KR20230134053A - 막오염 누적합 관리도 기반 mbr 막세정을 위한 조기경보시스템 및 방법 - Google Patents
막오염 누적합 관리도 기반 mbr 막세정을 위한 조기경보시스템 및 방법 Download PDFInfo
- Publication number
- KR20230134053A KR20230134053A KR1020220030739A KR20220030739A KR20230134053A KR 20230134053 A KR20230134053 A KR 20230134053A KR 1020220030739 A KR1020220030739 A KR 1020220030739A KR 20220030739 A KR20220030739 A KR 20220030739A KR 20230134053 A KR20230134053 A KR 20230134053A
- Authority
- KR
- South Korea
- Prior art keywords
- membrane
- fouling
- mbr
- tmp
- early warning
- Prior art date
Links
- 239000012528 membrane Substances 0.000 title claims abstract description 163
- 238000004140 cleaning Methods 0.000 title claims abstract description 89
- 230000007246 mechanism Effects 0.000 claims abstract description 98
- 238000009285 membrane fouling Methods 0.000 claims abstract description 85
- 238000000034 method Methods 0.000 claims abstract description 83
- 230000001186 cumulative effect Effects 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 5
- 238000011109 contamination Methods 0.000 claims description 59
- 230000000903 blocking effect Effects 0.000 claims description 38
- 238000001914 filtration Methods 0.000 claims description 30
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 description 38
- 239000000356 contaminant Substances 0.000 description 19
- 239000000126 substance Substances 0.000 description 19
- 238000013459 approach Methods 0.000 description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 13
- 239000011148 porous material Substances 0.000 description 11
- 239000002351 wastewater Substances 0.000 description 11
- 230000006399 behavior Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 239000010865 sewage Substances 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 7
- 230000004907 flux Effects 0.000 description 7
- 230000001788 irregular Effects 0.000 description 6
- 239000012466 permeate Substances 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000035699 permeability Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000002872 Statistical quality control Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005374 membrane filtration Methods 0.000 description 4
- 239000010802 sludge Substances 0.000 description 4
- 239000002033 PVDF binder Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000000108 ultra-filtration Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004065 wastewater treatment Methods 0.000 description 2
- 238000000767 Anderson–Darling test Methods 0.000 description 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 1
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010612 desalination reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000012510 hollow fiber Substances 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000008384 membrane barrier Effects 0.000 description 1
- 238000001471 micro-filtration Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/10—Testing of membranes or membrane apparatus; Detecting or repairing leaks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/10—Testing of membranes or membrane apparatus; Detecting or repairing leaks
- B01D65/109—Testing of membrane fouling or clogging, e.g. amount or affinity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/02—Membrane cleaning or sterilisation ; Membrane regeneration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D65/00—Accessories or auxiliary operations, in general, for separation processes or apparatus using semi-permeable membranes
- B01D65/08—Prevention of membrane fouling or of concentration polarisation
-
- 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
- C02F3/1268—Membrane bioreactor systems
- C02F3/1273—Submerged membrane bioreactors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D2321/00—Details relating to membrane cleaning, regeneration, sterilization or to the prevention of fouling
- B01D2321/40—Automatic control of cleaning processes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Organic Chemistry (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Biology (AREA)
- Hydrology & Water Resources (AREA)
Abstract
본 발명은 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법에 관한 것으로, 보다 상세하게는 MBR 막세정 조기경보방법으로서, 데이터 기반 인공지능 머신러닝을 통해 실시간 막오염 정도 예측모델을 생성하는 제1단계; 상기 예측모델을 기반으로 막오염 매커니즘을 파악하는 제2단계; 및 상기 막오염 매커니즘을 분석하여 막세정주기를 조기결정하는 제3단계;를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법에 관한 것이다.
Description
본 발명은 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법에 관한 것이다.
물산업에서 MBR(Membrane Bio-reactor)은 높은 처리 효율을 자랑하지만 막분리 공정을 이용하기 때문에 막오염으로 인한 막세정 비용이 부차적으로 발생하여 이에 운전비용이 상대적으로 높아, 최근 수처리 분야에서는 디지털 혁신에 힘입어 Data-driven 기법에 근간하여 멤브레인 유지보수하여 지속가능한 MBR 운전을 달성할 수 있는 기술 개발에 대한 관심이 증가하고 있다. 하지만 데이터의 측정부터 막오염의 진행사항을 시간별로 예측하여 분석하는 것은 어려운 실정이다.
분리 기술인 막 여과는 생명 공학, 제약, 식품 생산, 석유, 담수화 및 수처리 설비 산업과 같은 다양한 영역에서 적용되었다. 폐수 부문의 경우, 막 생물 반응기(MBR)는 하수처리장(WWTP)의 기존 활성 슬러지 장치에 막 여과 모듈을 구현하여 설계되었다. MBR은 높은 폐수 품질, 제거 효율성, 물 재생 및 작은 발자국으로 인해 매력적인 최첨단 폐수 기술이다. 그러나 멤브레인에서 오염 물질을 처리하는 것은 폭기 에너지 및 멤브레인 유지 관리와 같은 MBR 공정의 운영 및 관리(O&M)에서 해결 문제로 일관되게 간주되어 왔다. 지속 가능한 MBR 작동을 달성하기 위해서는 막의 여과 효율을 보존하기 위한 막 오염 제어의 실용적인 전략이 수립되어 한다
화학적 및 물리적 세척은 막 오염을 완화하기 위해 MBR 공정에서 효율적이고 널리 채택된 방법이다. 특히, CIP(cleaning-in-place)는 그 간편성, 효율성 및 비용면에서 일반적으로 선호된다. 그러나 일반적으로 실무자들은 MBR의 통합된 생물학적, 물리적, 화학적 공정으로 인한 복잡한 상호 작용으로 인해 막의 오염 진행 및 슬러지 형성에 대한 충분한 정보 없이 막 세척을 수행했다. 이는 오염 메커니즘에 영향을 미친다. 따라서, 이러한 오래된 오염 제어 기술에는 세 가지 주요 단점이 있습니다. (1) 화학 세척을 자주 수행하여 멤브레인을 분해하고 할로겐화 소독 부산물을 생성하여 수질이 악화된 폐수를 방류하여 인간의 건강을 위협할 수 있다. 대부분의 멤브레인 세척은 (2) 오염 진행의 특정 내부 메커니즘 및 (3) 작동 시간 연장을 위한 적절한 멤브레인 세척과 대상 MBR 플랜트에서 멤브레인의 세척 간격을 실행하기 위한 정확한 시간 식별에 대한 자세한 고려 없이 제조업체가 제공한 일반적인 프로토콜에 따라 기밀로 수행되었다.
따라서 효율적인 멤브레인 세척을 위한 오염 현상과 관련하여 실무자에게 충분하고 포괄적인 정보를 제공할 수 있는 간단한 프로토콜은 지속 가능한 MBR 작동을 달성하기 위한 어려운 문제이다. 일반적으로 기계적 접근은 SMP 및 EPS 농도와 같은 영향 요인으로부터 오염 메커니즘의 물리적 진행을 정교하게 모델링하기 위해 널리 활용된다. 그럼에도 불구하고, 이 접근 방식은 막 오염에 대한 심각한 오염 물질을 측정할 수 없는 대부분의 본격적인 MBR 공장에 적용하기에는 적합하지 않는다. 그런 의미에서 TMP 프로파일 분석을 통한 데이터 기반 접근 방식은 막 청소 및 지속 가능한 MBR 작업을 위한 예측 유지 관리를 위한 효과적인 도구가 될 수 있으며, 이는 진행 상황과 오염 메커니즘을 동시에 식별합니다. 데이터 기반 방법은 산업 프로세스 데이터의 불규칙한 동작을 처리하는 유용한 도구로 승인되었다. 이러한 방법은 여러 산업 영역에서 '디지털 변환'이라는 새로운 기술 전략을 촉진했다. 하수 유틸리티의 디지털 변환 추세는 이미 전 세계 물 문제를 해결하기 위한 혁신적인 솔루션으로 끌렸다. 기계론적 접근 외에도 데이터 기반 접근 방식은 측정된 실험 데이터의 높은 차원성, 비선형성 및 다중 공선성을 처리하여 하수 처리에서 복잡한 물리적, 화학적, 생물학적 현상에 대한 이해를 제공하는 것으로 보고되었다. 여기에서 TMP는 오염 현상의 명확하고 간단한 지표다. 측정된 TMP 데이터 세트의 데이터 기반 분석은 효율적인 예측 유지 관리로 지속 가능한 MBR 운영에 기여했다.
MBR 시스템에서 막 오염을 식별하기 위해 데이터 기반 접근 방식을 활용하는 데 여러 조사가 수행되었다. 대부분의 이전 연구에서 연구원들은 데이터 기반 방법을 활용하여 오염 예측 모델을 개발했다. 이전 연구들은 MBR의 화학적 세척 간격을 관리하기 위한 TMP 예측 모델의 잠재력을 보여주었다. 그러나 장기 TMP를 예측하면 플럭스(J)가 변하더라도 예측된 TMP 값의 오차가 누적되어 실무자 입장에서 MBR 운영을 안내하는 포괄적인 정보를 제공하지 못했다. 또한 많은 연구에서 실증적 오염 메커니즘 모델을 사용하여 MBR 공정에서 생물학적 오염 현상을 이해하는 데 어려움을 겪었다. 막 차단 법칙의 성공적인 적용을 기반으로 Hermia의 오염 모델과 같은 오염 메커니즘 모델은 다양한 흐름 유형에 대한 막 여과를 설명하는 데 잘 사용되었다. 그럼에도 불구하고 이러한 연구는 다양한 막 오염 단계를 포함하여 실제 MBR 공장에서 MBR 작동의 다양한 조건을 고려할 수 없다.
