), SS(Suspending Solid : 혼합 부유무질), pH값, NH4 농도값 등을 말한다.First, step S01 is a step of measuring the pollution degree data on the water quality of the influent at the point when the influent water flows from the flow control tank to the reaction tank. Here, the pollution degree data (pollution degree value) is BOD (biological oxygen demand), COD (chemical oxygen demand), DO (dissolved phase amount), TOC (Total organic carbon: total organic carbon), TP (Total phosphorus; total phosphorus). , TN (Total nitrogen: total nitrogen content), SS (Suspending Solid: mixed suspended solid), pH value, NH 4 concentration value, etc.
S02단계는 유량조정조에서 반응조로 유입수가 유입되는 시점에서 유입수의 유량 및 온도를 측정하는 단계이다. 유량 및 온도의 측정은 반응조에 설치된 통상적인 센서에 의해서 측정된다.Step S02 is a step of measuring the flow rate and temperature of the influent water at the point when the influent water flows from the flow control tank to the reaction tank. The measurement of flow rate and temperature is measured by a conventional sensor installed in the reaction tank.
유량조정조는 유입된 오폐수의 유량을 조절하는 곳으로, 주거 또는 산업 설비 별로 오수의 배출 시간 또는 배출 양이 상이하므로 반응조로 유입되는 유량 및 수질의 변화량을 최소화, 균등화시켜 하수처리 장치를 안정적으로 유지시키는 기능을 수행한다. 한편, 유량조정조는 유량조정조 내에 배치되어 오수를 교반하는 유량조믹서 및 유량조정조 내의 오수를 반응조로 공급하는 유량조펌프를 포함할 수 있다.The flow control tank is a place to control the flow rate of the inflow wastewater.Since the discharge time or amount of sewage is different for each residential or industrial facility, the amount of change in the flow rate and water quality flowing into the reaction tank is minimized and equalized to keep the sewage treatment system stable. It performs the function to let you know. On the other hand, the flow control tank may include a flow tank mixer disposed in the flow control tank to agitate the waste water and a flow tank pump that supplies the waste water in the flow control tank to the reaction tank.
S03단계는 유입수에 대하여 S02단계에서 측정된 오염도 데이터, 유량 및 온도에 맞추어 빅데이터 기반의 머신러닝모듈을 가동하여 반응조가 최소의 에너지를 소모하도록 운전조건을 산출하는 단계이다. Step S03 is a step of calculating operating conditions so that the reaction tank consumes minimum energy by operating a machine learning module based on big data according to the pollution level data, flow rate and temperature measured in step S02 for the influent water.
반응조는 유량조정조의 공정 다음에 연결되며, 유입된 오폐수를 화학적 및 생물학적으로 정수 처리하고 오폐수 내의 미세 플럭(floc) 및 이물질을 고액 분리하는 곳으로, 유입수를 교반시키기 위한 믹서, 질소를 제거하기 위한 탈질장치 등을 포함할 수 있다. The reaction tank is connected after the process of the flow control tank, and is a place to chemically and biologically purify the introduced wastewater and to solid-liquid fine flocs and foreign substances in the wastewater. It may include a denitration device and the like.
반응조 내부에는 산소를 공급하는 폭기(aeration) 장치가 있다. 폭기장치는 반응조 내부에서 폭기가 충분히 이루어지도록 공기를 기포 상태로 만들어 반응조 내부로 분산시키는 기능을 한다. 반응조는 유입수인 오·폐수와 미리 준비된 활성슬러지(activated sludge; floc의 집합체)를 교반장치를 이용하여 교반하여 생물학적 활성슬러지가 오·폐수에 존재하는 유기물을 분해하도록 작용하여 유기물을 제거하며, 질산화된 활성슬러지를 무산소조건에서 탈질과정(Denitrification)을 유도하여 질소가스를 대기 중에 방출함으로써 탈질화를 수행하는 것은 종래의 기술과 같다.Inside the reactor, there is an aeration device that supplies oxygen. The aeration device functions to create bubbles and disperse the air into the reaction tank so that sufficient aeration is achieved inside the reaction tank. The reaction tank agitates the influent wastewater and activated sludge (aggregate of floc) prepared in advance using a stirring device, so that the biologically activated sludge acts to decompose organic matter present in the wastewater and removes organic matter, and nitrification It is the same as the conventional technology to perform denitrification by inducing the activated sludge under oxygen-free conditions and releasing nitrogen gas into the atmosphere.
머신러닝모듈에 의해 반응조의 운전조건을 예측하는 방법은 유입수의 오염도와 같은 초기 상태값 및 반응조의 각 모드별 가동 시간으로부터 추론하는 것으로서, 일반식은 다음과 같다. The method of predicting the operating conditions of the reaction tank by the machine learning module is to infer from the initial state value such as the pollution level of the influent and the operation time of each mode of the reaction tank, and the general formula is as follows.