이러한 문제를 해결하기 위해 몇몇 연구들은 오염의 변화를 모니터링하고 MBR 작동에서 비정상적인 이벤트를 진단하기 위해 통계적 품질 관리(SQC) 차트를 활용했다. 대표적으로 Kim et al.은 화학적 세척 간격을 결정하기 위해 RLS(Recursive Least Square) 방법에 기반한 동적 오염 지수를 제안했다. 이 프레임워크는 파일럿 MBR 프로세스에서 오염의 적절한 예측/제어를 위해 동적 조건의 변화를 포착하고 설명할 수 있다. 본 모델은 MBR 본격화 공장에서 검증되지 않았고, 제어 한계에 도달하기 전의 오염 현상 진행 상황 등 오염 관련 정보를 종합적으로 제공하지 못하는 실정이다. 결과적으로, 본격적인 MBR 공장에서 지속 가능한 운영을 달성하기 위해서는 효율적으로 처리하기 위한 오염 메커니즘에 대한 포괄적인 정보와 함께 본격적인 MBR 공장에서 멤브레인 세척 시간 간격을 최적화하는 새로운 전략이 시급히 필요하다.
- 본 발명의 명세서에 정의된 약어 정리-
따라서 본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 실시예에 따르면, MBR(Membrane Bio-reactor) 하수처리장에 유입되는 오염물질에 의한 막오염의 증가를 예측하고 막세정 주기를 조기에 인지하여 하수처리시설이 지속가능한 운전을 할 수 있도록 데이터 기반 머신러닝 및 고등통계기법을 활용한 막 세정 조기경보 프로토콜을 제공하는데 그 목적이 있다.
본 발명의 실시예에 따르면, AI-머신러닝 방법론 중 Kalman filtering, genetic algorithm 등을 활용하여 막오염의 진행사항을 실시간으로 예측하고, 이를 통해 complete blocking, intermediate blocking, cake filtration blocking의 막오염 메커니즘을 이해하여, 막오염의 정도를 정성적으로 파악하여 최종적으로 본 특허에서 개발한 막오염 누적합 관리도(FCUSUM, Fouling cumulative sum) 기반의 조기경보 프로토콜을 제공하는데 그 목적이 있다.
그리고 본 발명의 실시예에 따르면, 세부 기술 원리로는 Kalman filtering을 이용한 실시간 막오염 정도 예측 모델, 실시간 막오염 메커니즘 진단 모델, FCUSUM 기반 막오염 조기 경보 프로토콜으로 나뉘며, 물리적, 화학적, 생물학적으로 복잡한 성상에 의한 막오염의 현상을 data-driven 접근법 기반으로 예측하고 진단할 수 있으며 이에 막오염 세정 주기를 제안함으로써, 기존 운전대비 막사용기간을 45% 증가시킬 수 있는, 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법을 제공하는데 그 목적이 있다.
또한 본 발명의 실시예에 따르면, 머신러닝과, 고등통계기법을 활용하여 다양한 종류의 유입수 오염물질의 농도에 따른 막오염 증대에도 전략 수립이 가능하여 사업화 가능성이 매우 높고, 환경/화학/반도체 폐수/배기 산업체 공정에 확장 가능하며 국내외 화학 및 수처리 기업 등과 사업화가 가능할 수 있는, 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법을 제공하는데 그 목적이 있다.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 제1목적은 MBR 막오염의 진행상황을 예측하는 방법으로서, TMP를 선형화하는 단계; 수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 단계;를 포함하는 것을 특징으로 하는 MBR 막오염 예측방법으로서 달성될 수 있다.
본 발명의 제2목적은 MBR 막세정 조기경보방법으로서, 데이터 기반 인공지능 머신러닝을 통해 실시간 막오염 정도 예측모델을 생성하는 제1단계; 상기 예측모델을 기반으로 막오염 매커니즘을 파악하는 제2단계; 및 상기 막오염 매커니즘을 분석하여 막세정주기를 조기결정하는 제3단계;를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법으로서 달성될 수 있다.
그리고 상기 제1단계는, TMP를 선형화하는 제1-1단계과, 수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 제1-2단계를 포함하는 것을 특징으로 할 수 있다.
또한 상기 제2단계는, Hermia 파울링 매커니즘을 기반으로 완전 차단(complete blocking), 중간 차단(intermediate blocking), 케이크 여과 차단(cake filtration blocking) 모델을 생성하는 제2-1단계와 및 상기 모델을 유전자 알고리즘(genetic algorihm)을 활용해 key parameter를 최적화하여 해당 기간의 TMP 데이터에 피팅시켜 dominant fouling mechanism을 진단하는 제2-1단계를 포함하는 것을 특징으로 할 수 있다.
그리고 상기 제3단계는, 막오염 누접합 관리도(FCUSUM, Fouling cumulative sum)을 이용해 막세정주기를 조기결정하는 것을 특징으로 할 수 있다.
본 발명의 제3목적은 MBR 막세정 조기경보시스템으로서, 데이터 기반 인공지능 머신러닝을 통해 실시간 막오염 정도 예측모델을 생성하는 막오염예측부; 상기 예측모델을 기반으로 막오염 매커니즘을 파악하는 막오염 메커니즘 진단부; 및 상기 막오염 매커니즘을 분석하여 막세정주기를 조기결정하는 막세정주기결정부;를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템으로서 달성될 수 있다.
그리고 상기 막오염예측부는, TMP를 선형화하고, 수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 것을 특징으로 할 수 있다.
또한 상기 막오염 메커니즘 진단부는, Hermia 파울링 매커니즘을 기반으로 완전 차단(complete blocking), 중간 차단(intermediate blocking), 케이크 여과 차단(cake filtration blocking) 모델을 생성하고, 상기 모델을 유전자 알고리즘(genetic algorihm)을 활용해 key parameter를 최적화하여 해당 기간의 TMP 데이터에 피팅시켜 dominant fouling mechanism을 진단하는 것을 특징으로 할 수 있다.
그리고 상기 막세정주기 결정부는, 막오염 누접합 관리도(FCUSUM, Fouling cumulative sum)을 이용해 막세정주기를 조기결정하는 것을 특징으로 할 수 있다.
본 발명의 실시예에 따르면, MBR(Membrane Bio-reactor) 하수처리장에 유입되는 오염물질에 의한 막오염의 증가를 예측하고 막세정 주기를 조기에 인지하여 하수처리시설이 지속가능한 운전을 할 수 있도록 데이터 기반 머신러닝 및 고등통계기법을 활용한 막 세정 조기경보 프로토콜을 제공할 수 있다.
본 발명의 실시예에 따르면, AI-머신러닝 방법론 중 Kalman filtering, genetic algorithm 등을 활용하여 막오염의 진행사항을 실시간으로 예측하고, 이를 통해 complete blocking, intermediate blocking, cake filtration blocking의 막오염 메커니즘을 이해하여, 막오염의 정도를 정성적으로 파악하여 최종적으로 본 특허에서 개발한 막오염 누적합 관리도(FCUSUM, Fouling cumulative sum) 기반의 조기경보 프로토콜을 제공할 수 있다.
그리고 본 발명의 실시예에 따른 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법에 따르면, 세부 기술 원리로는 Kalman filtering을 이용한 실시간 막오염 정도 예측 모델, 실시간 막오염 메커니즘 진단 모델, FCUSUM 기반 막오염 조기 경보 프로토콜으로 나뉘며, 물리적, 화학적, 생물학적으로 복잡한 성상에 의한 막오염의 현상을 data-driven 접근법 기반으로 예측하고 진단할 수 있으며 이에 막오염 세정 주기를 제안함으로써, 기존 운전대비 막사용기간을 45% 증가시킬 수 있는 효과를 갖는다.
또한 본 발명의 실시예에 따른 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템 및 방법에 따르면, 머신러닝과, 고등통계기법을 활용하여 다양한 종류의 유입수 오염물질의 농도에 따른 막오염 증대에도 전략 수립이 가능하여 사업화 가능성이 매우 높고, 환경/화학/반도체 폐수/배기 산업체 공정에 확장 가능하며 국내외 화학 및 수처리 기업 등과 사업화가 가능할 수 있는 장점이 있다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석 되어서는 아니 된다.