Y(소모되는 에너지) = f(X1 , X2 , X3 ……… Xn, Z1, Z2, Z3 ……… Zn)Y(energy consumed) = f(X 1 , X 2 , X 3 ……… X n, Z 1 , Z 2 , Z 3 ……… Z n )
상기 식에서, X1 , X2 , X3 ……… Xn은 유입수의 각종 오염도를 나타내는 초기의 상태값으로서, In the above formula, X 1 , X 2 , X 3 … … … X n is an initial state value representing various levels of contamination of the influent,
BOD(생물학적 산소 요구량), COD(확학적 산소 요구량), DO(용존 상소량), TOC(총유기 탄소량), TP(총인량), TN(총질소량), pH값, NH4 농도값, SS(Suspending Solid : 혼합 부유무질) 등에 해당하는 것이다.BOD (biological oxygen demand), COD (diffuse oxygen demand), DO (dissolved phase), TOC (total organic carbon), TP (total phosphorus), TN (total nitrogen), pH value, NH 4 concentration value, It corresponds to SS (Suspending Solid: mixed suspended solid).
한편, 상기 식에서, Z1, Z2, Z3 ……… Zn은 반응조의 각 공정별 운전시간을 나타내는 것으로서, 구체적으로 설명하면, On the other hand, in the above formula, Z 1 , Z 2 , Z 3 ... … … Z n represents the operating time of each process of the reaction tank, and if specifically described,
혐기모드 시간, 호기모드 시간, 무산소모드 시간, 침전모드 시간, 배출모드 시간, 휴지모드 시간 등에 해당하는 값이다.It is a value corresponding to anaerobic mode time, aerobic mode time, anoxic mode time, precipitation mode time, discharge mode time, rest mode time, etc.
본 발명에 따른 머신러닝모듈은 유입수의 화학적 초기값들과 반응조의 각 모드별 가동시간들을 파라미터로 하여 유입수의 각 상태에 따른 최적의 즉 전력의 소모가 최소화되는 운전 조건을 산출하게 되는 것이다. 이러한 산출이 가능하기 위해서는 머신러닝모듈은 유입수의 개별적인 상태값과 반응조의 각 모드별 운전 시간에 따른 소모 전력에 관한 빅데이터를 분석하게 된다. The machine learning module according to the present invention calculates the optimum operating conditions according to each state of the influent, that is, the power consumption is minimized, by using the initial chemical values of the influent water and the operation times of each mode of the reaction tank as parameters. In order to make this calculation possible, the machine learning module analyzes the individual state values of the influent water and big data on the power consumption according to the operation time of each mode of the reaction tank.
결국 머신러닝모듈은 하수처리시스템에서 그 처리에 관한 수많은 데이터를 바탕으로 하여, 반응조에 유입되는 오폐수의 상태에 따라 하수처리에 최소의 전력이 소모되는 운전조건을 찾게 되는 것이다. Eventually, the machine learning module finds an operating condition that consumes minimum power for sewage treatment according to the state of wastewater flowing into the reaction tank based on numerous data about the treatment in the sewage treatment system.
여기서 운전조건이라는 것에 대하여 예를 들어 구체적으로 설명하면 다음의 표와 같다. Here, the operating conditions are described in detail in the following table.
공정fair
운전 시간(분)Driving time (minutes)
혐기 모드
Anaerobic mode
70
70
호기 모드 1단계
Exhalation Mode Step 1
45
45
무산소 모드 1단계
Step 1 in anaerobic mode
5
5
호기 모드 2단계
Exhalation Mode 2nd Stage
140
140
무산소 모드 2단계
Phase 2 of anoxic mode
2
2
호기 모드 3단계
Exhalation mode 3 steps
20
20
침전 모드
Sedimentation mode
80
80
배출 모드
Ejection mode
30
30
휴지 모드
Dormant mode
8
8
상기 표에서 나타난 일예와 같이 머신러닝모듈은 유입수의 정화를 실행하는 과정에서 반응조의 각 공정별 운전 시간의 최적 시간을 찾아냄으로써 하수처리 시스템의 전력 소모를 최소화하는 것을 가능하게 하는 것이다.As shown in the above table, the machine learning module makes it possible to minimize the power consumption of the sewage treatment system by finding the optimum time for the operation time of each process of the reaction tank in the process of purifying the influent water.
상기와 같이 전력의 소모를 최소화할 수 있는 반응조의 최적의 운전조건이 산출되면, 이후에 머신러닝모듈은 방출수의 예상되는 수질의 오염도 데이터를 예측하는 단계로 넘어가게 된다. When the optimum operating conditions of the reaction tank that can minimize the power consumption are calculated as described above, the machine learning module then proceeds to the step of predicting the pollution degree data of the expected water quality of the discharged water.
S04단계는 상기 S03에서 산출된 반응조의 운전조건 및 유입수의 수질에 대한 오염도 데이터를 종합적으로 분석하여 빅데이터 기반의 머신러닝모듈을 가동하여 반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 예측하는 단계이고, S05단계는 S04단계에서 예측된 방출수의 오염도 데이터가 관리자가 목적하는 오염도에 부합하는지를 제어부가 판단하는 단계이며, S06단계는 예측된 방출수의 오염도 데이터가 목적하는 오염도에 부합하다고 판단되는 경우, 제어부가 반응조를 S03에서 산출된 운전조건에 따라 가동시키는 단계이다. In step S04, the pollution level data on the water quality of the discharged water discharged from the reaction tank is predicted by running a machine learning module based on big data by comprehensively analyzing the pollution level data on the operating conditions of the reaction tank and the quality of the influent water calculated in S03. Step S05 is a step in which the control unit determines whether the pollution degree data of the discharged water predicted in step S04 meets the desired pollution degree of the manager, and in step S06, it is determined that the pollution degree data of the predicted discharged water meets the desired pollution degree. If so, the control unit is a step of operating the reaction tank according to the operating conditions calculated in S03.