도 1은 본 발명의 실시예에 따른 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템의 블록도,
도 2는 풀스케일 MBR 공장에서 멤브레인 세척을 위한 DT-EWP의 제안된 프레임워크,
도 3은 M-시립하수처리장 시스템 구성도,
도 4는 (a) 막 A, (b) 막 B, (c) 막 C 및 (d) 막 D에 대한 측정 및 보정된 TMP 데이터의 시각화,
도 5는 Hermia의 오염 메커니즘에 대한 그래픽 표현: (a) 완전 차단, (b) 중간 차단, (c) 케이크 여과
도 6은 유전 알고리즘(GA)을 사용하여 Hermia의 오염 모델의 매개변수 최적화를 통한 우세한 오염 메커니즘의 재귀 식별,
도 7은 (a) 물리적 현상을 통계 영역으로 변환하기 위해 제안된 FCUSUM 차트(즉, 생물 오손 진행률을 누적 통계로 변환) 및 (b) 풀스케일 MBR 플랜트에서 제안된 멤브레인 세정 경고 규칙의 경고 단계를 나타낸 도면,
도 8은 (a) 막 A, (b) 막 B, (c) 막 C 및 (d) 막 D에 대한 측정 및 보정된 TMP 데이터의 정규 확률 플롯,
도 9는 D3 구간에서 선형화된 오염 물리적 모델의 재귀적 예측: (a) 모델 적합도 값 및 매개변수의 추세, (b) 측정된 TMP 데이터와 예측된 TMP 데이터 간의 비교,
도 10은 D3 구간에서 바이오파울링 예측 모델의 예측 성능: (a) 측정 및 예측된 TMP 데이터, (b) 바이오파울링 예측 모델과 파울링 물리적 모델의 비교,
도 11은 D3 구간에서 지배적인 오염 메커니즘에 대한 온라인 식별 결과: (a) 식별된 지배적인 오염 메커니즘, (b) 측정된 데이터와 모델링된 데이터 간의 오류 비교, (c) 각 오염 모델의 추정된 지배적 지속 시간,
도 12는 제어 한계까지 지배적인 오염 메커니즘의 데이터 기반 온라인 진단, D3 간격의 예측 범위 통합,
도 13은 D3 구간의 FCUSUM 차트를 기반으로 하는 멤브레인 세정 경고 규칙의 조기 경고 결과: (a) TMP 프로필, (b) 1차 경고, (c) 2차 경고, (d) 최종 경고,
도 14는 간격 D3 동안 온라인 경고 시스템의 여러 수준에 대해 사용 가능한 작동 기간 시각화: (a) 1차 경고, (b) 2차 경고, (c) 최종 경고.
도 1은 본 발명의 실시예에 따른 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템의 블록도,
도 2는 풀스케일 MBR 공장에서 멤브레인 세척을 위한 DT-EWP의 제안된 프레임워크,
도 3은 M-시립하수처리장 시스템 구성도,
도 4는 (a) 막 A, (b) 막 B, (c) 막 C 및 (d) 막 D에 대한 측정 및 보정된 TMP 데이터의 시각화,
도 5는 Hermia의 오염 메커니즘에 대한 그래픽 표현: (a) 완전 차단, (b) 중간 차단, (c) 케이크 여과
도 6은 유전 알고리즘(GA)을 사용하여 Hermia의 오염 모델의 매개변수 최적화를 통한 우세한 오염 메커니즘의 재귀 식별,
도 7은 (a) 물리적 현상을 통계 영역으로 변환하기 위해 제안된 FCUSUM 차트(즉, 생물 오손 진행률을 누적 통계로 변환) 및 (b) 풀스케일 MBR 플랜트에서 제안된 멤브레인 세정 경고 규칙의 경고 단계를 나타낸 도면,
도 8은 (a) 막 A, (b) 막 B, (c) 막 C 및 (d) 막 D에 대한 측정 및 보정된 TMP 데이터의 정규 확률 플롯,
도 9는 D3 구간에서 선형화된 오염 물리적 모델의 재귀적 예측: (a) 모델 적합도 값 및 매개변수의 추세, (b) 측정된 TMP 데이터와 예측된 TMP 데이터 간의 비교,
도 10은 D3 구간에서 바이오파울링 예측 모델의 예측 성능: (a) 측정 및 예측된 TMP 데이터, (b) 바이오파울링 예측 모델과 파울링 물리적 모델의 비교,
도 11은 D3 구간에서 지배적인 오염 메커니즘에 대한 온라인 식별 결과: (a) 식별된 지배적인 오염 메커니즘, (b) 측정된 데이터와 모델링된 데이터 간의 오류 비교, (c) 각 오염 모델의 추정된 지배적 지속 시간,
도 12는 제어 한계까지 지배적인 오염 메커니즘의 데이터 기반 온라인 진단, D3 간격의 예측 범위 통합,
도 13은 D3 구간의 FCUSUM 차트를 기반으로 하는 멤브레인 세정 경고 규칙의 조기 경고 결과: (a) TMP 프로필, (b) 1차 경고, (c) 2차 경고, (d) 최종 경고,
도 14는 간격 D3 동안 온라인 경고 시스템의 여러 수준에 대해 사용 가능한 작동 기간 시각화: (a) 1차 경고, (b) 2차 경고, (c) 최종 경고.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 통상의 기술자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한 도면들에 있어서, 구성요소들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.
본 명세서에서 기술하는 실시예들은 본 발명의 이상적인 예시도인 단면도 및/또는 평면도들을 참고하여 설명될 것이다. 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다. 따라서 제조 기술 및/또는 허용 오차 등에 의해 예시도의 형태가 변형될 수 있다. 따라서 본 발명의 실시예들은 도시된 특정 형태로 제한되는 것이 아니라 제조 공정에 따라 생성되는 형태의 변화도 포함하는 것이다. 예를 들면, 직각으로 도시된 영역은 라운드지거나 소정 곡률을 가지는 형태일 수 있다. 따라서 도면에서 예시된 영역들은 속성을 가지며, 도면에서 예시된 영역들의 모양은 소자의 영역의 특정 형태를 예시하기 위한 것이며 발명의 범주를 제한하기 위한 것이 아니다. 본 명세서의 다양한 실시예들에서 제1, 제2 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprises)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
아래의 특정 실시예들을 기술하는데 있어서, 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.
이하에서는 본 발명의 실시예에 따른 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템의 기능, 구성 및 방법에 대해 설명하도록 한다. 도 1은 본 발명의 실시예에 따른 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템의 블록도를 도시한 것이다.
본 발명의 실시예에서는 DT-EWP는 KF(Kalman Filtering), GA(Genetic Algorithm), A/S 등의 데이터 기반 방법론을 활용하여 바이오 파울링 예측 모델, 파울링 메커니즘 식별 모델, 멤브레인 세척 경고 규칙으로 구성된다. 막오염 누적합 관리도(Fuling-cumulative sum(FCUSUM)) 관리 차트는 WWTP 운영자를 위한 생물학적 오염 현상에 관한 정보를 포괄적으로 제공한다. 그런 다음, DT-EWP 모델은 한국의 본격적인 MBR 공장에서 측정된 데이터 세트에 의해 검증되었다.
따라서 본 발명에 따른 주요 기여는 다음과 같다.
1. 본 발명에서는 KF 알고리즘과 오염물리적 모델을 기반으로 바이오파울링 진행에 대한 재귀적 온라인 예측 모델을 설계했다. 제안된 바이오파울링 예측 모델은 측정된 TMP 데이터의 전반적인 경향을 따를 수 있고, TMP 값의 이동을 포함하여 파울링 물리적 모델의 지도하에 시간 기반 파울링 특성을 높은 정확도로 재귀적으로 식별할 수 있다. 그런 다음 수용 가능한 예측 성능은 실무자가 TMP 제어 한계를 초과하기 전에 오염 물질 축적을 사전에 완화하고 막 유지 관리를 위해 MBR을 작동하도록 지원할 수 있다.
2. 본 발명에서는 생물학적 오염 과정에서 온라인 TMP 데이터에 대한 지배적인 오염 메커니즘을 재귀적으로 진단하기 위해 Hermia의 오염 모델과 GA를 통합한 오염 메커니즘 식별 모델을 개발했다. 제안된 식별 모델은 TMP 예측 모델의 결과와 관련된 다양한 주요 오염 메커니즘을 추적할 수 있다. 따라서 데이터 기반 진단은 오염 진행의 불규칙한 동작을 처리하여 MBR 프로세스의 생물 오염 현상에 대한 포괄적인 정보를 제공하는 유용하고 간단한 프레임워크이다.
3. 제안된 FCUSUM 방법을 기반으로 멤브레인 세정(세척) 경고 규칙을 개발하여 각 MBR 작동 시간에 온라인 파울링 진행 상황을 모니터링했다. 개발된 FCUSUM 차트는 통계적 이동으로 해석하여 오염 현상의 TMP 점프를 식별할 수 있고 임계 한계를 초과하는 임계 모멘트를 결정하여 지배적인 오염 메커니즘의 전환을 신속하게 인식할 수 있음을 확인했다. 또한 이 통계적 접근 방식은 청소 시간을 매우 정확하게 계산하여 MBR 실무자에게 남은 작업 시간을 제공한다. 따라서 FCUSUM 기반 DT-EWP는 MBR 플랜트가 예측 유지보수 원칙에 따라 운영될 수 있도록 한다.
4. TMP 예측 모델, 막오염 메커니즘 식별 모델 및 막 세정 경고 규칙으로 구성된 제안된 다중 부분, 데이터 기반 DT-EWP 방법이 운영자가 본격적인 MBR 운영에서 예측 유지 보수를 활용할 수 있음을 보여준다. 따라서 생물 오손 현상에 대한 복잡한 이해 없이 멤브레인 기술을 활용하는 다양한 유형의 산업으로 확장될 수 있다.
도 2는 MBR 플랜트에서 멤브레인 오염에 대한 예측, 진단 및 경보를 생성하기 위해 DT-EWP를 개발하기 위해 제안된 프레임워크를 도시한 것이다. DT-EWP는 4단계로 나눌 수 있다: 1) 바이오파울링 현상과 관련된 데이터 획득, 2) KF 접근법을 이용한 다단계 및 반복적 온라인 예측을 위한 바이오파울링 예측 모델 개발, 3) 파울링의 온라인 식별 Hermia의 오염 모델과 GA를 사용한 메커니즘, 그리고 4) FCUSUM 관리 차트에 기반한 멤브레인 세척 경고 규칙. 제안된 프레임워크를 검증하기 위해 사례 연구로 한국의 본격적인 MBR 공장에 대해 DT-EWP 모델을 구현했다.