이 단계에서 머신러님모듈은 산출된 반응조에서 최적의 운전조건과 유입수의 초기값들로부터, 다음의 수식에 따라 빅데이터에 기반하여 방출수의 오염도 데이터를 예측하게 된다.In this step, the machinist module predicts the pollution degree data of the discharged water based on the big data according to the following equation from the optimum operating conditions and the initial values of the influent in the calculated reaction tank.
Y(방출수의 오염도값) = f(X1 , X2 , X3 ……… Xn, Z1, Z2, Z3 ……… Zn)Y(Contamination level of discharged water) = f(X 1 , X 2 , X 3 ……… X n, Z 1 , Z 2 , Z 3 ……… Z n )
이렇게 하여 예측된 방출수의 오염도 값(오염도 데이터)는 제어부에 의해 배출허용기준(관리자가 목적하는 오염도)에 부합되는지를 판단하게 되고, 배출허용기준에 부합하는 경우 제어부는 반응조를 가동시키게 된다. 여기서 오염도 값(오염도데이터)는 BOD(생물학적 산소 요구량), COD(확학적 산소 요구량), DO(용존 상소량), TOC(총유기 탄소량), TP(총인량), TN(총질소량), SS(Suspending Solid : 혼합 부유무질), pH값, NH4 농도값 등을 의미한다.In this way, the predicted pollution level (pollution level data) of the discharged water is determined by the control unit to determine whether it meets the emission limit standard (the level of pollution that the manager wants), and when it meets the emission limit standard, the control unit operates the reaction tank. Here, the pollution degree value (pollution degree data) is BOD (biological oxygen demand), COD (diffuse oxygen demand), DO (dissolved phase amount), TOC (total organic carbon amount), TP (total phosphorus amount), TN (total nitrogen amount), It means SS (Suspending Solid: mixed suspended solid), pH value, NH 4 concentration value, etc.
제어부는 PLC(Programmable Logic Controller) 형태를 포함하는 능동적인 운영체제를 포함하는 것으로서 다양한 컴퓨터 프로세서를 적용할 수 있으며, 관리자에게 하수처리시스템의 가동 상황을 실시간으로 디스플레이하여 관리자가 전체 시스템의 제어를 용이하게 하며, 이러한 기술은 종래의 기술과 동일하므로 그 설명은 생략하기로 한다.The control unit includes an active operating system in the form of a PLC (Programmable Logic Controller), and can apply various computer processors, and displays the operation status of the sewage treatment system to the administrator in real time, allowing the administrator to easily control the entire system. And, since this technique is the same as the conventional technique, a description thereof will be omitted.
S07단계는 예측된 방출수의 오염도 값(오염도 데이터)가 목적하는 오염도에 부합하다고 판단되지 않는 경우, 제어부의 지시에 따라 상기 머신러닝모듈이 상기 S03단계부터 S04단계를 재차 반복적으로 수행하여 방출수의 오염도 데이터가 목적하는 오염도에 부합되는 경우, 제어부가 반응조를 산출된 운전조건에 따라 가동시키는 단계이다.In step S07, if it is not determined that the predicted pollution degree value (pollution degree data) meets the desired pollution degree, the machine learning module repeatedly performs steps S03 to S04 again according to the instruction of the control unit to discharge water. When the pollution degree data of is consistent with the desired pollution degree, the control unit operates the reaction tank according to the calculated operating conditions.
예측된 방출수의 오염도 데이터가 목적하는 오염도(배출허용기준)에 부합하다고 판단되지 않는 경우, 제어부의 지시에 따라 머신러닝모듈이 S03단계부터 S04단계를 재차 반복적으로 수행하게 된다. S03단계부터 S04단계를 반복적으로 수행하면서 반응조의 운전조건 및 방출수의 수질 오염도를 산출하고 마침내 방출수의 오염도 데이터가 목적하는 오염도에 부합되는 경우, 제어부가 반응조를 산출된 운전조건에 따라 가동시키게 된다. If it is not determined that the predicted pollution degree data of the discharged water meets the desired pollution degree (emission allowance standard), the machine learning module repeatedly performs steps S03 to S04 again according to the instruction of the control unit. By repeatedly performing steps S03 to S04, the operating conditions of the reaction tank and the water pollution level of the discharged water are calculated, and finally, when the pollution degree data of the discharged water meets the desired pollution level, the control unit operates the reaction tank according to the calculated operating conditions. do.
이후 S08단계는 반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 측정하는 단계이다. S08단계에서는 방출수의 오염도 데이터를 실시간으로 실측하여 하수처리시스템의 최종적인 정상가동여부를 확인히는 것이다.Thereafter, step S08 is a step of measuring the pollution degree data of the water quality of the discharged water discharged from the reaction tank. In step S08, the pollutant level data of the discharged water is measured in real time to confirm the final normal operation of the sewage treatment system.