본 발명의 실시예는 M-city에 위치한 풀스케일 MBR 플랜트의 시립(M) 폐수 처리(M-WWTP)에서 연구되었다. M-WWTP의 기반 시설은 15.1km의 하수 시스템과 1개의 MBR(Membrane Bioreactor) 플랜트를 포함하여 최대 16,000m3/day의 용량으로 운영되도록 설계되었다. 도 3은 목표 M-WWTP의 위치와 풀스케일 MBR 플랜트의 상세를 보여준다. M-WWTP는 도 3과 같이 무산소 반응기, 호기성 반응기 및 MBR로 구성된 4개의 MBR 공정(즉, MBR 트레인 A~D)의 병렬 통합으로 유입수를 처리하도록 설계되었다. M-WWTP는 각 MBR의 막 반응기에 PVDF(Polyvinylidene fluoride) 침지 중공사막을 사용했다. PVDF 멤브레인의 공칭 기공 크기는 0.22 μm이며 미세여과(microfiltration) 및 ultra-filtration(UF)에 사용되었다. 멤브레인의 사용 가능한 표면적은 1,400m2이고 평균 투과수는 725.40L/m2h kPa이다.
풀스케일 MBR 플랜트는 위생 하수 시스템에서 수집된 도시, 상업 및 농업 폐수를 처리하기 위해 운영된다. M-WWTP로 유입되는 유량은 10,067 m3/일에서 18,477 m3/일 사이이며 평균 15,000 m3/일이다. 또한 평균 화학적 산소 요구량(COD), 부유 물질(SS) 및 총 질소(TN) 농도는 각각 360, 173 및 52 mg/l였다. 환경부(MOE)에서 제정한 방류수 수질기준을 만족시키기 위해 각 MBR 모듈은 혼합액 부유고형물(MLSS) 6,040~10,210mg/L의 농도와 24일의 슬러지 체류시간(SRT)을 유지하면서 운전하고 있다. 유입 유량의 100% 및 470%를 각각 내부 및 슬러지 재활용 비율로 사용한다.
또한 MBR은 18L/m2/hr의 일정한 유량 모드에서 여과 주기를 투과 15분, 역세 0.5분으로 계획하여 오수 축적에도 불구하고 처리된 폐수를 지속적으로 투과시키는 방식으로 작동합니다. 현재 M-WWTP는 평균 제거효율 95.9%를 유지하면서 운영되고 있으며, COD, SS, TN 및 TP의 각각 99.83%, 86.00%, 99.02%이다. M-WWTP 방류수 내 COD, SS, TN, TP의 평균 농도는 14.76 mg/L, 0.3 mg/L, 7.3 mg/L, 0.041 mg/L로 표준기준을 만족하였다.
생물 반응기에서 공기는 혼합액을 순환시키기 위해 거친 기포로 주기적으로 공급되었다. 또한 멤브레인의 생물학적 오염을 최소화하기 위해 물리적 세척 역할을 제공할 수 있다. TMP를 한계치를 초과하도록 증가시켰지만 물리적 세척으로 제거되지 않은 오염물질을 처리하기 위해 화학적 세척, 특히 CIP를 수행하고 있다. 목표 M-WWTP는 화학 세정에 대한 제어 한계 수준을 45kPa로 설정했다. 대상 MBR 플랜트의 설계 및 운영 특성은 표 1에 요약되어 있다.
[표 1] M-WWTP에서 풀스케일 MBR 플랜트의 운영 특성
DT-EWP 1단계: 바이오파울링 관련 데이터 수집
총 MBR 데이터 세트는 TMP, 플럭스 및 온도를 포함하며 2010년 1월 1일부터 2018년 12월 31일까지 MBR 열차의 센서를 통해 온라인 측정으로 수집된 평균 일일 데이터를 포함한다. 도 4는 측정된 지속시간에 대한 각 멤브레인의 25℃(TMPj,corr)에서 보정된 TMP와 TMP를 보여준다. 멤브레인의 투과성은 온도에 따른 물의 점도와 관련이 있다. 멤브레인 오염 정도를 조사하기 위해 온도 보정 계수(TCF)를 도입하여 수학식 1과 2와 같이 25ºC로 보정된 TMP(TMPj,corr)를 계산했다.
[수학식 1]
[수학식 2]
여기서, Tc는 Kelvins로 25℃를 의미하고, 매개변수 a와 b는 각각 247.8과 140이며, 이는 물의 동적 점도의 온도 의존성을 고려하기 위해 도입되었다.
시각화된 결과에서 모든 트레인은 측정된 TMP(즉, 원래 TMP)와 바이오파울링 진행의 서로 다른 프로파일을 나타낸다. 도 4에서 수직 점선은 막 오염을 완화하기 위해 CIP가 수행된 시기를 나타낸다. MBR 트레인 A(Membrane A)에서 멤브레인의 CIP는 12회에 걸쳐 가장 빈번하게 수행되었다. 순차적으로 Membrane C의 화학세정은 5회, CIP는 Membrane B와 D의 경우 4회 실시하였다. 이는 M-city에서 유입되는 분산유입물을 처리하기 위해 동일한 구성의 MBR 트레인을 각각 도입하였음을 의미한다. 그러나 도 3에서 생물학적 오손 현상은 각 막에 대해 개별적으로 축적되지 않는다. 본 발명의 실시예에서는 CIP 기록의 데이터를 기반으로 각 열차의 운행간격을 분할하였고, 각 운행간격의 명칭은 도 4와 같이 표기하였다(예를 들어, 'A1'은 열차용 MBR의 첫 번째 운행간격임).
또한, 도 4는 TMPcorr가 모든 MBR 트레인에서 측정된 TMP와 다른 경향을 보임을 보여준다. 측정된 TMP는 150일 전과 280일 후에 TMPcorr에 비해 급격히 증가한다. 이러한 기간은 MBR 작동에 대한 온도의 영향으로 나타나는 계절의 변화(즉, 겨울에서 여름으로 또는 여름에서 겨울로)에 해당한다. 온도 효과로 인해 유지 온도가 낮을수록 물의 점도가 높아져 TMP가 증가한다. 따라서 TMP는 낮은 온도 기간 동안 증가합니다. TMP 데이터의 이러한 경향은 생물학적 오염 과정에서 비롯된 것이 아니다. 이는 막 내부 또는 위에 오염 물질이 축적되는 자연적인 과정이다. 이는 특히 멤브레인 A의 경우 물 점도를 고려하지 않아 세척이 너무 자주 수행되었음을 의미한다. 결과적으로 TMPcorr 매개 변수를 TMP 데이터에 적용하여 M-WWTP에서 DT-EWP를 개발했다.
DT-EWP 2단계: 바이오파울링 예측 모델 개발
TMP는 일정한 플럭스 작동 하에서 MBR 공정에서 멤브레인의 오염 지수로 간주된다. TMP 값은 전형적인 지수 곡선을 따르는 경향이 있는데, 이는 초기 단계에서는 천천히 증가하다가 오염 물질의 축적에 의해 생성되는 여과가 끝날 때쯤에는 급격히 증가한다. 오염 물질이 케이크 층 형성에 들어갈 때 오염 물질의 침착은 막의 다공성 감소를 유발하고 투과성에 대한 저항은 기하급수적으로 증가한다. 이러한 멤브레인의 오염 과정은 TMP의 급격한 증가로 통합되며, 이를 TMP 점프라고 하며, 이는 MBR 플랜트의 장기 운영에서 널리 관찰된다. Geng et al.는 MBR 공장에서 생물학적 오염 과정에 대한 물리적 모델이 TMP와 여과 시간 사이의 단순한 지수 관계라고 제안했다.
[수학식 3]
여기서 TMP(kPa)는 초기 TMP(즉, 여과 시간은 0(t = 0)임)로 가정하고, 오염 과정 시작을 예상하고 kt는 시간 기반 오염 계수(1/일)로 다음을 나타낸다. 생물 오손 과정의 특성, 오염 물리적 모델의 매개변수는 제어 한계에 도달할 때까지의 여과 런타임 예측과 같은 생물학적 오염 프로세스에 대한 간결한 정보를 제공할 수 있다. 그러나 실제 공장에서 측정된 데이터는 불특정 교란, 인적 오류 및 오염된 센서에 의한 측정 오류로 인해 기하급수적 추세를 적절하게 따르지 않는다.
KF(카만필터링)는 데이터 세트의 무작위 변동 및 불확실성을 처리하는 강력한 기능으로 인해 생물학적 오염 과정을 추적하는 데 채택되었다. KF는 선형 시스템의 내부 상태를 재귀적으로 추정하기 위해 개발되었다. 수학식 3의 오염물리적 모델은 비선형 방정식을 기반으로 하므로 선형화를 수행하여 비선형 오염 모델을 선형 동적 시스템으로 변환하였다. 따라서 바이오파울링 예측 모델은 바이오파울링 현상의 비선형 거동을 설명하기 위해 상태 공간 모델을 기반으로 TMP를 재귀적으로 예측하도록 설계되었다.
[수학식 4]
DT-EWP 3단계: 오염 메커니즘 변형의 온라인 식별
막 모델링에 널리 사용되는 Hermia의 오염 메커니즘 모델은 막 작동 방식의 막 작동 모드를 위해 개발되었다. 이 모델은 다음과 같은 몇 가지 기본 가정을 고려했다. 1) 멤브레인은 평행하고 원통형인 기공과 균일한 직경을 가지며 2) 오염 물질은 균일한 입자이다. Hermia의 막오염 모델은 독특한 막오염 메커니즘에 대한 네 가지 간단한 수학적 표현을 설명했다. 본 발명의 실시예에서 막(멤브레인) 오염은 도 5와 같이 온라인 TMP 데이터에 대한 지배적인 막오염 메커니즘을 재귀적으로 식별하기 위해 Hermia의 오염 모델 중 3개에 의해 모델링되었다.