S09단계는 반응조에 오폐수가 우입되면서 점차 오염도가 상승하게 될 것이고, 오염도가 최고치에 이르는 시점에서 유입수의 오염도, 유량 및 온도를 다시 측정하는 단계이다. 반응조에서는 실시간으로 처리중인 유입수의 오염도를 계속 측정하고, 이후에도 유량조정조에서 반응조로 유입수가 계속적으로 유입되고 있는 과정에서 반응조의 수질 오염도가 상승함에 따라 오염도가 최고점에 이르는 시점이 오게 되는데 이 시점에서 다시 한번 유입수의 오염도, 유량 및 온도 등을 측정하는 것이다. 유입수가 계속적으로 반응조에 유입됨에 따라 반응조 내부의 오염도는 계속적으로 증가하게 되는데, 이 경우 유입시점에서 설정된 반응조의 운전조건이 더이상 유효하지 않을 수 있는 것이므로 오염도가 최고치에 이르는 시점에서 다시 한번 유입수의 오염도 상태값을 측정하게 되는 것이다.Step S09 is a step of measuring the pollution level, flow rate, and temperature of the influent water again at the point when the pollution level will gradually increase as the wastewater is poured into the reaction tank. The reaction tank continues to measure the pollution level of the influent water being treated in real time, and after that, as the water pollution level of the reaction tank rises in the process of continuously flowing the influent water from the flow control tank to the reaction tank, the point at which the pollution level reaches the highest point comes again. It is to measure the pollution degree, flow rate and temperature of the influent once. As the influent water continues to flow into the reaction tank, the pollution level inside the reaction tank increases continuously.In this case, the operating conditions of the reaction tank set at the time of inflow may no longer be effective. It is to measure the state value.
S10단계는 유입수에 대하여 상기 S09단계에서 측정된 오염도 데이터, 유량 및 온도에 맞추어 빅데이터 기반의 머신러닝모듈을 가동하여 반응조가 최소의 에너지를 소모하도록 운전조건을 재산출하는 단계이고, S11단계는 상기 S10단계에서 재산출된 반응조의 운전조건과 처리중인 유입수의 수질에 대한 오염도 데이터를 다시 종합적으로 분석하여 빅데이터 기반의 머신러닝모듈을 가동하여 반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 재차 예측하는 단계이다.Step S10 is a step of recalculating operating conditions so that the reaction tank consumes minimum energy by operating a machine learning module based on big data according to the pollution level data, flow rate and temperature measured in step S09 for the influent water, and step S11 The pollution level data on the water quality of the discharged water discharged from the reaction tank is collected by running a machine learning module based on big data by comprehensively analyzing the operation conditions of the reaction tank recalculated in step S10 and the pollution level data on the water quality of the influent water being processed. This is the step of making predictions again.
S10단계 및 S11단계는 본 발명에 따른 머신러닝모듈에 의해서 수행되는 것이며, 수학적 알고리즘은 위에서 설명한 바와 동일하므로 생략하기로 한다.Steps S10 and S11 are performed by the machine learning module according to the present invention, and the mathematical algorithm is the same as described above, and thus will be omitted.
S12단계는 상기 S11단계에서 예측된 방출수의 오염도 데이터가 관리자가 목적하는 오염도에 부합하다고 판단되는 경우, 제어부가 반응조를 S10단계에서 산출된 운전조건에 따라 가동시키는 단계이다.In step S12, when it is determined that the pollution degree data of the discharged water predicted in step S11 meets the pollution degree desired by the manager, the control unit operates the reaction tank according to the operating conditions calculated in step S10.
S13단계는 예측된 유입수의 오염도 데이터가 목적하는 오염도에 부합하다고 판단되지 않는 경우, 제어부의 지시에 따라 상기 머신러닝모듈이 상기 S10단계 및 S11단계를 반복적으로 수행하게 되고 마침내 방출수의 오염도 데이터가 관리자가 목적하는 오염도에 부합되는 경우, 제어부가 반응조를 산출된 운전조건에 따라 가동시키는 단계이다. In step S13, if it is not determined that the predicted pollution degree data of the influent water meets the desired pollution degree, the machine learning module repeatedly performs the steps S10 and S11 according to the instruction of the control unit, and finally, the pollution degree data of the discharged water is This is a step in which the control unit operates the reaction tank according to the calculated operating conditions when it meets the degree of pollution desired by the manager.
S14단계는 반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 측정하는 단계로서, S08단계와 마찬기지로 방출수의 오염도 데이터를 실시간으로 실측하여 하수처리시스템의 최종적인 정상가동여부를 확인히는 것이다.Step S14 is a step of measuring the pollution level data on the quality of the discharged water discharged from the reaction tank. Like step S08, the pollution level data of the discharged water is measured in real time to confirm the final normal operation of the sewage treatment system. will be.
이상에서는 본 발명에 따른 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템에 대하여 일실시예를 들어 상세하게 설명하였으며, 설명이 생략되기는 하였지만 본 발명에 따른 하수처리시스템도 일반적인 하수처리시설이 보유하는 침전지, 농축시설, 탈수시설, 건조시설, pH조절시설 등을 모두 보유할 수 있는 것이고, 이러한 종래기술과 본 발명의 요지가 유기적으로 결합되어 하나의 발명으로 완성되었다고 할 것이다.In the above, the smart sewage treatment system using machine learning based on big data according to the present invention has been described in detail by way of example, and although the explanation is omitted, the sewage treatment system according to the present invention also has a general sewage treatment facility. It will be able to have all of the sedimentation basin, concentration facility, dehydration facility, drying facility, pH control facility, etc., and it will be said that such a conventional technology and the gist of the present invention are organically combined to form one invention.