본 발명의 실시예에서는 3개의 고전적인 오염 모델을 측정 데이터에 재귀적으로 적합시키고 각 오염 모델의 적합 매개변수(즉, hb, hi, hc)를 유전 알고리즘(genetic algorithm)에 의해 측정값과 모델링된 값 사이의 오차를 최소화하도록 튜딩하였다. GA는 전체 매개변수 공간에서 최적의 매개변수를 자동으로 찾는 휴리스틱 최적화 알고리즘이다. 막오염 메커니즘 모델을 최적화하기 위한 목적 함수는 다음과 같이 표현된다.
[수학식 5]
여기서 P는 TMP 값이고 P0은 초기 TMP 값이다. 특히, 생물학적 오염 공정의 온라인 데이터에서 지배적인 오염 메커니즘을 식별하기 위해 최상의 성능을 유지하기 위해 매개변수가 연속적으로 업데이트된다. 특히, 새로운 시간 단계 j + α(즉, )에서 최적화된 모델의 매개변수는 j(Hj)에서 이전 최적화된 모델보다 모델 호환성이 더 좋다. Hermia의 모델과 GA를 사용하여 오염 메커니즘의 재귀적 온라인 식별 절차는 도 6에 나와 있다.
도 5(a)는 완전 기공 차단 메커니즘의 오염 현상을 그래프로 나타낸다. 이것은 MBR 작동 시간(t)에 따라 오염 물질이 막 표면에 부착되어 막의 기공을 막는 막 오염의 초기 단계이다. 압력에 대한 완전 차단 메커니즘(Complete blocking mechanism)은 다음과 같이 표현될 수 있다.
[수학식 6]
여기서, P0는 TMP의 초기값이고, hb는 특정 오염 사례에서 조정될 완전한 차단 메커니즘 모델의 매개변수이다.
도 5(b)에 표시된 중간 차단 매커니즘(Intermediate blocking mechanism)은 완전 차단과 케이크 여과 사이의 중간 메커니즘이다. 이 상태에서 오염물질은 기공을 막고 있는 다른 오염 입자에 부분적으로 축적되는 동시에 막의 기공도 밀봉한다. 생물 오손 현상은 멤브레인의 사용 가능한 영역이 수학식 7에 따라 기하급수적으로 감소함을 나타낸다. 수학식 7에서 J0는 자속의 초기값이고 hi는 중간 차단 모델의 적합 매개변수입니다.
[수학식 7]
최종 오염 메커니즘으로 케이크 여과 차단 메커니즘(Cake filtration blocking mechanism)은 막(멤브레인)표면에 케이크 층 형성에 의해 발생하는 침투에 대한 수력학적 저항을 나타낸다. 케이크 층의 침착에 의해 케이크가 전체 멤브레인 표면적을 덮는 것으로 가정한다. 또한, 제형화된 케이크는 도 5(c)와 같이 멤브레인의 기공에 침착될 수 있다. 입자가 침착됨에 따라 기공이 수축되고 멤브레인의 투과성이 감소한다. 이 모델은 다음과 같이 나타낼 수 있다.
[수학식 8]
여기서, hc는 케이크 여과 차단 메커니즘 모델의 매개변수이다.
DT-EWP 4단계: FCUSUM 기반 막세정 경고 규칙
막 오염 분석에 특화된 단변수 모니터링 기법인 FCUSUM(Fouling-cumulative sum)은 제안된 경고 프로토콜의 마지막 부분으로 막 세정 경고 규칙을 제안하기 위해 개발되었다(도 2 참조). FCUSUM은 오염 예측과 앞서 언급한 주요 메커니즘을 통합하여 오염 현상의 공정 변동성을 모니터링하도록 설계되었다. 이 오염 모니터링 방법은 누적 합계(CUSUM) 차트의 아이디어를 기반으로 개발되었다. CUSUM은 Shewhart 관리도의 확장이며 시간이 지남에 따라 통제 불능(OC)이 될 가능성이 있고 전체 샘플 포인트 시퀀스에서 큰 이동을 생성하는 프로세스의 온라인 모니터링을 위한 효과적인 접근 방식이다. TMP에 나타난 바이오파울링 현상은 불규칙한 거동을 보이면서 지속적으로 증가하다가 막 세정 전 MBR 작동의 제어한계를 최종적으로 초과하기 때문에 바이오파울링 현상의 공정 변동성을 탐지하기 위해 CUSUM 기반의 파울링 관리도를 개발하였다.
FCUSUM은 생물학적 오염 진행의 물리적 변동성을 통계적 의미가 있는 것으로 해석하는 데 중점을 둔다. 도 7(a)는 오염물질 축적으로 인해 증가하는 TMP 진행을 통합한 FCUSUM 제어 차트를 보여준다. 기본적으로 FCUSUM은 수학식 9와 같이 25℃에서 보정된 TMP(TMPj,corr)에 의한 점도 효과를 고려하여 투과수(즉, Kj)를 모니터링 변수로 고려했다.
[수학식 9]
여기서 Kj는 투과수, J는 플럭스, TMPj,corr은 25℃로 보정된 TMP를 나타낸다. 생물 오손 예측 및 오염 메커니즘 식별 모델과 통합할 때 투과 변수는 절대 압력 제어 한계(즉, 45 kPa)이고 수학힉 10에서 투과성 벡터()로 통합된다. 는 지배적인 오염 메커니즘의 변화에 따른 막 오염 진행을 포괄적으로 나타낼 수 있고 FCUSUM은 오염 과정의 변동성을 민감하게 모니터링할 수 있기 때문이다.
[수학식 10]
여기서 는 제어 한계까지의 투과수 값의 벡터를 나타내고, 는 예측된 투과수이며, tb, tI 및 tc는 완전, 중간 및 케이크 여과 차단 메커니즘의 시간 단계를 나타낸다. FCUSUM 통계는 수학식 11과 같이 각 경고 수준에서 시간별로 순차적으로 계산되었다. 여기서 μ0(수학식 12)는 IC(ARL0) 길이 내 'in control'(IC) 영역의 목표값을 의미하며, 완전 및 중간 차단 메커니즘 하에서 오염이 진행되는 것으로 가정한다. 오염 물질은 이러한 메커니즘에서 모공을 완전히 밀봉하지 않기 때문이다. Rv는 누적 편차를 통해 관리도의 민감도를 결정하는 기준 값이다. 이 기준값은 수학식 13에 의해 설정된다.
[수학식 11]
[수학식 12]
[수학식 13]
여기서 는 j에서 경고 수준 l의 FCUSUM 통계를 나타내고, μ0은 '제어 중' 범위의 목표 값, δ는 표준 편차의 평균 변화를 감지하는 것으로 간주되며 σ0은 생물 오손 과정의 표준 편차이다.
제안된 멤브레인 세정 경고 규칙은 도 7(b)에 시각화되어 있다. FCUSUM에 기반한 이 제안된 경고 규칙은 케이크 여과 차단 시작(1차 경고), 40kPa(2차 경고) 및 45kPa(최종 경고)의 다단계 구성으로 규제되었다. 첫 번째 경고 수준(l = 1)은 지배적인 오염 메커니즘이 OC 상태를 나타내는 완전 및 초기 차단에서 케이크 여과 메커니즘으로 변경되었음을 나타낸다. 1차 경고 한계값은 앞서 언급한 예측과 진단 결과에 기초하여 케이크 여과 단계의 초기값으로 할당되었다. 2차 및 최종 경고 수준(l = 2 및 f)에 따르면 45kPa(최종 경고 및 l = f)는 M-WWTP에서 화학 청소를 수행하기 위한 관리 한계이며 40kPa(2차 경고 및 l = 2)는 MBR 운영 및 폐수 품질을 저하시키는 임계 한계를 위반하기 전에 WWTP 실무자들에게 생물학적 오염 진행에 대한 보다 민감한 정보를 제공하기 위해 추가된 사전 통제 한계이다.
막세정 경고 규칙의 다단계 구성을 기반으로 각 경고 수준에 대해 계산된 는 수학식 14와 같이 F+로 구성되어 결정 간격과 신속하게 비교할 수 있다. 여기서 FCUSUM 관리도의 관리한계는 수학식 15)와 같이 Hv로 정의된다. Fj +의 값이 Hv를 초과하면 프로세스가 통제 불능 상태로 간주되며 이는 μ0보다 이동 평균 값 μ1에 더 가깝다. 마지막으로 FCUSUM 차트는 OC 상태를 식별할 수 있고 멤브레인 예방 세척 경고 규칙은 수학식 16 및 17에서와 같이 MBR 실무자를 위한 지침으로 각 경고 한계를 초과하기 전에 남은 시간을 제공할 수 있다. 40kPa 및 45kPa 제한을 위반한 후 케이크 차단이 발생할 수 있으므로 경고 수준의 발생 순서는 상호 호환될 수 있다.
[수학식 14]
[수학식 15]
[수학식 16]
[수학식 17]
여기서 F+는 각 경고 레벨(즉, F1,+ , F2,+ 및 Ff,+)에서 모든 FCUSUM 통계의 벡터를 나타내고, Hv는 결정 간격이고, tt l,r는 각 수준의 경고 한계를 초과하기 전의 잔여 시간, Tt r은 각 경고 한계(즉, Tt 1,r, Tt 2,r 및 Tt f,r )에서의 잔여 시간의 벡터이다.