Claims (3)
유량조정조에서 반응조로 유입수가 유입되는 시점에서 유입수의 유량 및 온도를 측정하는 단계;(S02)
유입수에 대하여 상기 단계에서 측정된 오염도 데이터, 유량 및 온도에 맞추어 빅데이터 기반의 머신러닝모듈을 가동하여 반응조가 최소의 에너지를 소모하도록 운전조건을 산출하는 단계;(S03)
상기 S03에서 산출된 반응조의 운전조건 및 유입수의 수질에 대한 오염도 데이터를 종합적으로 분석하여 빅데이터 기반의 머신러닝모듈을 가동하여 반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 예측하는 단계;(S04)
상기 S04단계에서 예측된 방출수의 오염도 데이터가 관리자가 목적하는 오염도에 부합하는지를 제어부가 판단하는 단계;(S05)
예측된 방출수의 오염도 데이터가 목적하는 오염도에 부합하다고 판단되는 경우, 제업부가 반응조를 S03에서 산출된 운전조건에 따라 가동시키는 단계;(S06)
예측된 방출수의 오염도 데이터가 목적하는 오염도에 부합하다고 판단되지 않는 경우, 제어부의 지시에 따라 상기 머신러닝모듈이 상기 S03단계부터 S05단계를 재차 반복적으로 수행하여 방출수의 오염도 데이터가 목적하는 오염도에 부합되는 경우, 제어부가 반응조를 산출된 운전조건에 따라 가동시키는 단계;(S07) 및
반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 측정하는 단계(S08)를 포함하고,
상기 S03단계는 머신러닝모듈이 유입수의 유입시점에서의 오염도의 상태값에 해당하는 변수 X1 , X2 , X3 ……… Xn로부터,
Y(소모되는 에너지) = f(X1 , X2 , X3 ……… Xn, Z1, Z2, Z3 ……… Zn)이라는 함수식에 따라 Y가 최소가 되는 운전조건 Z1, Z2, Z3 ……… Zn을 결정하는 것을 특징으로 하며,
상기 S04단계는 머신러닝모듈이 S03에서 산출된 반응조의 운전조건 및 유입수의 수질에 대한 오염도 데이터를 종합적으로 분석하여,
Y(방출수의 오염도 값) = f(X1 , X2 , X3 ……… Xn, Z1, Z2, Z3 ……… Zn)이라는 함수식에 따라 방출수의 오염도 값(오염도 데이터)를 예측하는 것을 특징으로 하며,
상기 오염도 값(오염도 데이터)는 BOD, COD, DO, TOC, TP, TN, SS, pH값에 추가적으로 NH4 농도값을 포함하고,
상기 반응조는 상기 머신러닝모듈에서 산출되는 값에 따라 혐기 모드, 호기 모드, 무산소 모드, 침전 모드, 배출 모드, 휴지 모드를 정해진 시간동안 각각 번갈아 가면서 작동하는 한편,
유입수와 활성슬러지를 교반장치를 이용하여 생물학적 활성슬러지가 유입수에 존재하는 유기물을 생물학적 반응에 의해 분해하도록 함으로써 유기물을 제거하는 것을 특징으로 하는 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템.
Measuring pollution degree data on the water quality of the influent water at the point in time when the influent water flows from the flow control tank to the reaction tank; (S01)
Measuring the flow rate and temperature of the influent water at the point when the influent water flows from the flow control tank to the reaction tank; (S02)
Calculating operating conditions so that the reaction tank consumes minimum energy by operating a machine learning module based on big data according to the pollution level data, flow rate and temperature measured in the above step for the influent water; (S03)
Comprehensively analyzing the pollution level data on the operation conditions of the reaction tank and the water quality of the influent water calculated in S03, and operating a machine learning module based on big data to predict the pollution level data on the water quality of the discharged water discharged from the reaction tank; ( S04)
The step of determining, by the control unit, whether the pollution degree data of the discharged water predicted in step S04 meets the pollution degree desired by the manager; (S05)
When it is determined that the pollution degree data of the predicted discharged water meets the desired pollution degree, the manufacturing unit operates the reaction tank according to the operating conditions calculated in S03; (S06)
If it is not determined that the predicted pollution degree data of the discharged water meets the desired pollution degree, the machine learning module repeatedly performs the steps S03 to S05 according to the instruction of the control unit, and the pollution degree data of the discharged water is the desired pollution degree. If it meets the step of operating the reaction tank according to the calculated operating conditions; (S07) and
Including the step (S08) of measuring the pollution degree data for the water quality of the discharged water discharged from the reaction tank,
In the step S03, the machine learning module X 1 , X 2 , X 3 … … … From X n ,
Y (energy consumed) = f(X 1 , X 2 , X 3 ……… X n, Z 1 , Z 2 , Z 3 ……… Z n ) The operating condition where Y is the minimum according to the functional formula Z 1 , Z 2 , Z 3 … … … Characterized in determining Zn,
In the step S04, the machine learning module comprehensively analyzes the pollution level data on the operating conditions of the reaction tank and the quality of the influent water calculated in S03,
Pollution degree value of discharged water according to the function formula Y(pollution degree of discharged water) = f(X 1 , X 2 , X 3 ……… X n, Z 1 , Z 2 , Z 3 ……… Z n) Data), characterized by predicting,
The contamination level value (pollution level data) includes a concentration value of NH 4 in addition to the BOD, COD, DO, TOC, TP, TN, SS, and pH values,
The reactor operates in an anaerobic mode, an aerobic mode, an oxygen-free mode, a precipitation mode, an exhaust mode, and a rest mode for a predetermined period of time according to the value calculated by the machine learning module.
A smart sewage treatment system using machine learning based on big data, characterized in that biologically activated sludge removes organic matter by decomposing organic matter present in the influent water by a biological reaction using a stirring device for influent water and activated sludge.
유량조정조에서 반응조로 유입수가 유입되는 시점에서 유입수의 유량 및 온도를 측정하는 단계;(S02)
유입수에 대하여 상기 단계에서 측정된 오염도 데이터, 유량 및 온도에 맞추어 빅데이터 기반의 머신러닝모듈을 가동하여 반응조가 최소의 에너지를 소모하도록 운전조건을 산출하는 단계;(S03)
상기 S03에서 산출된 반응조의 운전조건 및 유입수의 수질에 대한 오염도 데이터를 종합적으로 분석하여 빅데이터 기반의 머신러닝모듈을 가동하여 반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 예측하는 단계;(S04)
상기 S04단계에서 예측된 방출수의 오염도 데이터가 관리자가 목적하는 오염도에 부합하는지를 제어부가 판단하는 단계;(S05)
예측된 방출수의 오염도 데이터가 목적하는 오염도에 부합하다고 판단되는 경우, 제업부가 반응조를 S03에서 산출된 운전조건에 따라 가동시키는 단계;(S06)
예측된 방출수의 오염도 데이터가 목적하는 오염도에 부합하다고 판단되지 않는 경우, 제어부의 지시에 따라 머신러닝모듈이 상기 S03단계부터 S05단계를 재차 반복적으로 수행하여 유입수의 오염도 데이터가 목적하는 오염도에 부합되는 경우, 제어부가 반응조를 산출된 운전조건에 따라 가동시키는 단계;(S07) 및
반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 측정하는 단계(S08)를 포함하고,
반응조에서는 실시간으로 처리중인 유입수의 오염도를 계속 측정하고, 유량조정조에서 반응조로 유입수가 유입되고 있는 과정에서 반응조의 수질 오염도가 상승함에 따라 오염도가 최고점에 이르는 시점에서 다시 한번 유입수의 유량 및 온도를 측정하는 단계;(S09)
유입수에 대하여 상기 S09단계에서 측정된 오염도 데이터, 유량 및 온도에 맞추어 빅데이터 기반의 머신러닝모듈을 가동하여 반응조가 최소의 에너지를 소모하도록 운전조건을 재산출하는 단계;(S10)
상기 S10단계에서 재산출된 반응조의 운전조건과 처리중인 유입수의 수질에 대한 오염도 데이터를 다시 종합적으로 분석하여 빅데이터 기반의 머신러닝모듈을 가동하여 반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 재차 예측하는 단계;(S11)
상기 S11단계에서 예측된 방출수의 오염도 데이터가 관리자가 목적하는 오염도에 부합하다고 판단되는 경우, 제어부가 반응조를 S10단계에서 산출된 운전조건에 따라 가동시키는 단계;(S12)
예측된 유입수의 오염도 데이터가 목적하는 오염도에 부합하다고 판단되지 않는 경우, 제어부의 지시에 따라 상기 머신러닝모듈이 상기 S10단계 및 S11단계를 반복적으로 수행하여 방출수의 오염도 데이터가 관리자가 목적하는 오염도에 부합되는 경우, 제어부가 반응조를 산출된 운전조건에 따라 가동시키는 단계;(S13) 및
반응조에서 방출되는 방출수의 수질에 대한 오염도 데이터를 측정하는 단계(S14)를 포함하고,
상기 S03단계 및 S10단계는 머신러닝모듈이 유입수의 유입시점에서의 오염도의 상태값에 해당하는 변수 X1 , X2 , X3 ……… Xn로부터,
Y(소모되는 에너지) = f(X1 , X2 , X3 ……… Xn, Z1, Z2, Z3 ……… Zn)이라는 함수식에 따라 Y가 최소가 되는 운전조건 Z1, Z2, Z3 ……… Zn을 결정하는 것을 특징으로 하며,
상기 S04단계 및 S11단계는 머신러닝모듈이 S03에서 산출된 반응조의 운전조건 및 유입수의 수질에 대한 오염도 데이터를 종합적으로 분석하여,
Y(방출수의 오염도 값) = f(X1 , X2 , X3 ……… Xn, Z1, Z2, Z3 ……… Zn)이라는 함수식에 따라 방출수의 오염도 값(오염도 데이터)를 예측하는 것을 특징으로 하며,
상기 오염도 데이터는 BOD, COD, DO, TOC, TP, TN, SS, pH값에 추가적으로 NH4 농도값을 포함하고,
상기 반응조는 상기 머신러닝모듈에서 산출되는 값에 따라 혐기 모드, 호기 모드, 무산소 모드, 침전 모드, 배출 모드, 휴지 모드를 정해진 시간동안 각각 번갈아 가면서 작동하는 한편,
유입수와 활성슬러지를 교반장치를 이용하여 생물학적 활성슬러지가 유입수에 존재하는 유기물을 생물학적 반응에 의해 분해하도록 함으로써 유기물을 제거하는 것을 특징으로 하는 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템.