이하에서는 본 발명의 실시예에 따른 풀스케일 MBR 플랜트에 대한 DT-EWP와 관련된 결과에 대해 설명한다. 풀스케일 MBR 플랜트의 대규모 운전 간격으로 인해 158-191일(즉, 운전 간격 D3)에서 멤브레인 D의 운전 간격이 M-WWTP에 대한 대표적인 사례 연구로 선택되었다.
TMP는 기하급수적 성장을 느슨하게 따르지만 생물학적 오염의 추세와 진행 상황을 나타낼 수 있다. 그러나 이러한 TMP 프로파일은 기존의 통계적 모니터링 접근 방식과 쉽게 통합되지 않는다. 도 8은 각 MBR 트레인에서 측정된 TMP와 TMPcorr의 정규확률도를 나타낸다. 이 그림에서 Membrane A의 TMP는 일반적으로 뚱뚱한 꼬리를 가지면서 정규분포를 따를 수 있다. 이것은 막 A의 생물학적 오염이 기하급수적으로 증가하기 보다는 점진적으로 성장하는 경향이 있음을 의미한다. 그러나 멤브레인 B~D에 대한 다른 TMP 데이터는 TMP 데이터 포인트가 추세선 아래에 높게 분포되어 있는 오른쪽으로 치우친 플롯을 보여주었다. 이는 MBR 트레인 B에서 D가 장기간 낮은 TMP로 정상적으로 작동한 후 급격한 TMP 점프가 빈번하게 발생하여 바이오 파울링 현상이 기하급수적으로 증가했음을 나타낸다.
통계적 모니터링 접근 방식의 구현은 이러한 예측할 수 없는 생물학적 오염 현상을 방지하기 위한 전제 조건이다. 그러나 기존의 통계적 모니터링 방법은 도 8과 같이 TMP가 따르지 않는 가우시안 분포를 기반으로 한다. 이러한 의미에서 SQC 차트에 적합한 변수를 찾기 위해 각 열차의 MBR 데이터셋에 대해 가설검증을 진행하여 DT-EWP로 개발할 예정이다. 두 가지 가설 검정인 Anderson-Darling 및 Kolmogorov-Smirnov 검정이 도입되었으며, 이는 시간 분포를 구별하기 위한 일반적인 비모수 방법론이다. 그런 다음 일정한 플럭스 내에서 TMP를 정규화하여 찾은 변수인 투과수는 95% 신뢰 수준에서 정규 분포를 따르는 것으로 확인되었다. 표 2는 전체 Dataset과 Operation Interval에 대한 MBR 트레인의 투과변수에 대한 가설검증 결과를 보여주고 있다. 두 가지 대표적인 검정의 경우 MBR 열차 투과수의 통계를 정규 분포를 따르는 변수로 받아들일 수 있다. 따라서 투과수는 SQC에 적합한 변수이며 다음 절에서 DT-EWP를 개발하는 데 활용한다.
[표 2] 95% 신뢰 수준에서 가설 검정에 의한 MBR 열차의 투과 변수에 대한 적합도
오염 메커니즘의 비선형 거동을 추적하는 최적화된 오염 물리적 모델을 찾는 것은 제어 한계까지 높은 정확도로 바이오파울링에 대한 재귀 온라인 예측 모델을 개발하는 데 필요하다. 도 9는 D3 동작구간에서 TMP 데이터에 따른 오염물리모델의 예측 성능을 나타낸 것이다. 물리적 모델의 매개변수(예: ln(TMP0) 및 kt)는 도 9(a)와 같이 최소 자승법을 사용하여 32일 동안 즉시 업데이트되었다.
도 10은 오염물리모델의 최적화된 매개변수를 기반으로 제안된 생물오염 예측 모델의 예측 성능을 나타낸다. 제안된 재귀 온라인 예측 모델이 이동하는 TMP 값을 높은 정확도로 예측할 수 있음을 보여준다. 도 10(a)에서 보는 바와 같이 바이오파울링 예측 모델은 측정된 TMP 데이터의 전체적인 경향을 따를 수 있다. 이는 KF 접근법이 오염물리적 모델의 지도 하에 시간 기반 오염 특성을 재귀적으로 식별할 수 있음을 나타낸다. 또한 도 10(b)는 KF 기반 모델의 예측 성능이 물리적 모델보다 평균 11.14% 향상되었음을 보여준다. 또한 구간 D3에서 제안된 모델의 예측 성능은 94.3% 이상의 R2를 달성했다. 실제 MBR 플랜트에서는 예측 모델의 높은 예측 성능으로 모든 MBR 트레인의 정성적 운영을 달성할 수 있다. 이를 위해 KF 기반 생물 오손 예측 모델은 예측 범위(즉, 제어 한계에 도달할 때까지의 시간)를 추정하는 데 있어 허용 가능한 예측 성능을 보여준다.
D3의 경우와 더불어 제안된 예측 모델은 모든 연산 구간에서 우수한 예측 성능을 보였다. 표 3은 MBR 열차의 운행 구간별 생물 오손 예측 모델의 예측 성능을 요약한 것이다. 특히 제안된 예측 모델의 성능은 85.9% 이상의 R2에서 유지되었다. 평균적으로 Membrane D에 채택된 KF 기반 예측 모델은 우수한 모델 성능을 보였다. 또한 생물학적 오염 예측 모델의 예측 성능은 물리적 오염 모델에 비해 최대 17.5% 향상되었다. A2, C3, C4의 경우 개발된 예측모형에 대한 적합도가 80% 이상의 R2를 만족하지 못하므로 데이터셋의 불확실성으로 인해 이러한 연산구간을 DT-EWP에서 제외하였다. 제안된 예측 모델은 재귀적으로 활성화되어 즉시 업데이트된 오염 매개변수로 오염 진행을 예측하고 예측 성능을 견고하게 유지할 수 있다. 따라서 제안된 바이오파울링 예측 모델은 높은 정확도로 DT-EWP 개발을 위한 바이오파울링 진행 상황을 파악하는데 활용될 수 있다.
[표 3] 제안된 바이오파울링 예측 모델의 동작 구간별 예측 성능을 물리적 오염 모델과 비교
생물 오손 예측 모델의 수용 가능한 예측 성능은 실무자가 막 유지 관리를 위해 MBR 공장을 사전에 운영하는 데 지침을 제공할 수 있다. 제안된 예측 모델은 시간 기반 바이오파울링 특성을 재귀적으로 식별할 수 있기 때문에 TMP 점프, 케이크층 형성, 멤브레인의 다공성 감소와 같은 파울링 메커니즘에 의해 TMP 증가를 정확하게 예측할 수 있다. 예측 결과를 바탕으로 실무자는 통제 한계(즉, 45kPa)를 초과하기 전에 예측 지평선의 남은 시간을 추정하고, 오염 물질 축적 및 바이오 파울링 진행 지연을 완화하기 위해 플럭스를 줄이거나 공기 정련을 강화하기 위해 적시에 수행할 수 있다. 따라서 더 높은 예측 성능을 가진 제안된 생물 오손 예측 모델의 활용은 실무자가 멤브레인의 작동 간격을 연장하는 데 도움이 될 수 있다.
데이터 기반 진단은 MBR 프로세스에서 생물 오손 현상에 대한 포괄적인 정보를 제공하는 유용하고 간단한 접근 방식이다. 이로써, 바이오파울링 예측 모델을 사용하여 측정 및 예측된 TMP 데이터를 기반으로 우세한 파울링 메커니즘을 재귀적으로 식별하기 위해 이러한 오염 메커니즘 식별 모델이 구현된다. 도 11은 D3 구간에서 지배적인 파울링 메커니즘을 규명한 결과를 나타낸다. 도 11(a)는 Hermia의 오염 메커니즘 모델을 사용하여 식별된 주요 오염 메커니즘의 결과를 보여준다. 이 그림은 메커니즘 모델이 95% 신뢰 구간으로 멤브레인 D의 생물 오손 현상을 식별할 수 있음을 보여주었다. 이는 오염 모델의 조합이 TMP 변동의 전반적인 거동을 따를 수 있음을 의미하지만 측정 요인이 교란된 TMP 변동은 모델에서 잘 포착되지 않는다. 따라서 Hermia의 오염 모델을 사용하여 제안된 식별 접근 방식은 지배적인 오염 메커니즘을 식별할 수 있다. 이 분석을 통해 지배되는 메커니즘을 재귀적으로 식별하고 생물 오손 진행의 특성을 온라인으로 진단하는 데 활용했다.
오염 과정에서 가장 설명 가능한 모델을 정의하기 위해 각 오염 메커니즘 모델의 매개변수를 GA 알고리즘을 사용하여 TMP 데이터와 모델 간의 차이를 최소화하도록 최적화했다. 도 11(b)는 TMP 데이터와 최적화된 메커니즘 모델 간의 오차 결과를 비교한 것이다. 오차를 비교하여 일정한 구간에서 오차가 최소인 오염모형을 우세한 오염모형으로 결정하였다. 이 결과로부터 도 11(b)와 같이 완전차단, 중간차단, 케이크여과의 순서로 지배적인 파울링 메카니즘이 변화하였다.