Measuring pollution degree data on the water quality of the influent water at the point in time when the influent water flows from the flow control tank to the reaction tank; (S01)
Measuring the flow rate and temperature of the influent water at the point when the influent water flows from the flow control tank to the reaction tank; (S02)
Calculating operating conditions so that the reaction tank consumes minimum energy by operating a machine learning module based on big data according to the pollution level data, flow rate and temperature measured in the above step for the influent water; (S03)
Comprehensively analyzing the pollution level data on the operation conditions of the reaction tank and the water quality of the influent water calculated in S03, and operating a machine learning module based on big data to predict the pollution level data on the water quality of the discharged water discharged from the reaction tank; ( S04)
The step of determining, by the control unit, whether the pollution degree data of the discharged water predicted in step S04 meets the pollution degree desired by the manager; (S05)
When it is determined that the pollution degree data of the predicted discharged water meets the desired pollution degree, the manufacturing unit operates the reaction tank according to the operating conditions calculated in S03; (S06)
If it is not determined that the predicted pollution degree data of the discharged water meets the desired pollution degree, the machine learning module repeatedly performs the above steps S03 to S05 according to the instruction of the control unit, so that the pollution degree data of the influent water meets the desired pollution degree. If yes, the step of operating the reaction tank according to the calculated operating conditions by the control unit; (S07) and
Including the step (S08) of measuring the pollution degree data for the water quality of the discharged water discharged from the reaction tank,
The reaction tank continuously measures the pollution level of the influent water being treated in real time, and measures the flow rate and temperature of the influent water once again at the point when the pollution level reaches the highest point as the water quality pollution level in the reaction tank increases while the influent water is flowing from the flow control tank to the reaction tank Step to; (S09)
Recalculating operating conditions so that the reaction tank consumes minimum energy by operating a machine learning module based on big data according to the pollution level data, flow rate and temperature measured in step S09 with respect to the influent water; (S10)
The pollution level data on the water quality of the discharged water discharged from the reaction tank is collected by running a machine learning module based on big data by comprehensively analyzing the operation conditions of the reaction tank recalculated in step S10 and the pollution level data on the water quality of the influent water being processed. Predicting again; (S11)
When it is determined that the pollution degree data of the discharged water predicted in the step S11 meets the pollution degree that the manager wants, the control unit operates the reaction tank according to the operating conditions calculated in the step S10; (S12)
If it is not determined that the predicted pollution degree data of the influent water meets the desired pollution degree, the machine learning module repeatedly performs the S10 and S11 steps according to the instructions of the control unit, so that the pollution degree data of the discharged water is determined by the administrator. If it meets the step of operating the reaction tank according to the calculated operating conditions; (S13) and
Including the step (S14) of measuring the pollution degree data for the water quality of the discharged water discharged from the reaction tank,
In the S03 and S10 steps, the variables X 1 , X 2 , X 3 ... … … From X n ,
Y (energy consumed) = f(X 1 , X 2 , X 3 ……… X n, Z 1 , Z 2 , Z 3 ……… Z n ) The operating condition where Y is the minimum according to the functional formula Z 1 , Z 2 , Z 3 … … … Characterized in determining Zn,
In steps S04 and S11, the machine learning module comprehensively analyzes the pollution level data on the operating conditions of the reaction tank and the quality of the influent water calculated in S03,
Pollution degree value of discharged water according to the function formula Y(pollution degree of discharged water) = f(X 1 , X 2 , X 3 ……… X n, Z 1 , Z 2 , Z 3 ……… Z n) Data), characterized by predicting,
The pollution degree data includes NH 4 concentration values in addition to BOD, COD, DO, TOC, TP, TN, SS, and pH values,
The reactor operates in an anaerobic mode, an aerobic mode, an oxygen-free mode, a precipitation mode, an exhaust mode, and a rest mode for a predetermined period of time according to the value calculated by the machine learning module.
A smart sewage treatment system using machine learning based on big data, characterized in that biologically activated sludge removes organic matter by decomposing organic matter present in the influent water by a biological reaction using a stirring device for influent water and activated sludge.
유량조정조로 유입수가 유입되기 전에 1차 침전조에서 물보다 비중이 무거운 물질에 해당하는 고형 폐기물을 침전시켜 슬러지를 형성시키고, 상기 슬러지와 함께 유입수의 상부에 존재하는 부유물질을 별도로 제거하여 농축조로 보내어 농축시킨 뒤, 농축된 슬러지 및 부유물질에 대하여 각각 개별적으로 이동시켜 탈수 과정을 거친 후에 별도로 처리하는 단계; 및
반응조에서 방출된 방출수에 대하여 2차 침전지에서 잔존하는 활성슬러지를 다시 한번 침전시켜 반응조로 피드백하여 반응조에서 재차 생물학적 처리가 이루어지도록 하는 단계를 더 포함하는 것을 특징으로 하는 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템.
The method according to claim 1 and 2,
Before the influent water flows into the flow control tank, solid waste corresponding to a material having a specific gravity higher than that of water is precipitated in the primary sedimentation tank to form sludge, and suspended substances present in the upper part of the influent together with the sludge are separately removed and sent to the concentration tank. After concentrating, each of the concentrated sludge and suspended solids are individually moved and treated separately after undergoing a dehydration process; And
Machine learning based on big data, characterized in that it further comprises the step of precipitating the activated sludge remaining in the secondary sedimentation basin with respect to the discharged water discharged from the reactor and feeding back to the reactor so that the biological treatment is performed again in the reactor. Smart sewage treatment system used.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190145453A KR20210058231A (en) | 2019-11-13 | 2019-11-13 | Wastewater treatment system using machine running on based bigdata |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190145453A KR20210058231A (en) | 2019-11-13 | 2019-11-13 | Wastewater treatment system using machine running on based bigdata |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20210058231A true KR20210058231A (en) | 2021-05-24 |
Family
ID=76152771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190145453A KR20210058231A (en) | 2019-11-13 | 2019-11-13 | Wastewater treatment system using machine running on based bigdata |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20210058231A (en) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102377605B1 (en) | 2021-12-16 | 2022-03-23 | 주식회사 나웅테크 | Water Treating Instrumentation Control System for Smart City |
| KR20230022043A (en) * | 2021-08-06 | 2023-02-14 | 주식회사 로얄정공 | Method for controlling differential-speed controlling motor in centrifugal dehydrator applying machine learning |
| KR20230086849A (en) | 2021-12-08 | 2023-06-16 | 경희대학교 산학협력단 | Dualobjective optimization for energysaving and fouling mitigation in MBR plants using AIbased influent prediction and an integrated biologicalphysical model |
| KR20230086850A (en) | 2021-12-08 | 2023-06-16 | 경희대학교 산학협력단 | DataDriven Hybrid Model for Forecasting Wastewater Infuent Loads Based on Multimodal and Ensemble Deep Learning |
| KR102563149B1 (en) * | 2022-10-11 | 2023-08-03 | 주식회사 랩큐 | Sewage treatment prediction system using artificial intelligence |
| KR20230134053A (en) | 2022-03-11 | 2023-09-20 | 경희대학교 산학협력단 | Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum |
-
2019
- 2019-11-13 KR KR1020190145453A patent/KR20210058231A/en not_active Application Discontinuation
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20230022043A (en) * | 2021-08-06 | 2023-02-14 | 주식회사 로얄정공 | Method for controlling differential-speed controlling motor in centrifugal dehydrator applying machine learning |
| KR20230086849A (en) | 2021-12-08 | 2023-06-16 | 경희대학교 산학협력단 | Dualobjective optimization for energysaving and fouling mitigation in MBR plants using AIbased influent prediction and an integrated biologicalphysical model |
| KR20230086850A (en) | 2021-12-08 | 2023-06-16 | 경희대학교 산학협력단 | DataDriven Hybrid Model for Forecasting Wastewater Infuent Loads Based on Multimodal and Ensemble Deep Learning |
| KR102377605B1 (en) | 2021-12-16 | 2022-03-23 | 주식회사 나웅테크 | Water Treating Instrumentation Control System for Smart City |
| KR20230134053A (en) | 2022-03-11 | 2023-09-20 | 경희대학교 산학협력단 | Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum |
| KR102563149B1 (en) * | 2022-10-11 | 2023-08-03 | 주식회사 랩큐 | Sewage treatment prediction system using artificial intelligence |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20210058231A (en) | Wastewater treatment system using machine running on based bigdata | |
| KR101904985B1 (en) | A water-purifying treatment device with renewable energy generation plant and using waste glass and artificial filter medium Manufactured by Method | |
| EA000912B1 (en) | Controlling wastewater treatment by monitoring oxygen utilisation rates | |
| CN104944676B (en) | Method for treating coking nanofiltration concentrated water | |
| US6375837B1 (en) | Waste water treatment method being able to treat surface active agent, nitrogen, hydrogen peroxide and phosphor with high efficiency and equipment therefor | |
| JP6404999B2 (en) | Organic wastewater treatment equipment | |
| KR20090030397A (en) | Apparatus for high rate removal of nitrogen and phosphorus from swtp/wwtp | |
| WO2023019702A1 (en) | Method and device for combined treatment of waste water and waste gas | |
| KR100661455B1 (en) | Apparatus for treating waste water and method of using | |
| CN108455730B (en) | Short-cut nitrification and denitrification integrated biological denitrification device | |
| JP2011005354A (en) | Method of operating activated sludge capable of simultaneously treating bod and nitrogen | |
| JP2015097976A (en) | Organic wastewater treatment apparatus, organic wastewater treatment method, and control program for organic wastewater treatment apparatus | |
| JPH07299495A (en) | Nitrification accelerating method for activated sludge circulation modulating method and method for predicting nitrification rate | |
| JP5947067B2 (en) | Wastewater treatment system and method | |
| KR20050034761A (en) | Small-scale sewage disposal facility | |
| JP2004188329A (en) | Livestock waste water treatment system | |
| KR100415831B1 (en) | A oxidation dith drain high treatment apparatus | |
| Mahvi et al. | Feasibility of continuous flow sequencing batch reactor in synthetic wastewater treatment | |
| EP0205496A1 (en) | Nitrification/denitrification of waste material | |
| JPH0724492A (en) | Method for controlling operation of activated sludge circulation change method | |
| KR100810960B1 (en) | Economic nitrogen phosphorous which uses the to conventional activated sludge processand clear | |
| JPH05154496A (en) | Controlling method for operation in anaerobic and aerobic activated sludge treating equipment | |
| JPH07148496A (en) | Method for controlling operation of modified process for circulation of activated sludge | |
| JPH0780494A (en) | Controlling method for operation of activated sludge circulation modification method | |
| RU2636708C1 (en) | Method and plant for biological wastewater treatment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E601 | Decision to refuse application |