우선 D3구간에서 바이오파울링 과정의 초기 단계에서 완전한 차단이 지배적 메커니즘이다. 이 단계에서 TMP 프로파일은 막의 몇몇 기공에 대한 일부 오염물질 차단으로 인해 약간의 증가를 나타낸다. 또한, 파울링이 거의 진행되지 않았기 때문에 TMP의 변동이 이 기간의 주요 특징이다. 그럼에도 불구하고 이 구간에 걸쳐 최적화된 완전 차단 모델은 생물 오손 과정의 특성을 표시할 수 있다. 29일 후, TMP 프로파일은 생물학적 오염 과정이 가속화되어 갑자기 증가함을 나타낸다. 오염 모델의 데이터 기반 분석에서 중간 차단 메커니즘은 두 번째 단계(29-42일)에서 지배적인 현상이며 오염 물질이 멤브레인 기공에 축적되기 시작하면서 막의 가용 면적을 크게 감소시키는 것으로 진단할 수 있다. 따라서 이 단계에서 TMP 점프가 자주 발생하며 이는 지수 모델에 의해 포착된다. 이 현상은 경고 한계(즉, 40kPa)에 도달하기 10일 이상 지속되었다.
두 번째 단계 이후 지배적인 오염 메커니즘은 케이크 여과 차단으로 변경되었다. 이 오염 메커니즘은 45kPa의 제어 한계를 초과할 때 주로 생물학적 오염 과정을 지배했다. 이 기간 동안 케이크 층이 형성되고 TMP가 점차 증가한다. 바이오파울링 현상의 과정에서 케이크층의 증착에 의해 오염물질이 막 표면을 완전히 덮었다. 종합적으로, DT-EWP는 주로 제어 한계 내에서의 오염 진행에 관심이 있으며, 주요 오염 메커니즘은 멤브레인 D에 대한 이 장기간 간격에서 갑작스러운 TMP 점프를 통한 중간 차단이다. 제안된 온라인 접근 방식은 오염 메커니즘의 식별은 생물학적 오염 진행에 관한 운영 지침을 제공할 수 있다.
결정된 오염 메커니즘은 도 11(c)와 같은 시간적 패턴으로 배열될 수 있다. 시간 패턴의 그래픽 시각화에서 볼 수 있듯이 각 MBR 작업에서 예상되는 오염 메커니즘의 변화는 실무자에게 제공될 수 있다. 오염 메커니즘에 대해 제안된 식별 방법은 측정된 TMP 데이터 세트에서 온라인으로 재귀적으로 수행된다. 그런 다음 생물 오손 현상의 변화를 추적하는 데 사용할 수 있다. 도 12는 공정 간격 D3에 적용된 지배적인 오염 메커니즘의 온라인 식별에 대한 결과를 나타낸다. DT-EWP의 생물학적 오염 예측 모델의 신뢰할 수 있는 예측 성능에 따라 예측 범위를 포함하여 지배적인 오염 메커니즘을 진단할 수 있다. 이는 제안된 데이터 기반 진단이 GA에 의해 최적화된 매개변수에서 작동 시간에 걸쳐 가장 적합한 오염 모델을 개발하여 생물 오손 현상의 불규칙한 거동을 처리할 수 있음을 의미한다. 이 분석에서 작업자는 지배적인 오염 메커니즘의 시간적으로 변하는 특징을 얻을 수 있다. 그러면 생물 오손 현상에 대한 지도 기반 계획에 따라 본격적인 MBR 플랜트를 운영할 수 있다. 따라서 데이터 기반 생물 오손 진단은 오염 메커니즘의 특성에 대한 이해와 함께 MBR 플랜트의 지속 가능한 운영을 위한 실무자를 안내하는 데 활용될 수 있다.
도 13은 FCUSUM 차트에 기반한 DT-EWP가 MBR 작업에서 멤브레인 세정 일정에 대한 의사 결정을 향상시키는 방법을 보여준다. 특히, 이 그림은 제안된 멤브레인 세척 경고 규칙의 다중 레벨 구성이 목표 이벤트 며칠 전에 경보를 생성하는 동시에 도 13(a)의 TMP 프로파일에서 볼 수 있는 바와 같이 바이오파울링 현상의 변화 추세를 추적하기 위해 재귀적으로 작동함을 보여준다. Membrane D의 D3 구간의 사례 연구로, 운전 장애(즉, 제어 한계 초과)를 방지하기 위한 다단계 구성의 대상 이벤트는 경고 한계(40kPa), 케이크 여과 개시 및 제어 한계(45kPa)는 각각 39일, 40일 및 45일에 발생한다. 그러면 FCUSUM은 한도 2일, 1일, 4일 전에 각 한도에 대해 경보를 발생시켜 결과적으로 제어 한도 위반을 방지할 수 있는 사전 예방 기회를 제공할 수 있다.
경고 한계의 경우 도 13(b)와 같이 첫 번째 경고는 FCUSUM 통계 Ft +를 누적하여 생물 오손 진행을 추적하며, Ft +는 IC 상태의 평균값과의 편차 정도를 나타낸다. 이 사례 연구에서 IC 상태의 첫 번째 경고는 중간 차단 메커니즘에서 임박한 생물학적 오염 프로세스를 의미하며, 여기서 TMP 프로필은 멤브레인 오염에서 TMP 점프가 특징이다. TMP 점프는 본 발명의 사례 연구의 작업 구간에서 파울링 과정의 주요 특징으로 식별되며, 이는 FCUSUM의 컨트롤 차트 관점에서 통계적 이동으로 해석될 수 있는 TMP의 급격한 증가로 표현된다. 따라서 FCUSUM 방법은 급격한 TMP 점프가 발생하면 이러한 물리적 특성을 통계적 이동으로 변경하여 결정 구간 Hv를 초과하는 임계 순간을 감지한다. 따라서 DT-EWP의 첫 번째 경고는 생물학적 오염 과정이 실제로 경고 한계에 도달하기 이틀 전에 멤브레인의 TMP가 40kPa에 도달하려고 한다고 경고한다.
마찬가지로 DT-EWP는 생물 오손 현상이 케이크 형성으로 전환되는 것을 식별하고 도 13(c)와 같이 2차 경고 시스템을 통해 케이크 여과 시작까지 매우 정확하게 카운트다운한다. 또한 도 13(d)는 DT-EWP의 최종 경고가 관리 한계에 도달하기 4일 전에 관리 한계 경보를 생성하여 MBR 실무자가 막 세정를 사전에 준비할 수 있도록 함을 보여주었다. 이 다단계 경고 규칙은 앞서 언급한 바와 같이 생물 오손 예측 모델의 시작부터 DT-EWP 프로토콜이 시작되었을 때 활성화되었다. 바이오파울링 진행에 대한 재귀적 온라인 예측 결과에 따라 도 14와 같이 막 세정까지의 예상 가동 가능 시간을 온라인으로 추적할 수 있다. 관리 한계 전 시간은 TMP 점프로 인해 임계값 전 5일 전후로 크게 달라지므로 화학 물질 세척을 준비할 시간이 있다. 이러한 분석을 통해 DT-EWP는 생물 오손 현상의 불규칙한 거동에 민감하게 반응한 다음 제어 한계를 초과하기 전에 작업자에게 잔류 시간을 경고하여 예측 유지 보수를 달성할 수 있다. 따라서 제안된 데이터 기반 DT-EWP는 제어 한계를 위반하기 전에 예측 유지 보수를 사용하여 풀스케일 MBR 플랜트를 운영할 수 있게 하여 폐수 품질이 저하된다.
표 4는 DT-EWP를 이용한 예측정비를 기반으로 M-WWTP의 각 MBR 트레인에서 막 운전의 개선점을 요약한 것이다. 이 결과는 M-WWTP의 전체 막 운영 효율이 평균 45.29% 증가할 수 있음을 나타낸다. 멤브레인 A의 작동 임계값은 58.03% 향상될 수 있다. 순차적으로 멤브레인 D, B, C의 가용 기간은 41.04%, 27.98%, 20.42% 향상되었다. 앞서 언급한 바와 같이, Membrane A의 막 세척은 biofouling 축적 현상을 고려하지 않고 가장 높게 수행되었다. 그러나 제안된 DT-EWP는 바이오파울링 현상을 예측, 진단 및 경고할 수 있으며 최종적으로 Membrane A의 작동 수명을 58.03%로 향상시킬 수 있다. 구체적으로 데이터 기반 DT-EWP는 A9의 경우 작동 시간을 -9.68% 단축해야 한다고 안내했다. A9의 TMP는 실제로 최종 경고일 이후에 관리 한계를 위반했다. 따라서 제안된 데이터 기반 오염 현상에 대한 DT-EWP는 막 분리 기술을 활용하는 다른 산업 영역에서 널리 구현될 수 있다. 이 사례 연구는 DT-EWP가 실무자에게 유용한 정보를 제공하는 동시에 MBR 프로세스의 예측 유지 관리를 통해 효율적인 화학 세정을 실행하는 MBR 운영을 지속하는 데 기여할 수 있는 잠재력이 있음을 보여준다.
[표 4] FCUSUM을 기반으로 제안된 막세정 경고 규칙을 사용하여 풀스케일 M-WWTP에서 모든 MBR 트레인의 막 작동 개선
본 발명의 실시예에서는 MBR 시스템의 예측 유지보수를 위해 멤브레인 오염을 예측, 진단 및 모니터링하기 위한 DT-EWP를 다음과 같이 제안하였다. 1) 제안된 DT-EWP를 개발하기 위해 KF 기반 바이오파울링 예측 모델을 활용하여 R2 85.9% 이상의 높은 정확도로 바이오파울링 진행 상황을 재귀적으로 파악하였다. 2) 그런 다음 데이터 기반 지배적 오염 메커니즘 진단과 관련하여 운영자에게 유용한 정보를 제공하기 위해 예측 범위에 따라 주요 오염 메커니즘의 온라인 식별을 수행했다. 3) 바이오파울링 현상에 대한 데이터 기반 예측 분석에서 FCUSUM 차트를 기반으로 하는 멤브레인 세척 경고 규칙은 MBR 작업에서 멤브레인 세척 실무자의 의사 결정을 향상시키기 위해 설계되었다.
본 발명의 사례 연구로 제안된 DT-EWP가 생물 오손 현상의 불규칙한 거동에 민감하게 반응하여 운영자에게 시스템이 제어 한계를 초과하기 전에 접근하고 있다. 특히, DT-EWP는 M-WWTP의 전체 멤브레인 운영을 평균 45.29%까지 개선할 수 있으며 멤브레인 세척의 예측 유지보수를 고려한다. 또한, 향후 작업을 위해 제안된 DT-EWP의 확장은 생물학적 오염 현상에 대한 복잡한 이해 없이도 멤브레인 여과 기술을 활용하는 다양한 산업 분야에서 오염 완화를 달성할 수 있는 유망한 디지털 솔루션이 될 수 있을 것으로 기대된다.
또한, 상기와 같이 설명된 장치 및 방법은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
Claims (10)
- MBR 막오염의 진행상황을 예측하는 방법으로서,
TMP를 선형화하는 단계;
수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 단계;를 포함하는 것을 특징으로 하는 MBR 막오염 예측방법.
- MBR 막세정 조기경보방법으로서,
데이터 기반 인공지능 머신러닝을 통해 실시간 막오염 정도 예측모델을 생성하는 제1단계;
상기 예측모델을 기반으로 막오염 매커니즘을 파악하는 제2단계; 및
상기 막오염 매커니즘을 분석하여 막세정주기를 조기결정하는 제3단계;를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법.
- 제 2항에 있어서,
상기 제1단계는,
TMP를 선형화하는 제1-1단계과, 수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 제1-2단계를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법.
- 제 3항에 있어서,
상기 제2단계는,
Hermia 파울링 매커니즘을 기반으로 완전 차단(complete blocking), 중간 차단(intermediate blocking), 케이크 여과 차단(cake filtration blocking) 모델을 생성하는 제2-1단계와 및 상기 모델을 유전 알고리즘(genetic algorihm)을 활용해 key parameter를 최적화하여 해당 기간의 TMP 데이터에 피팅시켜 dominant fouling mechanism을 진단하는 제2-1단계를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법.
- 제 4항에 있어서,
상기 제3단계는,
막오염 누접합 관리도(FCUSUM, Fouling cumulative sum)을 이용해 막세정주기를 조기결정하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보방법.
- MBR 막세정 조기경보시스템으로서,
데이터 기반 인공지능 머신러닝을 통해 실시간 막오염 정도 예측모델을 생성하는 막오염예측부;
상기 예측모델을 기반으로 막오염 매커니즘을 파악하는 막오염 메커니즘 진단부; 및
상기 막오염 매커니즘을 분석하여 막세정주기를 조기결정하는 막세정주기결정부;를 포함하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템.
- 제 6항에 있어서,
상기 막오염예측부는,
TMP를 선형화하고, 수학적 행렬식으로 변환된 TMP데이터를 칼만 필터를 이용해 실시간 막오염 예측모델을 생성하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템.
- 제 7항에 있어서,
상기 막오염 메커니즘 진단부는,
Hermia 파울링 매커니즘을 기반으로 완전 차단(complete blocking), 중간 차단(intermediate blocking), 케이크 여과 차단(cake filtration blocking) 모델을 생성하고, 상기 모델을 유전 알고리즘(genetic algorihm)을 활용해 key parameter를 최적화하여 해당 기간의 TMP 데이터에 피팅시켜 dominant fouling mechanism을 진단하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템.
- 제 8항에 있어서,
상기 막세정주기 결정부는,
막오염 누접합 관리도(FCUSUM, Fouling cumulative sum)을 이용해 막세정주기를 조기결정하는 것을 특징으로 하는 막오염 누적합 관리도 기반 MBR 막세정을 위한 조기경보시스템.
- 컴퓨터에 의해 판독되어 제2항 내지 제5항 중 어느 한 항에 따른 조기결보방법을 실행시키는 것을 특징ㅈ으로 하는 프로그램.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220030739A KR20230134053A (ko) | 2022-03-11 | 2022-03-11 | 막오염 누적합 관리도 기반 mbr 막세정을 위한 조기경보시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220030739A KR20230134053A (ko) | 2022-03-11 | 2022-03-11 | 막오염 누적합 관리도 기반 mbr 막세정을 위한 조기경보시스템 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230134053A true KR20230134053A (ko) | 2023-09-20 |
Family
ID=88191503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220030739A KR20230134053A (ko) | 2022-03-11 | 2022-03-11 | 막오염 누적합 관리도 기반 mbr 막세정을 위한 조기경보시스템 및 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20230134053A (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117819706A (zh) * | 2024-03-01 | 2024-04-05 | 广东新泰隆环保集团有限公司 | 一种用于农村污水处理的生物转盘污水处理*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090078501A (ko) | 2008-01-15 | 2009-07-20 | 부산대학교 산학협력단 | 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분농도의 예측 방법 및 장치 |
KR20150012649A (ko) | 2013-07-26 | 2015-02-04 | 대림산업 주식회사 | 막여과 공정 운영방법 |
US10442712B2 (en) | 2017-06-23 | 2019-10-15 | Nanjing University, Nanjing University & Yancheng Academy of Environmental Protection Technology and Engineering | Membrane bioreactor for strengthening membrane fouling control and method thereof |
KR20210058231A (ko) | 2019-11-13 | 2021-05-24 | 주식회사 와이뎁 | 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템 |
-
2022
- 2022-03-11 KR KR1020220030739A patent/KR20230134053A/ko not_active Application Discontinuation
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090078501A (ko) | 2008-01-15 | 2009-07-20 | 부산대학교 산학협력단 | 인공 신경망에 의한 하수처리장의 유입 유량 및 유입 성분농도의 예측 방법 및 장치 |
KR20150012649A (ko) | 2013-07-26 | 2015-02-04 | 대림산업 주식회사 | 막여과 공정 운영방법 |
US10442712B2 (en) | 2017-06-23 | 2019-10-15 | Nanjing University, Nanjing University & Yancheng Academy of Environmental Protection Technology and Engineering | Membrane bioreactor for strengthening membrane fouling control and method thereof |
KR20210058231A (ko) | 2019-11-13 | 2021-05-24 | 주식회사 와이뎁 | 빅데이터 기반의 머신러닝을 활용한 스마트 하수처리시스템 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117819706A (zh) * | 2024-03-01 | 2024-04-05 | 广东新泰隆环保集团有限公司 | 一种用于农村污水处理的生物转盘污水处理*** |
CN117819706B (zh) * | 2024-03-01 | 2024-05-24 | 广东新泰隆环保集团有限公司 | 一种用于农村污水处理的生物转盘污水处理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Olsson et al. | Instrumentation, control and automation in wastewater–from London 1973 to Narbonne 2013 | |
Roehl Jr et al. | Modeling fouling in a large RO system with artificial neural networks | |
EP2731917B1 (en) | Method of maintaining water quality in a process stream | |
Ferrero et al. | Automatic control systems for submerged membrane bioreactors: A state-of-the-art review | |
JP4347864B2 (ja) | 水処理施設の管理システム | |
Maere et al. | Membrane bioreactor fouling behaviour assessment through principal component analysis and fuzzy clustering | |
KR101963124B1 (ko) | 도서지에 분산 설치된 소규모 담수화장치의 원격 진단관리 시스템 및 그 방법 | |
KR101995355B1 (ko) | 역삼투 공정의 막 오염 예측방법 | |
Heo et al. | Digitally-transformed early-warning protocol for membrane cleaning based on a fouling-cumulative sum chart: Application to a full-scale MBR plant | |
CN112417765B (zh) | 一种基于改进师生网络模型的污水处理过程故障检测方法 | |
JP4964273B2 (ja) | 水処理施設の管理システム | |
KR20230134053A (ko) | 막오염 누적합 관리도 기반 mbr 막세정을 위한 조기경보시스템 및 방법 | |
KR102311657B1 (ko) | 하폐수 처리 스마트 관리 시스템 | |
JP4718873B2 (ja) | 膜濾過設備の制御装置 | |
JP2019153045A (ja) | データ処理装置及びデータ処理方法 | |
Kaneko et al. | Physical and statistical model for predicting a transmembrane pressure jump for a membrane bioreactor | |
Klanderman et al. | Case studies in real-time fault isolation in a decentralized wastewater treatment facility | |
Sabia et al. | Online monitoring of MBR fouling by transmembrane pressure and permeability over a long-term experiment | |
Aizenchtadt et al. | Quality control of wastewater treatment: a new approach | |
Le | Mass balance-based experimental design and data reconciliation for wastewater treatment processes | |
Newhart et al. | A holistic evaluation of multivariate statistical process monitoring in a biological and membrane treatment system | |
Olsson et al. | Application of information technology to decision support in treatment plant operation | |
Ren et al. | Multivariable identification of membrane fouling based on compacted cascade neural network | |
Rubio et al. | Qualitative trends for situation assessment in sbr wastewater treatment process | |
Haimi | Data-derived soft sensors in biological wastewater treatment-With application of multivariate statistical methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal |