1

제 출 문

환경부장관 귀하

본 보고서를 “국제공동연구를 통한 한국형 인공지능 하수처리공정 모델 기법

개발 및 적용”의 최종보고서로 제출합니다.

2009 년 3 월 31 일

주관연구기관명 : 한국과학기술원

연구책임자 : 신 항 식

연 구 원 : 서 창 원

〃 : 안 용 태

〃 : 남 주 연

〃 : 이 중 원

〃 : 정 성 수

〃 : 황 유 훈

〃 : 조 시 경

〃 : 정 경 원

〃 : 정 엠 마

〃 : Shi Xueqing

2

사업명 차세대 핵심환경기술개발사업 기술분류 원천

연구과제명국제공동연구를 통한

한국형 인공지능 하수처리공정 모델 기법 개발 및 적용

최종성과품하수처리공정을 위한 인공지능 모델 기법 및 프로그램

(인공 신경망 기법, 유전자 프로그램 기법, 뉴로 퍼지 기법)

수행기관

(주관기관)

기관

(기업)명한국과학기술원 설립일 1971년

주소 305-701 대전광역시 유성구 과학로 335 한국과학기술원

대표자

(기관장)서 남 표 연락처 042-350-2114

홈페이지 http://www.kaist.ac.kr 팩스 042-350-2210

연구과제

개요

주관연구책임자 신 항 식 소속부서

건설 및

환경

공학과

전화

E-mail042-350-3613

hangshin@kaist.ac.kr

실무담당자 이 중 원전화

E-mail011-9127-0849

kalsuma1@kaist.ac.kr

참여기업 -

총사업비

(천원)

정부출연금민간부담금

합계현금 현물

165,000 - - 165,000

총연구기간 2007.04.01~ 2009.03.31(2년)

연구개발

결과최종목표

본 연구의 최종목표는 하수처리공정의 효율 향상과 최적 운전 조건

도출, 공정 내 발생 가능한 문제점의 예측 및 진단, 제어를 위한

인공지능 기술이 접목된 하수처리공정을 위한 모델 기법을 개발하

고(본 기법의 구현이 가능한 프로그램을 제작 포함, 한국어 지원)

실험을 통하여 개발된 모델 기법을 적용하는 것이다. 또한 해외 유

수 연구소와 국제공동연구를 통해 인공지능 하수처리공정 모델 기

술을 교류하고, 이 기술을 바탕으로 국내 하수처리 현장에 실제 적

용 가능한 모델 기법을 구축하는 것이다.

보고서 초록

3

개발 내용

및 결과

1. 연구개발의 목적 및 필요성

2006년 말 국내에 500톤/일 이상 하수처리시설은 344개소가 가

동 중에 있으며, 하수도 보급률은 85.5%에 이르고 있다. 또한 고

도처리공정이 증가함에 따라 내부 반송비, 적절한 외부 탄소원의

주입, 혐기/무산소/포기조의 체류 시간 등의 고려해야할 운전 인자

들도 증가하게 되었으며, 수질원격감시체계(TMS)의 도입으로 인해

기존 하수처리장은 항시 안정적인 유출수 수질을 확보해야 한다.

이에 새로운 하수처리공정의 개발이나 건설 보다는 기존 하수처리

장의 효율적인 운영 및 유지 관리가 더욱 필요한 실정이다. 따라서

본 연구에서는 하수처리공정의 효율적인 운영 및 유지 관리를 위해

기존 mechanistic 모델 기법의 현장 적용의 어려움을 느끼고, 이

를 보완하고자 인공지능 모델 기법을 하수처리공정에 도입할 수 있

는 프로토콜을 구축하고자 하였다.

2. 하수처리공정을 위한 인공지능 모델 기법 확립

본 연구팀에서는 하수처리공정을 위해 3 종류의 각기 다른 인공

지능 모델 기법(인공 신경망 기법, 유전자 프로그래밍 기법, 뉴로

퍼지 기법)을 확립하였다. 또한 3 종류의 인공지능 모델 기법을 구

현할 수 있도록 컴퓨터에 대한 깊은 지식이 없어도 누구나 손쉽게

사용할 수 있도록, 한국어 지원이 가능한 프로그램을 개발하였다.

3. 인공지능 모델 기법을 이용한 Fecal Coliform 모델링

본 연구를 통해 구축된 인공지능 모델 기법을 하수처리공정에 적

용 가능성 검토와 동시에 효율적인 적용 방법을 연구하기 위해 실

제 하수처리장 유출수의 Fecal Coliform 농도를 3 종류의 인공지

능 모델 기법 각각을 이용하여 예측하였다. 그 결과, 3 종류의 인

공지능 모델 기법 모두 뛰어난 예측 성능을 보였으며, 3 종류의 인

공지능 모델 기법 모두 비슷한 예측 성능을 나타냈다.

4. 장기간 국내 하수처리장 운전 데이터 모델링

본 연구에서는 인공지능 모델 기법의 국내 하수처리장에 적용하

기 위해, 실제 5 곳 하수처리장(대구 서부 하수처리장, 충남 천안

하수처리장, 대구 북부 하수처리장, 충남 금산 하수처리장, 경북 의

성 하수처리장)의 장기간 운전 데이터를 수집하여 각각의 유출수

성상(BOD, CODmn, SS, TN, TP)을 예측하였다. 그 결과 전체적으

로 정확한 유출수 예측 성능을 보여 본 연구에서 구축한 3 종류의

인공지능 모델 기법 모두 실제 하수처리 현장에 상당히 효율적으로

사용될 수 있을 것으로 사료된다.

4

5. 국내 하수처리장 운전 전문가 경험 수집

본 연구에서는 국내 하수처리장 운전 전문가의 다년간 축적된 경

험 및 지식을 수집하기 위해 자체적으로 제작한 설문 조사를 5 곳

하수처리장의 15명을 대상으로 실시하였다. 그 대표적인 결과로,

모든 하수처리장에서 반류수 및 연계 처리수(분뇨, 정화조 오니,

축산 폐수, 매립장 침출수, 음식물 침출수 등)를 일차 침전조 전단

에 불규칙하게 주입하고 있는 것으로 나타났다. 따라서 본 연구를

통해 구축된 인공지능 모델 기법을 실제 적용할 때에는 반드시 하

수처리장으로 유입되는 유입 원수의 성상 뿐이 아닌 일차 침전조를

지난 후의 성상도 고려해야 할 것이다. 또한 겨울철의 저온이 질산

화의 저하를 심각하게 유발하기 때문에 인공지능 모델 기법을 적용

할 시에 계절별로 각기 다른 모델을 구축한다면 더욱 정확한 예측

성능을 얻을 것으로 사료된다.

6. Pilot-scale A2O 공정 모델링

본 연구에서는 인공지능 모델 기법의 적용성 검토와 보다 효율적

인 적용을 위해 자체적으로 Pilot-scale A2O (600L/일) 공정 실험

을 통해 데이터를 수집하였으며, 이를 이용하여 인공지능 모델 기

법을 적용하였다. 본 연구에서는 현장성을 충분히 살리기 위해 교

내(KAIST)에서 발생하는 실하수를 이용하여 실험을 진행하였고, 반

응조의 크기는 200L(혐기조, 무산소조, 폭기조, 침전조 =

20:40:80:60 L)이다. 또한 운전 조건으로 수리학적 체류시간(HRT)

과 슬러지 체류시간(SRT)는 각각 8시간, 15일, 내부 반송비와 슬

러지 반송비는 각각 유입 유량 대비 150%, 50%로 실험을 진행하

여 데이터를 수집하였다. 이렇게 얻은 데이터를 이용하여 유출수의

CODcr, SS, TN, TP 농도를 본 연구를 통해 개발된 인공지능 기법

으로 성공적으로 예측하였다.

7. 온라인 추정을 위한 베이지안 추정 기법 개발

본 연구 과제의 목표에는 없었지만, 하수처리공정의 온라인 추정

의 필요성을 느끼고 이를 위해 하수처리공정을 위한 베이지안 추정

기법을 개발하였다. 개발된 베이지안 추정 기법의 적용성과 효율성

을 검토하기 위해 Lab-scale SBR 반응조에 본 기법을 적용한 결

과, 실시간으로 추정하기 어려운 구성 성분을 효과적으로 추정하는

데 성공하였다. 이는 하수처리공정에서 현 계측 기술로 실시간 측

정하기 어려운 성분에 대해 실시간으로 추정할 수 있으므로, 하수

처리공정에 본 기법은 매우 효과적으로 사용될 수 있을 것이다.

5

개발기술의

특징․장점

본 연구를 통해 개발된 하수처리공정을 위한 인공지능 모델 기법

및 프로그램을 통해 컴퓨터에 대한 깊은 지식이 없어도 하수처리공

정의 상태를 쉽고 정확하게 예측할 수 있을 것이다.

기대효과

(기술적 및

경제적 효과)

기술적 효과

·하수처리장의 운전 상태 진단 및 자동 제어

·하수처리장 운전 시 발생하는 문제점에 대한 유연한 대처 방안

제시

·하수처리장 운전자의 교육 자료로 활용

·하수처리공정의 최적 운전 조건 제공

·계측하기 어려운 성분의 효율적인 온라인 추정

경제적 효과

·하수처리장 운영비 절약

·본 연구 기법의 해외 수출

적용분야 하수처리장의 효율적인 운영

과학기술적

성과

특허국내

국외

논문

게재

SCI SCI논문 1건 게재, SCI논문 1건 투고

비SCI

기 타공개 세미나 개최 (2008년 12월 23일),

국제학술회의 발표 5건, 국내학술회의 8건

사업화

성과

매출액개발후 현재까지 억원

향후 3년간 매출 억원

시장

규모

현재의 시장규모 국내 : 억원

세계 : 억원

향후(3년) 예상되는 시장규모 국내 : 억원

세계 : 억원

시장

점유율

개발후 현재까지 국내 : %

세계 : %

향후 3년 국내 : %

세계 : %

세계시장

경쟁력

순위

현재 제품 세계시장 경쟁력 순위 위 ( %)

3년 후 제품 세계시장 경쟁력 순위 위 ( %)

6

C O N T E N T S

Chapter 1 Introduction ·················································································23

1. Importance and requirement of the research ·························································23

1. (1) Situation and problems of domestic WWTPs ········································23

1. (2) Requirement of automatic control for domestic WWTPs ···················26

1. (3) Background and situations of automatic control's research ··············27

1. (4) Requirement of WWTP's model ·································································32

1. (5) Artificial intelligence techniques of the research ·································33

1. (6) Previous research ···························································································39

1. (7) Importance of the research ·········································································40

2. Research trend ·······················································································································41

2. (1) Worldwide research trend ············································································41

2. (2) Domestic research trend ··············································································41

2. (3) Research situation ··························································································42

3. Differences from the other researches ······································································43

Chapter 2 Research objectives and contents ·······································45

1. Ultimate objects ····················································································································45

1. (1) Ultimate objectives ·························································································45

1. (2) Research characteristics ···············································································46

2. Research objectives and evaluation methods ··························································46

3. Propulsion system ················································································································46

3. (1) Propulsion strategies of this research ·····················································46

3. (2) Propulsion strategies with respect to year ············································47

7

Chapter 3 Results and future plans on use of the results ··············49

1. Results and discussion ·······································································································49

1. (1) Development of 3 programs for artificial intelligence techniques ···49

1. (2) Fecal Coliform modelling using artificial intelligence techniques ····54

1. (3) Development of Bayesian state estimation for WWTPs ····················59

1. (4) Domestic WWTPs modelling using artificial intelligence techniques67

1. (5) Expertise collection from WWTP's operators ·······································89

1. (6) Pilot-scale A2O process modelling ··························································91

2. Summary of the research results ·················································································96

3. Achievement of the research ··························································································97

4. Research productions (e.g. papers and patents) ···················································99

5. Contribution to related fields ························································································101

6. Future plans on practical use of the results ························································101

7. Open seminar ·······················································································································102

Chapter 4 References ················································································105

Appendix ········································································································109

8

List of tables

Table. 1 Difficulties of full-scale WWTP's operators in domestic WWTPs ·····24

Table. 2 Order of information sources used in full-scale WWTPs ···················25

Table. 3 Characteristics of WWTP's models ······························································32

Table. 4 Comparison of prediction performances ·····················································37

Table. 5 Conditional probability table for BOD ··························································38

Table. 6 Parameters and functions used in genetic programming ······················52

Table. 7 Statistical values of parameters ····································································55

Table. 8 Parameters used in Bayesian online estimation ·······································63

Table. 9 Results of Bayesian online estimation ······························································65

Table. 10 Target WWTPs ··········································································································67

Table. 11 Operating data in Daegu, Seoboo WWTP ···················································68

Table. 12 Prediction result of BOD (Daegu, Seoboo) ··················································69

Table. 13 Prediction result of COD (Daegu, Seoboo) ··················································70

Table. 14 Prediction result of SS (Daegu, Seoboo) ·····················································71

Table. 15 Prediction result of TN (Daegu, Seoboo) ····················································71

Table. 16 Prediction result of TP (Daegu, Seoboo) ·····················································72

Table. 17 Prediction result of BOD (Choongnam, Cheonan) ·····································73

Table. 18 Prediction result of COD (Choongnam, Cheonan) ·····································74

Table. 19 Prediction result of SS (Choongnam, Cheonan) ········································75

Table. 20 Prediction result of TN (Choongnam, Cheonan) ·······································75

Table. 21 Prediction result of TP (Choongnam, Cheonan) ········································76

Table. 22 Prediction result of BOD (Daegu, Bookboo) ···············································77

Table. 23 Prediction result of COD (Daegu, Bookboo) ···············································78

Table. 24 Prediction result of SS (Daegu, Bookboo) ···················································79

Table. 25 Prediction result of TN (Daegu, Bookboo) ··················································79

Table. 26 Prediction result of TP (Daegu, Bookboo) ··················································80

Table. 27 Prediction result of BOD (Choongnam, Keumsan) ···································81

Table. 28 Prediction result of COD (Choongnam, Keumsan) ···································82

Table. 29 Prediction result of TN (Choongnam, Keumsan) ······································83

Table. 30 Prediction result of TP (Choongnam, Keumsan) ······································83

9

Table. 31 Prediction result of TP (Choongnam, Keumsan) ······································84

Table. 32 Prediction result of BOD (Kyungbook, Euisung) ······································85

Table. 33 Prediction result of COD (Kyungbook, Euisung) ······································86

Table. 34 Prediction result of SS (Kyungbook, Euisung) ··········································87

Table. 35 Prediction result of TN (Kyungbook, Euisung) ·········································87

Table. 36 Prediction result of TP (Kyungbook, Euisung) ·········································88

Table. 37 Questionnaire contents ·························································································89

Table. 38 Prediction result of COD (A2O) ·······································································93

Table. 39 Prediction result of SS (A2O) ···········································································93

Table. 40 Prediction result of TN (A2O) ··········································································94

Table. 41 Prediction result of TP (A2O) ··········································································95

10

List of figures

Fig. 1 Ratio of each reactor's problem ················································································23

Fig. 2 Requirement and effectiveness of automatic control ······································26

Fig. 3 Concepts of neural network model ··········································································33

Fig. 4 General structure of neural network model ························································33

Fig. 5 Structure of neural network model ·········································································34

Fig. 6 SS in the effluent prediction result by neural network ································34

Fig. 7 COD in the effluent prediction result by neural network ·····························34

Fig. 8 Principle of crossover ····································································································35

Fig. 9 Principle of mutation ·······································································································35

Fig. 10 SS in the effluent prediction result by genetic programming ··················36

Fig. 11 MLSS prediction result by genetic programming ···········································36

Fig. 12 Bayesian network graph for WWTP ·····································································38

Fig. 13 Application of artificial intelligence to WWTP ················································49

Fig. 14 Developed program for neural network ······························································50

Fig. 15 Developed program for genetic programming ··················································51

Fig. 16 Developed program for neuro fuzzy ·····································································53

Fig. 17 FCout prediction result by static neural network ··········································56

Fig. 18 FCout prediction result by dynamic neural network ······································56

Fig. 19 FCout prediction result by static genetic programming ································57

Fig. 20 FCout prediction result by dynamic genetic programming ··························57

Fig. 21 FCout prediction result by static neuro fuzzy ···················································58

Fig. 22 FCout prediction result by dynamic neuro fuzzy ·············································58

Fig. 23 Posterior probability of unknown θB,H ································································65

Fig. 24 Averaged value of unknown θB,H ··········································································65

Fig. 25 Posterior probability of unknown θB,A ································································66

Fig. 26 Averaged value of unknown θB,A ··········································································66

Fig. 27 Predicted and observed DO ······················································································66

Fig. 28 Predicted and observed BOD ···················································································66

Fig. 29 Predicted and observed NH4+ ··················································································66

Fig. 30 Predicted and observed DO ······················································································66

11

Fig. 31 BOD prediction result by neural network (Daegu, Seoboo) ·····················69

Fig. 32 BOD prediction result by genetic programming (Daegu, Seoboo) ·········69

Fig. 33 BOD prediction result by neuro fuzzy (Daegu, Seoboo) ····························69

Fig. 34 COD prediction result by neural network (Daegu, Seoboo) ·····················70

Fig. 35 COD prediction result by genetic programming (Daegu, Seoboo) ·········70

Fig. 36 COD prediction result by neuro fuzzy (Daegu, Seoboo) ····························70

Fig. 37 SS prediction result by neural network (Daegu, Seoboo) ························70

Fig. 38 SS prediction result by genetic programming (Daegu, Seoboo) ············70

Fig. 39 SS prediction result by neuro fuzzy (Daegu, Seoboo) ·······························70

Fig. 40 TN prediction result by neural network (Daegu, Seoboo) ·······················71

Fig. 41 TN prediction result by genetic programming (Daegu, Seoboo) ···········71

Fig. 42 TN prediction result by neuro fuzzy (Daegu, Seoboo) ······························71

Fig. 43 TP prediction result by neural network (Daegu, Seoboo) ························72

Fig. 44 TP prediction result by genetic programming (Daegu, Seoboo) ············72

Fig. 45 TP prediction result by neuro fuzzy (Daegu, Seoboo) ·······························72

Fig. 46 BOD prediction result by neural network (Choongnam, Cheonan) ········73

Fig. 47 BOD prediction result by GP (Choongnam, Cheonan) ······························73

Fig. 48 BOD prediction result by neuro fuzzy (Choongnam, Cheonan) ···············73

Fig. 49 COD prediction result by neural network (Choongnam, Cheonan) ········74

Fig. 50 COD prediction result by GP (Choongnam, Cheonan) ······························74

Fig. 51 COD prediction result by neuro fuzzy (Choongnam, Cheonan) ···············74

Fig. 52 SS prediction result by neural network (Choongnam, Cheonan) ···········74

Fig. 53 SS prediction result by genetic programming (Choongnam, Cheonan) 74

Fig. 54 SS prediction result by neuro fuzzy (Choongnam, Cheonan) ··················74

Fig. 55 TN prediction result by neural network (Choongnam, Cheonan) ··········75

Fig. 56 TN prediction result by genetic programming (Choongnam, Cheonan)75

Fig. 57 TN prediction result by neuro fuzzy (Choongnam, Cheonan) ·················75

Fig. 58 TP prediction result by neural network (Choongnam, Cheonan) ···········76

Fig. 59 TP prediction result by genetic programming (Choongnam, Cheonan) 76

Fig. 60 TP prediction result by neuro fuzzy (Choongnam, Cheonan) ··················76

Fig. 61 BOD prediction result by neural network (Daegu, Bookboo) ··················77

Fig. 62 BOD prediction result by genetic programming (Daegu, Bookboo) ······77

Fig. 63 BOD prediction result by neuro fuzzy (Daegu, Bookboo) ·························77

Fig. 64 COD prediction result by neural network (Daegu, Bookboo) ··················78

12

Fig. 65 COD prediction result by genetic programming (Daegu, Bookboo) ······78

Fig. 66 COD prediction result by neuro fuzzy (Daegu, Bookboo) ·························78

Fig. 67 SS prediction result by neural network (Daegu, Bookboo) ······················78

Fig. 68 SS prediction result by genetic programming (Daegu, Bookboo) ··········78

Fig. 69 SS prediction result by neuro fuzzy (Daegu, Bookboo) ·····························78

Fig. 70 TN prediction result by neural network (Daegu, Bookboo) ·····················79

Fig. 71 TN prediction result by genetic programming (Daegu, Bookboo) ·········79

Fig. 72 TN prediction result by neuro fuzzy (Daegu, Bookboo) ····························79

Fig. 73 TP prediction result by neural network (Daegu, Bookboo) ·····················80

Fig. 74 TP prediction result by genetic programming (Daegu, Bookboo) ·········80

Fig. 75 TP prediction result by neuro fuzzy (Daegu, Bookboo) ····························80

Fig. 76 BOD prediction result by neural network (Choongnam, Keumsan) ······81

Fig. 77 BOD prediction result by GP (Choongnam, Keumsan) ································81

Fig. 78 BOD prediction result by neuro fuzzy (Choongnam, Keumsan) ·············81

Fig. 79 COD prediction result by neural network (Choongnam, Keumsan) ······82

Fig. 80 COD prediction result by GP (Choongnam, Keumsan) ································82

Fig. 81 COD prediction result by neuro fuzzy (Choongnam, Keumsan) ·············82

Fig. 82 SS prediction result by neural network (Choongnam, Keumsan) ··········82

Fig. 83 SS prediction result by genetic programming (Choongnam, Keumsan)82

Fig. 84 SS prediction result by neuro fuzzy (Choongnam, Keumsan) ·················82

Fig. 85 TN prediction result by neural network (Choongnam, Keumsan) ·········83

Fig. 86 TN prediction result by GP (Choongnam, Keumsan) ··································83

Fig. 87 TN prediction result by neuro fuzzy (Choongnam, Keumsan) ················83

Fig. 88 TP prediction result by neural network (Choongnam, Keumsan) ·········84

Fig. 89 TP prediction result by GP (Choongnam, Keumsan) ···································84

Fig. 90 TP prediction result by neuro fuzzy (Choongnam, Keumsan) ················84

Fig. 91 BOD prediction result by neural network (Kyungbook, Euisung) ·········85

Fig. 92 BOD prediction result by GP (Kyungbook, Euisung) ···································85

Fig. 93 BOD prediction result by neuro fuzzy (Kyungbook, Euisung) ················85

Fig. 94 COD prediction result by neural network (Kyungbook, Euisung) ·········86

Fig. 95 COD prediction result by GP (Kyungbook, Euisung) ···································86

Fig. 96 COD prediction result by neuro fuzzy (Kyungbook, Euisung) ················86

Fig. 97 SS prediction result by neural network (Kyungbook, Euisung) ·············86

Fig. 98 SS prediction result by genetic programming (Kyungbook, Euisung) ·86

13

Fig. 99 SS prediction result by neuro fuzzy (Kyungbook, Euisung) ····················86

Fig. 100 TN prediction result by neural network (Kyungbook, Euisung) ·········87

Fig. 101 TN prediction result by GP (Kyungbook, Euisung) ···································87

Fig. 102 TN prediction result by neuro fuzzy (Kyungbook, Euisung) ················87

Fig. 103 TP prediction result by neural network (Kyungbook, Euisung) ··········88

Fig. 104 TP prediction result by genetic programming (Kyungbook, Euisung)88

Fig. 105 TP prediction result by neuro fuzzy (Kyungbook, Euisung) ·················88

Fig. 106 View of experimental room after a fire ··························································91

Fig. 107 New experimental room ···························································································92

Fig. 108 A2O reactor (600L/d) ······························································································92

Fig. 109 COD prediction result by neural network (A2O) ········································92

Fig. 110 COD prediction result by genetic programming (A2O) ····························92

Fig. 111 COD prediction result by neuro fuzzy (A2O) ···············································92

Fig. 112 SS prediction result by neural network (A2O) ············································93

Fig. 113 SS prediction result by genetic programming (A2O) ·······························93

Fig. 114 SS prediction result by neuro fuzzy (A2O) ··················································93

Fig. 115 TN prediction result by neural network (A2O) ···········································94

Fig. 116 TN prediction result by genetic programming (A2O) ······························94

Fig. 117 TN prediction result by neuro fuzzy (A2O) ·················································94

Fig. 118 TP prediction result by neural network (A2O) ···········································94

Fig. 119 TP prediction result by genetic programming (A2O) ·······························94

Fig. 120 TP prediction result by neuro fuzzy (A2O) ··················································94

Fig. 121 Open seminar ··············································································································102

14

목 차

제1장 서론 ·········································································································23

가. 연구개발의 중요성 및 필요성 ·····························································································23

가. (1) 국내 하수처리장 현황 및 문제점 ···································································23

가. (2) 국내 하수처리장 자동 제어 운전의 필요성 ··················································26

가. (3) 자동제어 연구 배경 및 동향 ··········································································27

가. (4) 하수처리공정 모델 연구의 필요성 ·································································32

가. (5) 본 연구에서 개발하고자 하는 인공지능 모델 기법 ····································33

가. (6) 본 연구팀에서의 선행 연구 결과 ···································································39

가. (7) 본 연구의 중요성 ·····························································································40

나. 연구개발의 국내·외 현황 ···································································································41

나. (1) 세계적 수준 ·······································································································41

나. (2) 국내 수준 ···········································································································41

나. (3) 국내·외 연구 현황 ··························································································42

다. 연구개발대상 기술의 차별성 ·······························································································43

제2장 연구개발의 목표 및 내용 ·····································································45

가. 연구의 최종목표 ······················································································································45

가. (1) 연구개발의 최종 목표 ······················································································45

가. (2) 연구개발의 성격 ·······························································································46

나. 연도별 연구개발의 목표 및 평가방법 ··············································································46

다. 연도별 추진체계 ······················································································································46

다. (1) 연구개발의 추진 전략 ······················································································46

다. (2) 연차별 추진 전략 ·····························································································47

15

제3장 연구개발 결과 및 활용계획 ·································································49

가. 연구개발 결과 및 토의 ·········································································································49

가. (1) 본 연구를 통해 개발된 인공지능 모델 적용을 위한 프로그램 ·················49

가. (2) 인공지능 기법을 이용한 Fecal Coliform 모델링 ·······································54

가. (3) 하수처리공정의 온라인 추정을 위한 베이지안 기법 개발 ·························59

가. (4) 인공지능 모델 기법을 이용한 장기간 국내 하수처리장 모델링 ················67

가. (5) 국내 하수처리장 운전 전문가 경험 수집 ······················································89

가. (6) Pilot-scale A2O 공정 모델링 ······································································91

나. 연구개발 결과 요약 ···············································································································96

다. 연도별 연구개발목표의 달성도 ···························································································97

라. 연도별 연구성과(논문․특허 등) ··························································································99

마. 관련분야의 기술발전 기여도 ····························································································101

바. 연구개발 결과의 활용계획 ·································································································101

사. 공개 세미나 개최 ·················································································································102

제4장 참고문헌 ·······························································································105

부 록 ················································································································109

16

표 목 차

표. 1 국내 고도하수처리장의 실무자들이 겪는 어려움 ·························································24

표. 2 하수종말처리장 현장에서 사용되는 정보의 순위 ·························································25

표. 3 기존 연구자들에 의해 밝혀진 하수처리공정 모델의 장·단점 ································32

표. 4 세 종류 모델 기법의 예측 성능 비교 ··············································································37

표. 5 침사지를 지난 후의 BOD 농도에 대한 조건부 확률표 ··············································38

표. 6 본 연구에서 사용한 파라미터와 사용가능한 함수 ·······················································52

표. 7 8개 변수의 통계값 ················································································································55

표. 8 본 연구에 사용한 변수 ·········································································································63

표. 9 베이지안 추정 결과 ···············································································································65

표. 10 본 연구 대상 하수처리장 ··································································································67

표. 11 대구 서부 하수처리장 운전 데이터 ···············································································68

표. 12 BOD 예측 결과 (대구 서부) ···························································································69

표. 13 COD 예측 결과 (대구 서부) ···························································································70

표. 14 SS 예측 결과 (대구 서부) ······························································································71

표. 15 TN 예측 결과 (대구 서부) ·····························································································71

표. 16 TP 예측 결과 (대구 서부) ······························································································72

표. 17 BOD 예측 결과 (충남 천안) ···························································································73

표. 18 COD 예측 결과 (충남 천안) ···························································································74

표. 19 SS 예측 결과 (충남 천안) ······························································································75

표. 20 TN 예측 결과 (충남 천안) ·····························································································75

표. 21 TP 예측 결과 (충남 천안) ······························································································76

표. 22 BOD 예측 결과 (대구 북부) ···························································································77

표. 23 COD 예측 결과 (대구 북부) ···························································································78

표. 24 SS 예측 결과 (대구 북부) ······························································································79

표. 25 TN 예측 결과 (대구 북부) ·····························································································79

표. 26 TP 예측 결과 (대구 북부) ······························································································80

표. 27 BOD 예측 결과 (충남 금산) ···························································································81

표. 28 COD 예측 결과 (충남 금산) ···························································································82

표. 29 SS 예측 결과 (충남 금산) ······························································································83

표. 30 TN 예측 결과 (충남 금산) ·····························································································83

17

표. 31 TP 예측 결과 (충남 금산) ······························································································84

표. 32 BOD 예측 결과 (경북 의성) ···························································································85

표. 33 COD 예측 결과 (경북 의성) ···························································································86

표. 34 SS 예측 결과 (경북 의성) ······························································································87

표. 35 TN 예측 결과 (경북 의성) ·····························································································87

표. 36 TP 예측 결과 (경북 의성) ······························································································88

표. 37 설문 조사 문제 및 내용 ····································································································89

표. 38 COD 예측 결과 (A2O) ····································································································93

표. 39 SS 예측 결과 (A2O) ········································································································93

표. 40 TN 예측 결과 (A2O) ·······································································································94

표. 41 TP 예측 결과 (A2O) ········································································································95

18

그 림 목 차

그림. 1 하수처리장 공정분야 진단개선 비율 ············································································23

그림. 2 자동 제어 운전의 필요성과 효과 ··················································································26

그림. 3 인공신경망 모델의 개념 ··································································································33

그림. 4 인공신경망 모델의 기본 구조 ························································································33

그림. 5 인공신경망 모델의 구조 ··································································································34

그림. 6 인공신경망 모델을 이용한 유출수의 SS농도 예측 결과 ·······································34

그림. 7 인공신경망 모델을 이용한 유출수의 COD농도 예측 결과 ···································34

그림. 8 교차 연산의 원리 ···············································································································35

그림. 9 돌연변이 연산의 원리 ·······································································································35

그림. 10 유전자 프로그래밍을 이용한 유출수의 SS농도 예측 결과 ································36

그림. 11 유전자 프로그래밍을 이용한 폭기조의 MLSS농도 예측 결과 ··························36

그림. 12 하수처리공정에 적용된 베이지안 네트워크 그래프 ··············································38

그림. 13 하수처리공정에 인공지능모델 기법 적용 ·································································49

그림. 14 본 연구에서 인공신경망 기법 적용을 위해 개발한 프로그램 ···························50

그림. 15 본 연구에서 유전자 프로그래밍 기법 적용을 위해 개발한 프로그램 ·············51

그림. 16 본 연구에서 뉴로 퍼지 모델 기법 적용을 위해 개발한 프로그램 ···················53

그림. 17 인공신경망 Static 모델에 의해 예측된 유출수 FCout 농도 ·······························56

그림. 18 인공신경망 Dynamic 모델에 의해 예측된 유출수 FCout 농도 ·························56

그림. 19 유전자 프로그래밍 Static 모델에 의해 예측된 유출수 FCout 농도 ················57

그림. 20 유전자 프로그래밍 Dynamic 모델에 의해 예측된 유출수 FCout 농도 ···········57

그림. 21 뉴로 퍼지 Static 모델에 의해 예측된 유출수 FCout 농도 ·································58

그림. 22 뉴로 퍼지 Dynamic 모델에 의해 예측된 유출수 FCout 농도 ···························58

그림. 23 Posterior probability of unknown θB,H ······························································65

그림. 24 Averaged value of unknown θB,H ········································································65

그림. 25 Posterior probability of unknown θB,A ······························································66

그림. 26 Averaged value of unknown θB,A ········································································66

그림. 27 Predicted and observed DO ····················································································66

그림. 28 Predicted and observed BOD ·················································································66

그림. 29 Predicted and observed NH4+ ················································································66

그림. 30 Predicted and observed DO ····················································································66

19

그림. 31 인공신경망 모델 기법에 의한 BOD 예측 (대구 서부) ·······································69

그림. 32 유전자 프로그래밍 모델 기법에 의한 BOD 예측 (대구 서부) ·························69

그림. 33 뉴로 퍼지 기법에 의한 BOD 예측 (대구 서부) ···················································69

그림. 34 인공신경망 모델 기법에 의한 COD 예측 (대구 서부) ·······································70

그림. 35 유전자 프로그래밍 모델 기법에 의한 COD 예측 (대구 서부) ·························70

그림. 36 뉴로 퍼지 기법에 의한 COD 예측 (대구 서부) ···················································70

그림. 37 인공신경망 모델 기법에 의한 SS 예측 (대구 서부) ···········································70

그림. 38 유전자 프로그래밍 모델 기법에 의한 SS 예측 (대구 서부) ····························70

그림. 39 뉴로 퍼지 기법에 의한 SS 예측 (대구 서부) ·······················································70

그림. 40 인공신경망 모델 기법에 의한 TN 예측 (대구 서부) ··········································71

그림. 41 유전자 프로그래밍 모델 기법에 의한 TN 예측 (대구 서부) ···························71

그림. 42 뉴로 퍼지 기법에 의한 TN 예측 (대구 서부) ······················································71

그림. 43 인공신경망 모델 기법에 의한 TP 예측 (대구 서부) ··········································72

그림. 44 유전자 프로그래밍 모델 기법에 의한 TP 예측 (대구 서부) ····························72

그림. 45 뉴로 퍼지 기법에 의한 TP 예측 (대구 서부) ·······················································72

그림. 46 인공신경망 모델 기법에 의한 BOD 예측 (충남 천안) ·······································73

그림. 47 유전자 프로그래밍 모델 기법에 의한 BOD 예측 (충남 천안) ·························73

그림. 48 뉴로 퍼지 기법에 의한 BOD 예측 (충남 천안) ···················································73

그림. 49 인공신경망 모델 기법에 의한 COD 예측 (충남 천안) ·······································74

그림. 50 유전자 프로그래밍 모델 기법에 의한 COD 예측 (충남 천안) ·························74

그림. 51 뉴로 퍼지 기법에 의한 COD 예측 (충남 천안) ···················································74

그림. 52 인공신경망 모델 기법에 의한 SS 예측 (충남 천안) ···········································74

그림. 53 유전자 프로그래밍 모델 기법에 의한 SS 예측 (충남 천안) ····························74

그림. 54 뉴로 퍼지 기법에 의한 SS 예측 (충남 천안) ·······················································74

그림. 55 인공신경망 모델 기법에 의한 TN 예측 (충남 천안) ··········································75

그림. 56 유전자 프로그래밍 모델 기법에 의한 TN 예측 (충남 천안) ···························75

그림. 57 뉴로 퍼지 기법에 의한 TN 예측 (충남 천안) ······················································75

그림. 58 인공신경망 모델 기법에 의한 TP 예측 (충남 천안) ··········································76

그림. 59 유전자 프로그래밍 모델 기법에 의한 TP 예측 (충남 천안) ····························76

그림. 60 뉴로 퍼지 기법에 의한 TP 예측 (충남 천안) ·······················································76

그림. 61 인공신경망 모델 기법에 의한 BOD 예측 (대구 북부) ·······································77

그림. 62 유전자 프로그래밍 모델 기법에 의한 BOD 예측 (대구 북부) ·························77

그림. 63 뉴로 퍼지 기법에 의한 BOD 예측 (대구 북부) ···················································77

그림. 64 인공신경망 모델 기법에 의한 COD 예측 (대구 북부) ·······································78

20

그림. 65 유전자 프로그래밍 모델 기법에 의한 COD 예측 (대구 북부) ·························78

그림. 66 뉴로 퍼지 기법에 의한 COD 예측 (대구 북부) ···················································78

그림. 67 인공신경망 모델 기법에 의한 SS 예측 (대구 북부) ···········································78

그림. 68 유전자 프로그래밍 모델 기법에 의한 SS 예측 (대구 북부) ····························78

그림. 69 뉴로 퍼지 기법에 의한 SS 예측 (대구 북부) ·······················································78

그림. 70 인공신경망 모델 기법에 의한 TN 예측 (대구 북부) ··········································79

그림. 71 유전자 프로그래밍 모델 기법에 의한 TN 예측 (대구 북부) ···························79

그림. 72 뉴로 퍼지 기법에 의한 TN 예측 (대구 북부) ······················································79

그림. 73 인공신경망 모델 기법에 의한 TP 예측 (대구 북부) ··········································80

그림. 74 유전자 프로그래밍 모델 기법에 의한 TP 예측 (대구 북부) ····························80

그림. 75 뉴로 퍼지 기법에 의한 TP 예측 (대구 북부) ·······················································80

그림. 76 인공신경망 모델 기법에 의한 BOD 예측 (충남 금산) ·······································81

그림. 77 유전자 프로그래밍 모델 기법에 의한 BOD 예측 (충남 금산) ·························81

그림. 78 뉴로 퍼지 기법에 의한 BOD 예측 (충남 금산) ···················································81

그림. 79 인공신경망 모델 기법에 의한 COD 예측 (충남 금산) ·······································82

그림. 80 유전자 프로그래밍 모델 기법에 의한 COD 예측 (충남 금산) ·························82

그림. 81 뉴로 퍼지 기법에 의한 COD 예측 (충남 금산) ···················································82

그림. 82 인공신경망 모델 기법에 의한 SS 예측 (충남 금산) ···········································82

그림. 83 유전자 프로그래밍 모델 기법에 의한 SS 예측 (충남 금산) ····························82

그림. 84 뉴로 퍼지 기법에 의한 SS 예측 (충남 금산) ·······················································82

그림. 85 인공신경망 모델 기법에 의한 TN 예측 (충남 금산) ··········································83

그림. 86 유전자 프로그래밍 모델 기법에 의한 TN 예측 (충남 금산) ···························83

그림. 87 뉴로 퍼지 기법에 의한 TN 예측 (충남 금산) ······················································83

그림. 88 인공신경망 모델 기법에 의한 TP 예측 (충남 금산) ··········································84

그림. 89 유전자 프로그래밍 모델 기법에 의한 TP 예측 (충남 금산) ····························84

그림. 90 뉴로 퍼지 기법에 의한 TP 예측 (충남 금산) ·······················································84

그림. 91 인공신경망 모델 기법에 의한 BOD 예측 (경북 의성) ·······································85

그림. 92 유전자 프로그래밍 모델 기법에 의한 BOD 예측 (경북 의성) ·························85

그림. 93 뉴로 퍼지 기법에 의한 BOD 예측 (경북 의성) ···················································85

그림. 94 인공신경망 모델 기법에 의한 COD 예측 (경북 의성) ·······································86

그림. 95 유전자 프로그래밍 모델 기법에 의한 COD 예측 (경북 의성) ·························86

그림. 96 뉴로 퍼지 기법에 의한 COD 예측 (경북 의성) ···················································86

그림. 97 인공신경망 모델 기법에 의한 SS 예측 (경북 의성) ···········································86

그림. 98 유전자 프로그래밍 모델 기법에 의한 SS 예측 (경북 의성) ····························86

21

그림. 99 뉴로 퍼지 기법에 의한 SS 예측 (경북 의성) ·······················································86

그림. 100 인공신경망 모델 기법에 의한 TN 예측 (경북 의성) ·······································87

그림. 101 유전자 프로그래밍 모델 기법에 의한 TN 예측 (경북 의성) ·························87

그림. 102 뉴로 퍼지 기법에 의한 TN 예측 (경북 의성) ···················································87

그림. 103 인공신경망 모델 기법에 의한 TP 예측 (경북 의성) ········································88

그림. 104 유전자 프로그래밍 모델 기법에 의한 TP 예측 (경북 의성) ·························88

그림. 105 뉴로 퍼지 기법에 의한 TP 예측 (경북 의성) ····················································88

그림. 106 본 실험실의 화재 당시의 사진 ·················································································91

그림. 107 실하수 실험을 위한 실험실 ·······················································································92

그림. 108 600L/d 규모의 A2O 반응조 ····················································································92

그림. 109 인공신경망 모델 기법에 의한 COD 예측 (A2O) ··············································92

그림. 110 유전자 프로그래밍 모델 기법에 의한 COD 예측 (A2O) ································92

그림. 111 뉴로 퍼지 기법에 의한 COD 예측 (A2O) ···························································92

그림. 112 인공신경망 모델 기법에 의한 SS 예측 (A2O) ··················································93

그림. 113 유전자 프로그래밍 모델 기법에 의한 SS 예측 (A2O) ···································93

그림. 114 뉴로 퍼지 기법에 의한 SS 예측 (A2O) ······························································93

그림. 115 인공신경망 모델 기법에 의한 TN 예측 (A2O) ·················································94

그림. 116 유전자 프로그래밍 모델 기법에 의한 TN 예측 (A2O) ··································94

그림. 117 뉴로 퍼지 기법에 의한 TN 예측 (A2O) ·····························································94

그림. 118 인공신경망 모델 기법에 의한 TP 예측 (A2O) ·················································94

그림. 119 유전자 프로그래밍 모델 기법에 의한 TP 예측 (A2O) ···································94

그림. 120 뉴로 퍼지 기법에 의한 TP 예측 (A2O) ······························································94

그림. 121 공개 세미나 ··················································································································102

22

23

제1장 서론

가. 연구개발의 중요성 및 필요성

(1) 국내 하수처리장 현황 및 문제점

2006년 말 현재 국내에는 500톤/일 이상 하수처리시설은 344개소(시설용량: 23,273,151톤/일), 500

톤/일 미만 하수처리시설은 1,681개소(시설용량: 114,456톤/일)가 가동 중에 있다 (2007년 하수도 통

계, 환경부). 평균적으로 하수 천 톤을 처리하기 위한 하수처리장 건설 사업비로는 약 6.5억 원 정도

라고 알려져 있다. 그러나 현재 하수처리장의 효율적인 운영 및 유지 관리가 제대로 이루어지지 못

하여 투자 효율이 저하되고 있는 실정이다.

환경부에서 2004년에 발간한 ‘2003년 하수처리시설 기술진단사례집’에 의하면, 2003년도 하수처리

장의 공정 분야 기술진단 결과 문제점으로 지적된 사항은 처리공정 중 최종침전지가 11.5%로 가장

높은 비율을 나타내고 있으며, 포기조(10.9%), 농축조(10.9%), 최초침전지(10.3%) 등의 순으로 나타남

을 알 수 있다 (그림 1 참고).

하수처리장 공정분야 진단건수 비율

탈수기

8.0%

소화조

8.0%

소독설비

1.7%하수유입특성

9.8%침사지

5.2%

펌프장

1.1%

최초침전지

10.3%

포기조

10.9%

최 종침 전 지

11.5%

방류수질

9.2%

탈취설비

0.6%

건축구조물

0.6%

고도처리

0.6%

연계처리

4.6%

실험분석

6.9%

농축조

10.9%

그림 1. 하수처리장 공정분야 진단개선 비율

24

1순위로 조사된 최종침전지의 경우, 침전지 내 부패슬러지의 부상으로 인한 처리 수질 악화가 가

장 많은 진단사례(35%)를 나타내었으며, 이의 가장 큰 원인으로는 최종침전지 내에서 사영역(Dead

space)이 형성되어 침전된 슬러지가 부패되어 부상하거나, 슬러지 수집기의 Blade 마모로 슬러지가

잘 제거되지 않은 점이었다.

2순위로 조사된 포기조의 경우, F/M비는 낮고, SRT는 길게 유지되어 처리 수질 저하와 DO농도

를 높게 유지하여 수처리 효율 저하, 수온이 회복되는 봄철 포기조의 MLSS 농도를 높게 유지하여

처리 수질 악화 등이 문제점으로 지적되었다. 이러한 문제점을 개선하기 위해서는 계절적인 변화

특성을 고려하여 적절한 F/M비, SRT, MLSS, DO 농도 등의 시간에 따른 제어가 하수처리장에 도

입되어야 한다.

이러한 진단의 결과로부터 국내 하수처리장이 효율적으로 운전되고 있지 못한 실정이며, 이를 해

결하기 위해 국내 하수처리장에 온라인 센서를 이용한 실시간 모니터링과 하수처리공정 모델을 이

용한 적절한 제어가 필요하다고 사료된다.

본 연구팀에서는 2004년 3월, 고도하수처리 공정으로 운영되는 하수종말처리장 중 11개 사업소를

선정하여 실무자를 대상으로 자체 설문조사를 실시하였다. 조사의 목적은 현재 운전 중인 현장에서

발생하는 문제점을 파악하고 해결 방안을 도출하며, 추후 고도하수처리 공정으로 신설 혹은 개조될

하수종말처리장에서 예상되는 시행착오를 줄이는데 기초자료로 사용하기 위함이었다.

표 1은 현장에서 운전 전략을 결정하는데 겪는 어려움의 가장 큰 원인을 나타낸다. 설문 답변 중

가장 많은 부분을 차지하는 것은 유입유량, 유입수질, 온도 등 다양한 환경 변화를 예측하거나 실시

간으로 모니터링할 수 없다는 점이었다 (1번 및 4번 문항). 운전 경험의 부족과 현실적으로 참고할

자료의 부족 또한 주요 원인으로 나타났다.

문 항 답변수 (%)

1. 유입유량/온도 등 다양한 환경 변화의 예측 불가능 32

2. 참고 정보의 부족 28

3. 운전 경험의 부족 22

4. 온라인 모니터링 기술의 부족으로 유입 수질 예측의 어려움 18

5. 기타 (운전자료 분석 능력 미비) -

표 1. 국내 고도하수처리장의 실무자들이 겪는 어려움

(자체 설문조사 결과, 2004)

25

다양한 환경 변화로 인하여 현장에서의 실무자는 운전 경험에 기초하여 대부분의 운전 전략을

결정하는 것으로 나타났다 (표 2참고). 제공되는 매뉴얼에 대한 만족도는 약 44% 정도로 낮게 나타

났으며, 활용도에 대해서는 교과서 및 관련 전문 서적의 이용률보다 낮았는데 그 원인은 아래와 같

이 조사되었다.

• 매뉴얼 상의 오류 부분 미 수정 (공정 개발팀과의 교류 부족)

• 문제 발생 가능성 및 대처 방안 기술 미흡

• 외국자료에 기초하여 작성되어 현장 내용과 상이한 부분 다수 발생

• 현장의 다양한 환경 변화

결과적으로, 현장 실무자의 운전 경험이 하수처리장 유출 수질에 미치는 영향이 매우 클 수 있을

것이라고 밝혀졌다.

문 항 답변수 (%)

1. 운전자의 경험 38

2. 관련서적 (교과서 및 관련 전문 서적) 33

3. 제공된 매뉴얼 29

표 2. 하수종말처리장 현장에서 사용되는 정보의 순위

(자체 설문조사 결과, 2004)

2006년 말 국내에 가동 중인 344개소(500톤/일 이상)의 하수처리장 중에서 이미 절반을 넘어선

219개소(63.6%)의 하수처리장이 고도처리공정으로 운전 중에 있으며, 이는 앞으로도 질소 및 인의

방류수 수질 기준을 맞추기 위해 계속해서 늘어날 전망이다.

고도처리공정이 증가함에 따라 하수처리장에서 고려해야할 운전 인자들도 늘어나게 되었다. 기존

표준 활성슬러지 공정에서는 고려되지 않았던 내부 반송비, 적절한 외부 탄소원의 주입, 하수의 분

할 주입, 혐기/무산소/포기조의 체류 시간 등의 운전 인자들이 고도처리공정에서는 중요하게 고려

되어야 한다. 따라서 이러한 운전 인자들이 최적의 조건으로 제어되어야만 안정적인 유출수 수질을

확보할 수 있고, 하수처리장의 운전비용도 절감할 수 있을 것이다.

환경부에서는 2007년부터 대규모 하수종말처리장을 대상으로 수질원격감시체계(TMS) 설치를 의

무화하기로 하였다. 이는 하수처리장 최종 방류수의 오염 물질 농도(pH, BOD/COD, SS, TN, TP)를

실시간으로 관리·점검하는 시스템이다. TMS가 도입됨으로써 기존 하수처리장은 항시 안정적인 유

출수 수질을 확보해야하므로 효율적인 하수처리공정 제어의 필요성이 더욱 증대될 것이다. 또한

TMS가 하수처리장에 구축이 되면 실시간으로 하수처리장의 상태를 모니터링할 수 있으므로, 이를

26

고도하수처리공정 증가에 따른 제어 인자 증가

수질 원격감시체계(TMS) 도입

소규모 마을 하수처리장의 증가

� 내부 반송비� 외부 탄소원의 주입� 유입수의 분할 주입� 혐기/무산소/호기조의 체류 시간

� 항시 안정적인 유출수의 수질 확보� TMS 자료를 제어에 이용 가능

� 전문 인력 확보의 한계� 불규칙적인 하수 유입

처리 효율 증가처리처리 효율효율 증가증가

자동제어 운전자동제어자동제어 운전운전

On-line 모니터링

하수처리공정 모델

국내 하수처리 환경의 변화

� 하수처리장 건설 � 효율적인 운전 및 관리

안정적인 운전안정적인안정적인 운전운전

위기 대처 능력 향상위기위기 대처대처 능력능력 향상향상

운전 비용 절감운전운전 비용비용 절감절감

고도하수처리공정 증가에 따른 제어 인자 증가

수질 원격감시체계(TMS) 도입

소규모 마을 하수처리장의 증가

� 내부 반송비� 외부 탄소원의 주입� 유입수의 분할 주입� 혐기/무산소/호기조의 체류 시간

� 항시 안정적인 유출수의 수질 확보� TMS 자료를 제어에 이용 가능

� 전문 인력 확보의 한계� 불규칙적인 하수 유입

처리 효율 증가처리처리 효율효율 증가증가

자동제어 운전자동제어자동제어 운전운전

On-line 모니터링

하수처리공정 모델

국내 하수처리 환경의 변화

� 하수처리장 건설 � 효율적인 운전 및 관리

안정적인 운전안정적인안정적인 운전운전

위기 대처 능력 향상위기위기 대처대처 능력능력 향상향상

운전 비용 절감운전운전 비용비용 절감절감

제어에 이용할 수 있을 것이다.

환경부에서는 하수관거의 소요를 줄이고, 하천유지용수를 늘리는 이중의 효과를 거둘 수 있도록,

종래의 광역적인 대규모 하수처리장 건설보다는 발생지에서 직접 하수를 처리하는 소규모 하수처리

장, 마을단위 하수처리장의 건설을 적극 장려하고 있는 실정이다. 이에 따라 전국의 하수처리장 수

는 점점 늘어가고 있지만, 현재 소규모 하수처리장의 관리를 살펴보면 각 지자체 별로 담당 부서가

정해져 있기는 하지만 전문관리요원이나 전담관리요원의 상주가 제대로 이루어지지 않고 있으며,

담당직원도 잦은 인사이동과 과중한 업무 및 지리적 악조건으로 인하여 많은 지역의 소규모 하수처

리장의 유지·관리가 제대로 이루어지지 않고 있는 실정이다.

2005년 국내 하수처리장 운영비 중 인건비가 31.8%로 가장 큰 비중을 차지했다. 따라서 늘어나는

하수처리장에 계속해서 전문 인력을 늘리는 것보다는 하수처리공정의 자동 제어를 통해 인건비를

획기적으로 줄임으로써 하수처리장의 운영비를 절감하는 효과를 얻을 수 있을 것이다.

(2) 국내 하수처리장 자동 제어 운전의 필요성

그림 2. 자동 제어 운전의 필요성과 효과

27

(3) 자동제어 연구 배경 및 동향

(가) 자동제어의 연구 배경

하수처리장은 유입 하수의 유량, 오염 물질의 농도와 조성의 변화 때문에 본질적으로 동적인 특

성을 갖고 있다. 이러한 변화는 하수처리장 설계와 운전시에 중요하게 고려되어야만 경제적으로 나

날이 강화되는 유출수 수질을 만족시킬 수 있다. 하수처리공정과 같은 동적인 시스템에서 동적 모

델링, 컴퓨터 모사, 현대적인 제어 시스템은 매우 가치 있는 도구들이다.

최근 현대 과학의 눈부신 발전과 더불어, 기계 설비의 자동화를 위한 모니터링, 제어 및 계측장

비 개발도 매우 활발해지고 있는 실정이다. 이에 따라 환경 공학 분야에서도 대표적 하수처리공정

인 활성 슬러지 공정의 동적 특성을 규명하고 이를 제어하기 위한 노력이 계속되어 왔다.

유럽, 미국 등 선진국에서는 1970년대에 하수처리장의 대부분이 건설되었기 때문에, 현재는 하수

처리장의 건설 확대나 새로운 공정 개발을 통한 수처리 효율 향상보다는 기존 하수처리 시설의 최

적 운영 및 운전 효율성 증대를 통한 수처리 공정 개선 쪽으로 관심이 기울어지고 있는 실정이다.

이러한 하수처리장의 오염물질과 미생물 등의 동적 거동에 대한 더 많은 이해와 제어 시스템의

사용은 하수처리공정 운전 중의 많은 문제점을 해결할 뿐 아니라 운전 비용을 절감할 수 있다. 하

수처리장이 최적으로 설계되고 운영이 되면, 강이나 호소에 부영양화의 원인 물질인 질소와 인 등

의 영양염류를 포함한 대부분의 수질 오염 물질을 안정적으로 처리할 수 있다. 그러나 슬러지 팽화

나 겨울철 낮은 온도로 인한 질산화 능력의 저하와 같은 공정의 실패가 빈번히 발생할 수 있다. 또

한 활성 슬러지 공정에서 과다의 공기 주입과 펌프의 사용은 많은 에너지 낭비를 초래하게 된다.

하수 처리장 제어 시스템의 주목적은 운전 실패를 방지하는 것이다. 활성 슬러지 공정에서 이와

같은 운전 실패를 방지하는 것은 특히 중요한데, 활성 슬러지 공정의 생물학적 특성 상 현장에서

한 번 문제가 생기면 이를 완전히 복구하는데 길게는 수주일 이상의 많은 시간이 걸리기 때문이다.

공정의 실패를 적절하게 방지한 다음, 제어 시스템을 이용하여 얻을 수 있는 이점은 유출수 수질

기준을 만족시키기 위하여 양질의 처리수를 생산하는 것이다. 이와 같은 두 가지의 목적이 달성되

고 나면 운전비용을 최소화하는데 관심을 가지게 된다.

과거에는 하수처리공정을 설계하기 위한 많은 설계 수식이 정적 상태를 가정하고 만들어졌다. 그

러나 하수처리공정은 실제 유입수의 유량, 조성 및 농도가 시간에 따라 다양하게 변하는 동적인 특

성을 갖고 있다는 것은 분명한 사실이다. 이와 같은 동적인 특성을 고려하지 못한 이유는 동적인

거동을 정량적으로 수식화할 수 있어도, 수학적으로 분석해를 구하기 힘들었기 때문이다.

28

컴퓨터 과학이 발전하기 이전에 동적인 특성은 최대 부하를 처리하기 위하여 추가적인 용량을

확보하는데 고려되었다. 이에 대한 또 다른 대안으로는 설계 시 충분한 유연성을 제공하여 높은 부

하 시에 적절히 제어하는 것이다. 이러한 대안의 한 가지 예가 유입되는 하수를 폭기조의 여러 지

점에 분산하여 처리하는 Step feed 방법이다.

하수처리공정의 동적 모형을 개발하는 주요 이유 중 하나는 불만족스러운 상태를 만족스러운 상

태로 전환하기 위한 공정 제어 시스템 설계에 사용하기 위한 것이다. 공정 제어를 적용하는데 있어,

제어기는 적절한 제어 알고리즘에 맞게 모형화 되어야 한다. 이러한 제어기 모형들은 펌프의

‘On-off’ 와 같은 간단한 것부터 제어기가 동적 공정 모형을 사용하여 제어가 없을 때의 오차를 계

산하고 이를 제거하기 위한 제어량을 계산하는 ‘model reference 제어’와 같은 복잡한 제어기까지

여러 가지가 있다.

제어공학적인 측면에서 제어기의 형태는 On-off, 비례적분미분(PID), casacade, self tuning, 그리

고 적응기와 같은 것들이 하수처리공정 제어를 위하여 연구되어 왔다. 이들 중 PID 제어 회로들은

공정 제어에서 널리 사용되고 있기 때문에 연속형(analog) 또는 비연속형(discrete)의 것들이 상당히

주목을 받아왔다. Feedback, feedforward 제어와 이들의 조합들도 활발히 연구되어 왔다. 제어 측면

에서 제어기들은 공기량 제어를 위한 용존 산소, 슬러지 일령을 위한 슬러지 재고와 고형물 분배,

그리고 2차 침전조의 외란을 피하기 위한 펌프 제어 등의 논의되어 왔다. 스웨덴의 하수처리장에서

는 몇 가지 제어기가 전체 규모로 적용되고 있다.

시계열 분석에 근거한 제어 시스템은 하수처리공정에서 전통적인 제어기(on-off, PID 등)와 컴퓨

터에 근거한 최적 제어기를 함께 사용하기 위한 계층적(hierarchical) 제어 시스템이 연구되고 있다.

이러한 방법은 일본의 Neyagawa 강의 남쪽 배수 구역의 폐수를 처리하는 171,000 톤/일 규모의

Kawamata 처리장에서 실제 적용된 바 있다.

전문가 시스템은 공정 문제점들의 진단 또는 제어를 위해 사용될 수 있다. 예를 들어 전문가 시

스템이 처음에는 경보의 원인을 결정한 다음 공정 조업자들이 얼마만큼의 제어를 할 것인지 조언해

줄 수 있다.

지난 10년 동안 하수처리에 대한 연구는 처리 공정의 설계와 건설보다는 기존 공정의 관리 및

운전의 효율성 향상에 대해 집중되어져 왔다. 이것은 하수처리장의 관리와 운전이 수질 오염 제어

의 효율성에 대한 중요 단계이기 때문이다.

29

(나) 국내 기술 동향

계측 분야

모니터링 및 제어에 필수적으로 사용되는 온라인 센서는 일부 국내 기업에서 생산하고는 있지만,

대부분이 국내 실정에 맞지 않는 외국 기술 및 현장 조건에 의해 만들어진 수입품이 대부분을 차지

하고 있다. 국내에서 개발한 질소, 인 등의 계측 장비들은 대부분이 probe 형태이며, 아직은 장기

운전시 신뢰성이 충분히 검증되지 않아, 시장 점유율 확대에 걸림돌이 되고 있다.

1990년대 후반에서부터 국내 대학 및 연구소에서 소프트웨어 센서와 관련된 연구를 진행하고 있

다. 유출수 MLSS로부터 회귀분석을 통해 총질소 및 총인을 예측하는 단순한 형태의 소프트웨어 센

서의 경우는 이미 상용화된 사례가 있으며, 최근에는 질소, 인 센서에 대해서도 실제 현장에 적용될

수 있는 수준의 연구 성과들이 발표되고 있다. 그리고 ORP, pH, DO 등 현장에 일반적으로 설치되

는 계측기들을 이용하여 유입수 질소 부하 및 C/N비를 예측한 사례도 있다.

자동 제어 분야

국내에서 실제 하수처리장에 자동 제어 기술이 최초로 적용된 것은 1990년대 중반이다. 최근에는

고도의 제어 알고리즘 적용, 전문가 시스템을 이용한 진단 및 제어, 동적 시뮬레이션을 통한 제어기

설계 및 조율 등 관련 분야에서 활발한 연구가 진행되고 있다. 비록 하수 처리는 아니지만 축산 폐

수를 처리함에 있어 SBR 공정에서 호기/무산소 시간 및 유입 부하 제어, 외부 탄소원 주입량 제어

를 수행한 사례가 있다.

최근 10여 년간 하수처리장의 계측·제어·자동화 기술에 대한 관심이 지속적으로 증대되어져 왔

다. 특히 배출허용기준 강화와 소규모 하수처리장에 대한 원격무인관리 의무화 등 개선된 환경 정

책의 영향으로 고도의 제어 기술과 전문가 시스템을 이용한 운전 관리 기술의 적용 필요성이 나날

이 크게 증대하고 있다. 또한 원격지에서 무인으로 운전되는 소규모 처리장들이 다수 건설 될 예정

이어서, 향후 계측·제어·자동화 기술의 적용이 일반화될 것으로 사료된다.

하지만, 국내 수처리 공정 제어 시스템 관련 사업은 수처리 공정 개발을 주력 사업으로 하던 업

체에서 사업을 확장하는 형태로 진행하고 있어, 통합적 운전 관리 및 제어 시스템에 관한 기술력을

확보하지 못한 상태이다. 반대로, 제어 공학 시스템에 관한 높은 기술력을 가지 업체들은 하수처리

공정에 대한 이해 부족으로 인하여 공정 전반에 대한 최적 관리 기법은 제시하지 못하고 있다. 따

라서 외국 선진 기술의 습득 및 국내 적용의 필요성이 크다고 볼 수 있다.

현장 적용 사례

국내의 경우, 하·폐수의 계측·제어·자동화 기술의 현장 적용 사례가 제한적이긴 하지만, 몇 몇 성

공적인 사례를 찾아볼 수 있다. 1996년 D 그룹 식품 공장에서 유입수의 pH와 반응조 내의 DO,

30

MLSS 농도가 제어되었다. 비선형 비례-적분 제어기를 이용한 pH 제어에서 강알칼리성 폐수가 유입

되면 일부를 저장해 두었다가, 산성 폐수 유입 시 중화에 이용함으로써 약품 비용을 절감할 수 있

도록 하였다. P 제철 폐수처리장에서는 자동 조율 비례-적분 제어기를 이용하여 표면 폭기기를 제

어하였다. 현장에 적용하였을 때 폭기 에너지 비용을 약 40% 절감할 수 있는 것으로 나타났고, 또

한 결과적으로 처리 수질의 안정화와 개선 효과과 나타났다.

하수처리정의 경우, 경주시 하수처리장에 권역 내 소규모 처리장에 대한 원격감시시설이 설치된

바 있으며, 태백시의 하수처리장도 1999년에 통합 원격감시제어 시설에 대한 실시 설계를 시행하였

으나, 하수처리장 자체에서 고도의 자동 제어가 수행된 예는 아직 많지 않다. 그러나 신설되는 대규

모 하수처리장에는 원격 감시 및 제어가 점차 보편화 되어가고 있는 실정이다.

(다) 국외 기술 동향

계측 분야

하수처리장에 자동제어를 적용함에 있어 가장 중요한 것은 신뢰성 있는 계측기의 활용이다. 특히

고농도의 미생물을 이용하는 생물학적 하수처리공정에서는 계측기의 오염 방지와 적절한 보정이 중

요하고, 이 점들이 신뢰성 있는 제어 기술의 적용을 어렵게 하였다. 그러나 최근 10여 년 사이에 자

동 분석기를 개량하거나 축소시켜서 수처리공정 반응기에 설치하는 형태의 계측기는 눈부시게 발전

하여왔고, 계측기의 신뢰성 또한 상당 부분 높아졌다. 과학의 발달로 현재는 하수 처리에 있어 중요

한 질소, 인 등 영양염류 농도 측정의 경우 더 이상 계측기의 정확도가 문제되지 않는다고 알려져

있다. 그러나 자동분석기 형태의 계측기는 측정 항목 당 최대 수천만 원에 달하는 초기 투자 비용

과 매달 수십 ~ 수백만 원에 이르는 운전비용으로 인해 아직 널리 보급되지는 못하고 있어, 현재까

지 현장에 설치된 대부분의 계측기는 probe 형태이다.

값 비싼 설치 및 운전비용과 유지·관리의 어려움을 해결하는 한 방법으로 다양한 소프트웨어 센

서들이 개발되고, 활용되어져 왔다. 소프트웨어 센서는 일반적으로 널리 설치되는 기초 계측기(ORP,

pH, DO, 온도, 유량, 탁도, 색도 등)들의 측정값으로부터, 다양한 통계학적·수학적 기법들을 이용하

여 암모니아, 질산염 및 인산염 등의 영양염 농도를 측정하는 방법이다. 단순한 형태의 소프트웨어

센서는 이미 1980년대부터 적용 사례들이 있다. 1990년대 후반부터는 퍼지 추로, 인공 신경망 등의

인공 지능 기법을 도입한 소프트웨어 센서와 센서 이상 감지를 포함하는 지능형 계측 시스템에 대

한 연구들이 수행되고 있다.

제어 밎 자동화 분야

하수처리장에 자동 제어 기법을 적용한 것은 1980년대 초반 북유럽에서 시작되었다. 1990년대에

는 생물학적 인 제거를 포함하는 범위로까지 자동 제어가 확대되었다. 또한 특정 제어 변수 값을

31

원하는 값으로 유지하는 것을 목적으로 하는 국지 제에의 수준을 넘어 유출수질에 대한 제어를 목

적으로 하는 품질 제어(quality control)의 중요성이 제기되었다. 또한 배출허용기준 강화와 약품비,

인건비 등 운전비용의 증가로 인해 1990년 중반 이후 자동 제어의 필요성이 더욱 크게 제기되고 있

다.

현장 적용 사례

스웨덴의 Kppala 하수처리장에는 1980년대 중반부터 용존산소의 self tuning control이 이루어졌

고, Gvle 하수처리장의 경우는 1976년에 운전자 보조를 위해 알람 경보를 통해 시스템 이상을 알려

주는 컴퓨터를 설치하였다. 덴마크의 Frederikssund 하수처리장에서는 1978년부터 활성슬러지 공정

에서 암모늄 및 질산염에 대한 on-line 설비가 개발되었고, Sydkysten 하수처리장에서는 mobile

monitoring station을 이용한 모니터링 및 시뮬레이션을 수행하고 이를 기초로 하여 암모니아, 질산

염 및 인산염 농도에 대한 on-line 제어를 수행하여 에너지와 약품 비용을 큰 폭으로 절감하였다.

미국의 Morris Forman 하수처리장에도 1990년대에 시뮬레이션과 그에 기초하여 자동 제어가 적

용되었다. 컴퓨터 시뮬레이터는 운전자의 생산성을 높이는 동시에 운전상 실수가 일어날 확률을 크

게 감소시키는 데 성공적이었던 것으로 평가되었으며, 이를 통해 운전비용이 크게 절감된 것으로

보고되었다. 영양염류에 대한 엄격한 규제로 인해 고도의 on-line 설비에 기초한 질 높은 제어가 요

구되어 왔으며, 1990년대에 Marselisborg와 Frederikssumd 하수처리장에서는 생물학적 인 제거를

포함하는 범위로까지 자동제어가 확대되었다. 북유럽에서는 고도의 설비에 기초한 영양물 제거의

상업적 이용이 이미 일반화 되었다. 1990년대 중반에는 에너지와 화학물질 소비를 최적화하기 위한

상업적 고도 제어 시스템이 도입되었다. 스웨덴의 경우 대도시의 모든 하수처리장에서는 스웨덴 내

에서 개발된 같은 데이터 습득 소프트웨어를 이용함으로써, 처리장간의 정보 교환과 운전자 교육을

매우 용이하게 하고 있다.

영국의 Holdenhurst 하수처리장에서는 유출수 평균 BOD와 암모니아를 각각 8, 0.6 mg/L로 유

지하기 위해 자동 제어를 도입하였다. 1차 침전조와 2차 침전조, 슬러지 반송, 유출수 회송, 슬러지

처리를 포함하는 활성슬러지 처리장의 운전이 제어되었다. 뉴질랜드 낙농 지역에 위치한

Morrinsville 하수처리장은 고농도 낙농 폐수 유입으로 인해 유입 원수 조성 변화가 심하여 운전에

어려움을 겪고 있었는데, Fuzzy system과 artificial neural network을 포함하는 인공지능 기술을 도

입하여 폭기조 내 용존 산소 농도와 유입 부하를 제어함으로써 큰 폭의 유입 부하 변동에 대처하

고, 계절에 따라 크게 변하는 처리장 운전 조건에 적질히 대응할 수 있게 되었다.

일본의 경우도 이미 1980년대에 오사카 근방에 위치한 Kawamata 하수처리장에 반송비와 일정한

MLSS, DO 제어 시스템을 포함한 일련의 제어 시스템을 개발하고 설치하였다.

32

(4) 하수처리공정 모델 연구의 필요성

하수처리공정의 효과적인 제어와 운전을 위한 하수처리공정의 모델 개발에 대해 많은 연구가 진

행되고 있다. 하수처리공정의 모델은 새로운 하수처리공정의 선정 시, 계획하는 대상 하수의 특성에

따라 여러 가지 처리 공정을 손쉽게 비교, 분석하여 최상의 공정 선택을 가능하게 한다. 또한, 기존

공정에서의 생물학적 반응의 이해를 향상시키고, 최적 운전 조건을제시하고, 최소한의 시설 변경 및

투자로부터 고도처리가 가능한 공정으로 전환할 수 있는 방안을 제시한다.

하수처리공정에 적용할 수 있는 모델은 크게 mechanistic 모델과 인공지능 모델로 나눌 수 있다.

Mechanistic 모델은 하수처리공정 모델의 중요성이 널리 인식된 유럽에서 1960년대부터 연구가 시

작되어, 현재까지 세계 각국에서 활발히 연구가 진행 중이다. 하지만, mechanistic 모델은 모델의 복

잡성으로 인해 실제 현장에 적용하는데 많은 어려움을 가지고 있다. Mechanistic 모델은 생물학적

하수처리공정에서 일어나는 모든 생화학 반응을 수학적으로 표현하려고 노력함으로써 실측하기 어

렵거나 불가능한 파라미터들을 포함하고 있으며, 현장에서 근로자가 이해하는 것도 쉽지가 않은 현

실이다. 또한 하수처리공정의 환경 변화 및 운전 조건에 민감한 특성으로 인해 mechanistic 모델을

이용한 장기간 시뮬레이션에는 한계가 있다. (표 3 참고) 따라서 국내에서 mechanistic 모델을 공정

제어에 이용하는 경우, 모델의 간략화를 통해 적용하고 있는 실정이다.

표 3. 기존의 연구자들에 의해 밝혀진 하수처리공정 모델의 장·단점

Mechanistic

model

• 공정해석을 위해 효과적인 정보를 제공

• 실측하기 어렵거나 불가능한 복잡한 변수 (Vanrolleghem et al., 1999)

• 시간 불변화로 가정한 모델 파라미터의 문제 (Hong et al., 2003)

• 복잡한 미생물들의 기작을 통한 활성슬러지 공정의 생물학적 특성이

완전히 반영되지 못함

인공지능 모델

• 유출수 농도를 예측하는데 높은 정확성 (Ahmed et al, 2002;

Choi et al, 2001; Lee et al, 1999)

• 실시간 제어를 위한 주요한 기술을 제공 (Choi et al, 2001)

• 모델 적용을 위해 과거 많은 운전 데이터를 필요로 함

• 공정을 이해하거나 운전 조건을 도출하기 위한 정보를 제공하지 않음

이러한 mechanistic 모델의 단점을 보완하기 위해 현재는 IT 기술인 인공지능 모델 기법을 이용

하여 하수처리공정을 제어하는 시스템이 많이 연구되고 있다. 인공지능 모델 기법을 이용한 제어

시스템은 유입수의 성상과 반응조 내의 운영 상태 변화 등의 파라미터 및 처리 수질에 따른 여러

파라미터를 인공지능에 의해 최적의 상태로 제어하는 시스템이다.

33

그림 3. 인공신경망 모델의 개념 그림 4. 인공신경망 모델의 기본 구조

(5) 본 연구에서 개발하고자 하는 인공지능 모델 기법

(가) 인공 신경망(Artificial Neural Network) 모델 기법

인공 신경망 모델 기법은 black box 모델로써 인간 두뇌의 신경 세포를 모델링하여 지능을 구현

하고자 하는 기법이다. (그림 3, 4 참고) 인공 신경망 모델 기법은 병행적으로 상호작용하는 여러

개의 계산 요소들로 이루어져 있으며, 각 계산요소는 가중치의 합(weighted sum)과 같은 단순한 계

산만을 수행한다. 인공 신경망 모델은 기존에 존재하는 학습데이터를 통하여 그 데이터에 대한 특

성 및 가중치를 학습하여, 원하고자 하는 데이터를 예측하는 모델이다. 인공 신경망 모델을 데이터

마이닝 알고리즘에 적용할 경우 비선형적인 패턴 분석을 수행할 수 있는 장점 때문에 매우 정확한

지식을 생성할 수 있다. 또한 인공 신경망 모델의 학습기능과 병렬분산처리 능력, 결함 허용성 등도

하나의 장점이 될 수 있다.

선진국에서는 인공 신경망 모델을 하수처리공정에 도입하여 수질 인자들을 예측 및 제어하는 연

구는 현재 활발히 진행되고 있는 실정이다. T.Y. Pai et al., (2006)은 병원에서 발생하는 폐수처리에

neural network을 적용하여 유출수의 SS와 COD 농도를 예측하였다. 그림 5은 본 연구에서 사용한

인공 신경망 모델의 구조이고, 그림 6와 그림 7는 각각 유출수의 SS와 COD 농도 예측 결과를 나타

낸다. 결과를 살펴보면, SS의 경우 실제 측정값과 인공 신경망 모델을 이용하여 예측한 값의 차이는

약 19.8% 정도로 나타났으며, COD의 경우는 약 48.2% 정도였다. 비록 이 예측 결과 값은 만족할

만한 값은 아니지만, 만약 본 연구에서 사용한 4가지의 입력변수(유입수의 pH, 온도, SS, COD)보다

더욱 많은 입력 변수를 사용하고, 또한 은닉층에 있는 노드의 개수도 6개보다 더욱 많이 늘려서 시

뮬레이션을 했다면, 분명 더욱 좋은 결과를 나타냈을 것으로 사료된다.

34

그림 5. 인공 신경망 모델의 구조 (T.Y. Pai et al., 2006)

그림 6. 인공 신경망 모델을 이용한 유출수의 SS농도 예측 결과

그림 7. 인공 신경망 모델을 이용한 유출수의 COD농도 예측 결과

35

(나) 유전자 프로그래밍(Genetic programming) 모델 기법

유전자 프로그래밍은 개체군(population)을 기초로 유전(genetics)과 자연 선택(natural selection)

의 메카니즘에 의해 접근하는 진화 연산 알고리즘이다. 선택 과정에서는 모든 개체의 적합도

(fitness) 값을 산정하고, 정렬하여 부모로 선택된 개체는 새로운 개체군에 첨가한다. 하나의 개체는

한 개 또는 여러 개의 염색체로 구성되며 염색체를 변형하는 연산자들을 유전 연산자라 한다. 유전

연산자로는 복제(reproduction), 교차(crossover), 돌연변이(mutation) 연산자가 있다. (그림 8, 9 참

고) 이러한 유전자 프로그래밍에서 진화 연산 과정은 복잡한 시스템에서 측정된 자료에 가장 적합

한 수학적 모델을 자동적으로 만들어 주는데 효과적으로 사용된다. Grammar-Based 유전자 프로그

래밍(GBGP)은 컴퓨터 프로그램에서 모델을 생성하기 위해서 grammar를 사용하는 유전자 프로그래

밍이다. GBGP에서 grammar를 사용함으로써 측정된 데이터에 가장 잘 맞는 모델을 만들 수 있도록

유전자 프로그래밍 시스템에서 모델 구조를 조절할 수 있도록 개발한 시스템이다. 생물학적 하수처

리공정 모델을 위해 사용할 경우 장점으로는 grammar를 통해 엔지니어가 가지고 있는 공정 지식과

경험을 grammar라는 시스템을 통해 표현할 수 있고, 기존에 사용하고 있는 공정 모델과 더불어 진

화된 새로운 모델을 형성시킬 수 있는 장점이 있다.

그림 8. 교차 연산의 원리 그림 9. 돌연변이 연산의 원리

유전자 프로그래밍 기법의 하수처리공정에의 적용 사례는 본 연구의 위탁 연구 책임자인 Y.S.

Hong 등(2003)이 뉴질랜드의 Paraparumu 하수 처리장의 유출수 SS와 반응조 내의 MLSS 농도를

예측한 것이다. (그림 10, 11 참고) 이 연구에서는 유전자 프로그래밍 기법뿐만이 아니라 대표적인

mechanistic 모델인 ASM2와 인공 신경망 모델 기법을 이용하여 예측한 값과 실제 측정값의 농도

차이를 비교하였다. 그 결과 인공지능 기법인 인공 신경망 모델과 유전자 프로그램 모델 기법을 통

36

한 예측 값은 실제 측정값과 상당히 비슷한 것으로 나타났으나, ASM2 모델을 통한 예측 값은 측정

값과 어느 정도 차이가 있었다. (표 4 참고)

그림 10. 유전자 프로그래밍을 이용한 유출수의 SS농도 예측 결과

그림 11. 유전자 프로그래밍을 이용한 폭기조의 MLSS농도 예측 결과

37

표 4. 세 종류의 모델 기법의 예측 성능 비교

(다) 뉴로 퍼지(Neuro-fuzzy) 모델

퍼지 시스템 이론(Fuzzy system theory)은 퍼지 논리를 기초로 하는 이론이며, 기존의 부울 논리

를 확장한 개념이다. 부울 논리를 기본으로 하는 기존의 집합 이론에서는 특정한 객체가 주어진 집

합 A의 원소로서 속하거나(참, True=1) 속하지 않거나(거짓, False=0) 둘 중의 하나이다. 그러나 퍼

지 논리를 기반으로 하는 퍼지 집합 이론에서는 이 객체가 구성 원소로서 특정 집합 A에 어느 정

도로 속하는가 하는 것을 0 (집합 A에 전혀 속하지 않음) 에서부터 1 (집합 A에 완전히 속함) 사이

의 수치로써 나타내며 이를 소속의 정도(Grade of Membership)라고 한다. 이것으로 인해 퍼지 논

리가 인간의 불확실한 개념을 다룰 수 있도록 해주며, 물리적인 수치와 양에 대한 인간의 불확실한

논리적 개념을 정연한 수학적 표현 형태로 나타낼 수 있다는 특징이 있다.

뉴로 퍼지 모델은 앞서 설명한 신경 회로망 모델과 퍼지 이론의 장점을 융합한 모델로써, 인간의

사고 작용과 같이 학습하고 추론하며 기억하고 인식하는 등의 기능을 하는 보다 지능적인 모델이

다.

(라) 베이지안 네트워크(Bayesian network) 모델

베이지안 네트워크는 특정 분야의 영역 지식을 확률적으로 표현하는 대표적인 수단으로, 변수들

간의 확률적 의존 관계를 나타내는 그래프와 각 변수별 조건부 확률로 구성된다. 따라서, 하나의 베

이지안 네트워크는 각 노드마다 하나의 조건부 확률표를 갖는 방향성 비순환 그래프(DAG;Directed

acyclic graph)로 정의할 수 있다. 이 때 각각의 노드는 이벤트의 발생을 의미하며 노드를 이어주는

DAG는 이벤트 간의 관계(상호 의존성)를 의미한다.

일반적으로, 하나의 베이지안 네트워크는 다른 노드들에 배정된 값들을 기초로 특정 노드가 가질

값에 대한 조건부 확률을 계산하는데 이용할 수 있다. 따라서 하나의 베이지안 네트워크는 한 개체

의 다른 속성들의 값이 주어졌을 때 분류 클래스 노드의 사후 확률 분포를 구해줌으로써 개체들에

대한 하나의 자동 분류기로 이용될 수 있다. 이러한 베이지안 네트워크 모델을 기초로 분류 클래스

38

를 확률적으로 예측할 수 있다.

베이지안 네트워크를 학습하는 과정은 크게 베이지안 네트워크의 그래프를 학습하는 과정과 그

것을 바탕으로 각 변수의 조건부 확률들을 계산하는 과정으로 나누어 볼 수 있다. 사람이 배경 지

식을 가지고 베이지안 네트워크 그래프를 직접 수작업으로 그려주거나 편집해주면 이를 바탕으로

훈련 데이터들을 분석하여 조건부 확률들을 자동으로 계산해주는 방식의 많은 베이지안 네트워크

학습 알고리즘과 프로그램들이 존재한다. 하지만 베이지안 네트워크 그래프로부터 각 변수의 조건

부 확률을 계산하는 과정은 매우 단순한 과정인데 반해 훈련 데이터로부터 베이지안 네트워크 그래

프를 학습하는 과정은 매우 복잡하고 어려운 과정으로 알려져 있다.

R. SANGUESA 등(2000)은 베이지안 네트워크를 하수처리공정에 적용 가능성을 평가해보았다.

그 결과 학습을 통해서 나온 DAG는 그림 12과 같으며, 조건부 확률표의 예는 표 5에 나타나 있다.

그림 12. 하수처리공정에 적용된 베이지안 네트워크 그래프

표 5. 침사지를 지난 후의 BOD 농도에 대한 조건부 확률표

그림 8을 통해서 우리는 하수처리공정 내에 존재하는 여러 인자들 간의 상관관계를 손쉽게 알

수 있다. 표 5는 침사지를 지난 후의 BOD 농도값(BOD-DEC)에 대한 조건부 확률표인데, 예를 들어

39

만약 유입수의 COD 농도값이 Low인 경우 우리는 조건부 확률표를 보고 침사지를 지난 후의 BOD

농도에 대해 확률적으로 예측(아마도 Medium일 것이다; 44%로 제일 높기 때문)할 수 있다.

베이지안 네트워크 모델과 인공 신경망 모델의 차이점은 예측 성능 면에서는 확실히 인공 신경

망 모델이 뛰어나다. 하지만 베이지안 네트워크의 특성상 노드들 간의 관계를 알 수 있다는 장점을

인공 신경망 모델은 지니지 못한다. 따라서, 인공 신경망 모델을 하수 처리에 도입했을 경우는 공정

을 이해하거나 운전 조건을 도출하기 위한 정보를 얻기가 쉽지 않다.

베이지안 네트워크 모델의 한계는 노드의 개수가 많아질수록 계산양이 기하급수적으로 증가하여

비용과 시간이 많이 걸린다는 것이다.

(6) 본 연구팀에서의 선행 연구 결과

본 연구팀에서는 환경부 ‘차세대 핵심환경기술개발사업’의 일환으로 2004년 3월부터 ‘하수처리장

정보화 시스템’에 대해서 연구를 수행하였고, 자세한 내용은 아래와 같다.

○ 시간대 별 하수 특성 관찰

○ 유입 하수의 발생 모델 개발

○ 유입 하수의 온라인 모니터링 기법 개발 (UV 흡광도 측정 방법의 정확성 향상)

○ 대상 하수종말처리장 일 자료 분석

○ 대상 하수종말처리장의 시뮬레이션을 통한 운전 전략 결정

○ 유입하수의 변동이 공정에 미치는 영향 평가 (연구실 규모의 하수처리 공정 운영)

○ COST BSM1을 이용한 공정 제어 기법 평가

본 연구의 첫 번째 내용은 하수 유입 특성을 이해하는 것이다. 기존의 연구자들이 직관적으로 이

해하고 있는 사실을 장기간 모니터링을 통하여 정량화 하고 이를 바탕으로 BSM2 (Benchmarking

Simulation Model No. 2)에서 사용할 수 있는 유입수 모델을 구성해 보았다. 동시에 하수의 발생이

일정한 패턴을 갖는 점에 착안하여 인공신경망으로 훈련시킨 알고리즘을 작성하였는데, 결과적으로

기존의 UV 흡광도를 이용한 것보다 높은 정확성으로 하수 내 오염물질의 농도를 추정할 수 있었

다.

두 번째로 유입 하수 및 계절의 변동이 하수종말처리장의 거동에 미치는 영향을 평가하기 위해

대상 하수종말처리장을 10개월간 모니터링하였다. 하수종말처리장의 각 단위 공정에서 일일 일회

시료를 채취하여 분석하였다. 이후 보다 정밀하게 평가하기 위해 연구실 규모의 반응조에서 실제상

황과 유사한 변동을 지닌 하수를 유입하여 내부 거동을 평가하였다.

40

마지막으로 GPS-X를 이용한 시뮬레이션을 통하여 대상 하수종말처리장의 운전 전략을 결정하였

고, Matlab/Simulink와 COST BSM1을 이용하여 실시간 제어 전략을 결정하였다.

위와 같이 연구를 수행함으로써, 본 연구팀은 하수처리 공정 모델 개발에 대한 풍부하고 다양한

경험과 지식을 얻게 되었으며, 이를 바탕으로 선진 기술을 갖고 있는 뉴질랜드의 국책 연구소인

‘GNS Science’와의 국제공동연구를 통해 ‘한국형 인공지능 하수처리공정 모델 프로그램 제작 및 적

용’ 에 대해 연구를 진행 하였다.

(7) 본 연구의 중요성

하수처리장의 운전 상태 진단 및 자동 제어

하수처리공정 내의 유출수 수질에 영향을 미치는 여러 인자들은 시간에 따라 계속해서 변한다.

인공지능 하수처리공정 모델은 이러한 인자들의 시간에 따른 변화 특성에 대해 정확한 분석, 진단

을 제공해 줌으로써 자동 제어를 가능케 하여 하수처리의 효율을 극대화시킬 수 있을 것이다.

하수처리장 운전시 발생하는 문제점에 대한 대처 방안 제시

기존의 많은 자료(장기간 하수처리장 운전 결과, 온라인 센서 결과, 전문가의 경험 및 지식)를 바

탕으로 개발 된 인공지능 모델을 통해 하수처리장에서 발생하는 여러 문제(강우, 오염물질의 고부

하, 낮은 온도 등)에 대해서 손쉽게 대처할 수 있을 것이다.

운전자 교육 자료로 활용

소규모 마을 하수처리장은 전문관리요원이나 전담관리요원의 상주가 이루어지지 않고 있으며, 담

당직원도 잦은 인사이동과 과중한 업무 및 지리적 악조건으로 인하여 많은 지역의 마을하수도 설치

시설의 유지관리가 제대로 이루어지지 않고 있는 형편이다. 인공지능 모델은 효율적인 운전 전략을

제시해줌으로서 현장 실무자의 교육에 보다 효과적으로 사용되어 위의 문제를 해결할 수 있을 것이

다.

하수처리공정의 최적 운전 조건 제공

인공지능 모델을 이용하여 다양한 운전 조건(HRT, SRT, 폭기량, 반송비 등)의 변화에 따른 시뮬

레이션을 통해 하수처리장의 최적 운전 조건을 도출할 수 있을 것이다.

41

나. 연구개발의 국내·외 현황

(1) 세계적 수준

개념정립 단계 √ 기업화 단계 기술 안정화 단계

(2) 국내 수준

국내 하수처리 공정 모델 연구는 mechanistic 모델인 ASM 시리즈는 어느 정도 활발히 이루어지

고 있는 실정이지만, 인공지능 하수처리공정 모델 연구는 극히 미비한 상황이다. 이는 하수처리공정

전문가는 하수처리 공정 개발에 주력하고 있는 실정이며, 인공지능 기술 전문가는 하수처리공정 전

반에 대한 이해 부족으로 사료된다. 이러한 상황에서 하수처리장에 모니터링 장비들의 지속적인 발

전과 도입으로 인해 실시간으로 공정 내의 정보는 얻을 수 있지만, 공정 모델에 대한 지식이 없어

이 정보를 제대로 활용하지 못하는 경우도 발생하고 있다. 따라서 현재 국내 하수처리장의 제어는

대부분이 운전자의 경험이나 지식에 의해 이루어지고 있으며, 모델을 이용한 제어는 거의 이루어지

지 않는 실정이다.

국내에서 인공 신경망 모델 기법을 이용한 하천의 수질 및 유출량을 예측하는 모델 연구는 있었

지만, 하수처리공정 모델 연구에 이용된 것은 2006년에 본 연구팀에서 수행한 대도시 하수종말처리

장 유입 성분 농도를 예측하는 모델 연구와 부산 대학교에서 유입 유량 및 유입 성분 농도를 예측

하는 모델 연구가 있다 (Moon et al., 2008).

유전자 프로그래밍 모델 기법은 국내에서 백병천 등(2006)이 뉴질랜드의 Paraparumu 하수처리장

으로부터 얻은 데이터를 바탕으로 유출수의 암모니아와 BOD 농도값을 예측하기 위해 사용한 사례

가 있다.

뉴로 퍼지 모델 기법은 하수처리공정은 아니지만, 상수도의 1일 급수량을 뉴로 퍼지 모델 기법을

이용하 예측하는 사례가 있다 (Kang et al., 2004).

42

(3) 국내·외 연구 현황

연구수행 기관 연구개발의 내용 연구개발성과의 활용현황

한국건설기술연구원

통합제어 시스템을 이용한

하수처리장의 효율 향상 및 최적관리

방안 연구

통합제어 시스템의 적용성

평가

서울시립대학교ASM No. 1 모델의 간략화를 통한

하수처리의 공정제어

Mechanistic 모델을 통한

하수처리공정 제어

카이스트 하수처리장의 정보화 시스템 구축

국내 유입 하수의 성상

평가와 Neural network을

이용한 유입수의 구성성분

농도 예측

전남대학교Grammar-Based 유전자 프로그래밍을

이용한 고도처리공정 모델링

Grammar-Based 유전자

프로그래밍을 통한 유출수의

구성성분 농도 예측 University Politecica

de Catalunya, Spain

하수처리장에 Bayesian network

적용방법 개발

하수처리장에 Bayesian

network 적용 방법 정립

GNS Siences, New

Zealand

Neural network을 이용한 하수처리장

분석

Neural network을 이용한

하수처리장의 인자들의

동적거동 모사

GNS Siences, New

Zealand

유전자 프로그램, Neural network,

ASM2 각각에 대한 하수처리장

유출수의 농도 예측의 정확성 평가

하수처리장에 유전자

프로그램 도입에 대한

효율성 평가

43

다. 연구개발대상 기술의 차별성

국내 하수처리공정 모델 연구는 mechanistic 모델인 ASM 시리즈에 대해서는 어느 정도 활발히

이루어지고 있는 실정이지만, 하수처리공정을 위한 인공지능 모델 기법에 대한 연구는 미비한 상황

이다. 이는 하수처리공정 전문가는 하수처리공정 개발에 주력하고 있는 실정이며, 인공지능 기법 전

문가는 하수처리공정 전반에 대한 이해 부족으로 사료된다. 이러한 상황에서 하수처리장에 모니터

링 장비들의 지속적인 발전과 도입으로 인해 실시간으로 공정 내의 정보는 얻을 수 있지만, 공정

모델에 대한 지식이 없어, 이러한 정보를 제대로 활용하지 못하는 경우도 발생하고 있다. 따라서 현

재 국내 하수처리장의 제어는 대부분이 현장 운전자의 경험이나 지식에 의해 이루어지고 있으며,

모델을 이용한 효율적인 제어는 이루어지지 않고 있는 실정이다.

반면에, 유럽이나 미국 등 선진국에서는 일찍이 인공지능 하수처리공정 모델에 대한 중요성을 파

악하여 현재까지 이 분야에 대해 활발히 연구를 진행하고 있다. 또한 실제 하수처리장에 인공지능

기법을 적용하여 간단한 자동 제어를 시행함으로써, 에너지와 약품 등에 소요되는 운영비용과 유출

수의 오염물질 농도를 큰 폭으로 줄인 사례도 보고되고 있다.

이러한 상황에서 본 연구팀의 인공지능 하수처리공정 모델에 대한 연구는 세계적 수준의 선도

연구로서 선진국에 비해 뒤쳐진 국내 인공지능 모델에 대한 연구 수준을 한 단계 올려놓을 것으로

예상된다.

44

45

제2장 연구개발의 목표 및 내용

가. 연구의 최종목표

(1) 연구개발의 최종 목표

본 연구의 최종 목표는 하수처리공정의 효율 향상과 최적 운전 조건 도출, 공정 내 발생 가능한

문제점의 예측 및 진단, 제어를 위해 필수적인 인공지능 기술이 접목된 하수처리공정을 위한 모델

기법을 개발하고 실험을 통하여 개발된 모델 기법을 적용하는 것이다. 또한 해외 유수 연구소와 국

제공동연구를 통해 인공지능 하수처리공정 모델 기술을 활발히 교류하고, 이 기술을 바탕으로 국내

하수처리 현장에 적용 가능한 모델을 구축하는 것이다. 따라서 아래와 같은 세부 목표를 수립하였

다.

1) 국제공동연구를 통한 선진 인공지능 하수처리공정 모델 기술 교류

· 장기간 연구원 해외 파견(뉴질랜드 국책연구소, 6개월)

· 선진 인공지능 하수처리공정 모델 기술 습득 및 국내 이전

(인공 신경망 모델, 유전자 프로그램 모델)

· 선진 기술을 바탕으로 새로운 기술 공동 연구(베이지안 네트워크 모델 개발)

· 하수처리공정 모델 및 최적화 운전 기술관련 국제 연구 네트워크 형성

2) 국내 실정에 적합한 인공지능 하수처리공정 모델 기법 개발

· 국내 하수처리장 운전결과를 이용하여 적용 가능한 모델 기법 개발

· 국내 하수처리장 운전 전문가의 지식과 경험을 활용한 모델 기법 개발

· 수질 TMS(Tele-Monitoring System)로부터 얻은 자료와 공정 반응기 내 온라인 센서 측

정 결과를 이용한 하수처리공정 진단 및 제어 모델 기법 개발

· 일일 하수성상 변화 및 위기 상황에 따른 하수처리장 최적 운전 조건 제시

· 모델을 통한 국내 하수처리장 처리수질 자료의 신뢰성 평가

3) Pilot-scale(0.6톤/일) BNR 공정을 이용한 인공지능 모델 적용성 평가

· 실하수를 이용하여 인공지능 모델 적용성 평가

· 온라인 센서를 이용한 실시간 공정 모니터링(DO, ORP, pH, SS, 온도 등)

· 개발된 모델을 이용하여 고도하수처리 효율 향상을 위한 최적 공정 제어

46

(2) 연구개발의 성격

아이디어 개발 √ 시작품 개발 제품 또는 공정개발 기타

나. 연도별 연구개발의 목표 및 평가방법

단계 구분 연도 연구개발의 목표 연구개발의 내용 연구범위

1

단계

1차년도2007.4～

2008.3

·선진 기술 교류 및 새로운 인공지능 하수처리공정 모델 기법 개발·국내 하수처리장 운전 자료 수집

·인공 신경망 모델 기법 및 유전자 프로그래밍 모델 기법 교류·베이지안 네트워크 모델 기법 공동 개발·3가지 인공지능 기법 비교 연구·국내 대규모 하수처리장 운전 자료 수집·Pilot BNR(A2O) 공정 설치 및 운전 시작

·3가지 인공지능 모델 기법에 대한 하수처리공정 모델 프로그램 제작·국내 하수처리장 운전자료 수집 - 1년 이상 (D시,

C시 BNR 공정)

·하수처리장 운전 전문가 지식 및 경험자료 수집·Pilot A2O 반응기 제작(600 L/d)

·실하수(학교 내 발생 하수) 사용 운전 시작

2차년도2008.4～

2009.3

·국내 실정에 적합한 인공지능 하수처리공정 모델 기법 개발·Semi-pilot BNR

공정을 이용한 모델 적용성 평가

·국내 실정에 적용 가능한 인공지능 하수처리공정 모델 개발 및 보정·온라인 센서를 이용한 Pilot BNR 공정 모니터링·Semi-pilot BNR 공정을 이용한 모델의 적용성 평가·개발된 모델을 이용한 semi-pilot BNR 공정 제어

·한국형 인공지능 하수처리공정 모델 프로그램 제작·온라인 센서를 이용한 안정적 운전 자료 수집-SS, DO, ORP, pH, 온도,

etc.

·Pilot BNR 공정의 최적 운전조건 도출·변동 상황 대처 운전 방안 제시 (강우발생, 일일변화, 등)

다. 연도별 추진체계

(1) 연구개발의 추진 전략

인공지능 하수처리공정 모델 기법 개발은 뉴질랜드 ‘GNS Science'의 Dr. Timothy. Hong 이 개

발한 모델 기법을 기초로 새로운 인공지능 기법인 베이지안 네트워크 모델을 이용한 하수처리공정

모델을 공동 개발하고 이를 위하여 연구원 한명을 뉴질랜드 ‘GNS Science'로 6개월간 파견할 계획

이다. 연구원 파견에 필요한 모든 경비는 이미 본 연구소에서 ‘BK21 글로벌 인턴쉽 프로그램’에 선

47

정되어 충당되었기 때문에 연구비를 직접 연구하는데 효율적으로 사용할 수 있다.

인공지능 모델 전문가와 공동 개발한 하수처리장 모델 기법을 바탕으로 국내 실정에 적합한 모

델을 완성하기 위하여 국내 하수처리장의 다양한 운전결과를 수집할 예정이며 또한 온라인 센서를

적용하고 있지만 결과 해석이 어려운 처리장을 대상으로 개발된 모델의 적용성을 평가할 것이다.

또한 국내 하수처리장 현장 운전 전문가의 경험과 지식을 인공지능 모델에 적용하여 보다 현실적이

고 정확한 하수처리공정 모델을 개발할 것이다. 이와 같은 국내 실정에 적합한 인공지능 하수처리

공정 모델 개발에 ‘GNS Science'와 지속적인 연구협력으로 환경 선진국인 뉴질랜드와 관련 기술 국

제 연구 네트워크를 구성할 수 있을 것이다.

본 연구실은 선행 연구 과제로 진행했던 ‘하수처리장의 정보화 시스템’ 을 통해 하수처리공정 모

델에 대한 풍부하고 다양한 경험과 지식을 얻게 되었으며, 이를 바탕으로 선진 기술을 갖고 있는

'GNS Science'와의 국제공동연구를 통해 ‘한국형 인공지능 하수처리공정 모델’ 을 개발할 것이다.

국제 공동 연구로 개발된 한국형 인공지능 하수처리공정 모델의 적용성을 평가하기 위해 본 연

구에서는 Pilot BNR 공정을 설치하고 실하수를 처리하면서 이에 따른 운전 자료를 수집할 것이다.

이를 통하여 얻은 운전 자료를 바탕으로 개발된 모델의 정확성을 평가하고 다양한 유입 하수 조건

에 따른 공정 제어를 실시하여 개발된 모델의 적용성을 평가할 것이다. 또한 개발된 모델을 이용하

여 하수처리장에서 발생 가능한 위기 상황에 대해 적절한 대처 운전 방안을 제시할 것이다.

(2) 연차별 추진체계

48

49

제3장 연구개발 결과 및 활용계획

가. 연구개발 결과 및 토의

(1) 본 연구를 통해 개발된 인공지능 모델 적용을 위한 프로그램

(가) 인공지능 모델 기법의 필요성

하수처리공정은 유입수의 다양한 특성과 운전 조건 및 환경 변화에 민감한 특성으로 인해 기존

의 mechanistic 모델을 이용한 장기간 하수처리공정 모사에는 다음과 같은 한계가 있다. 실제 현장

에서 직접 측정하거나 추정하기 어려운 모델 상수들이 너무 많고, 모델 상수 값은 고정되어있지만,

실제 시간이나 주변 조건에 따라 변하며, 복잡한 미생물 기작으로 비선형성이 강한 하수처리공정의

생물학적·화학적 특성을 완벽히 반영하지 못한다.

반면에 인공지능 모델은 비록 모델 적용 및 구성을 위해서는 과거 장기간의 운전 데이터가 필요

하다는 단점이 있지만, 하수처리공정의 성능을 예측함에 있어 높은 정확성이 있으며 (Hong, Y.-S et

al., 2003), mechanistic 모델과는 달리 하수처리 현장의 운전자들이 복잡한 수학적 모델 식이나 알고

리즘에 대한 깊은 지식이 없어도 손쉽게 사용 가능하다.

그림 13. 하수처리공정에 인공지능모델 기법 적용

50

그림 14. 본 연구에서 인공 신경망 기법 적용을 위한 프로그램

일반적으로 인공지능 모델 기법은 절차적인 알고리즘이 정해져 있지 않고, heuristic한 방법만이

사용 가능한 영역이나, 주어진 데이터가 불확실성을 내포한 경우에 적합하다고 알려져 있다. 또한

인공지능 모델은 진단, 추론, 예측에 매우 효과적으로 사용할 수 있기 때문에 하수처리공정에 인공

지능 모델 기법을 적용하면 매우 효과적일 것으로 사료된다.

이에 본 연구팀에서는 하수처리공정에 인공지능 모델 기법 적용의 필요성을 절실히 느껴, 본 연

구를 시작하였으며, 이를 위해 각기 다른 세 종류의 인공지능 모델 기법이 적용 가능한 프로그램을

개발하였다.

(나) 인공 신경망 (Neural network) 기법 적용을 위한 프로그램

본 과제에서 인공 신경망 모델을 구성하기 위해 사용한 프로그램은 위탁 연구 책임자인 Timothy

Hong이 보유하고 있는 ‘NeuroGenetic Optimizer'를 사용하였다. (그림 14 참고) 본 프로그램은 사

용자들이 컴퓨터 프로그래밍에 대한 깊은 지식이 없이도 사용 가능하다.

본 과제에서는 다양한 인공 신경망 모델 중에서, 가장 대표적인 모델 중의 하나인 역전파

(Backpropagation) 알고리즘으로 훈련된 다층 퍼셉트론 인공 신경망 모델을 사용하였다. 일반적으로

51

인공 신경망 모델은 모델 구조에 따라서 결과 값이 완전히 달라질 수 있기 때문에, 정확한 예측 성

능을 보일 수 있는 최적의 모델 구조를 결정하는 것은 매우 중요하며 쉽지 않은 작업이다. 하지만,

경우의 수가 무한한 모델의 구조를 일일이 시행착오법(trial ane error method)을 통해 시뮬레이션

하여 최적의 구조를 찾는 것은 거의 불가능하다. 따라서 본 과제에서는 또 다른 인공지능 모델 기

법 중의 하나인 ‘유전자 알고리즘’을 적용하여 인공 신경망 모델의 구조를 자동으로 구성하였다.

(다) 유전자 프로그래밍 (Genetic programming) 기법 적용을 위한 프로그램

본 과제에서는 유전자 프로그래밍 기법 적용을 위해 상용 프로그램 툴인 ‘Matlab' 을 이용하여

위탁 연구 책임자인 Timothy Hong이 개발한 프로그램을 사용하였고, 본 연구에 적합하도록 일부

수정하였다. (그림 15 참고) 본 연구팀에서는 이 프로그램 역시 컴퓨터 프로그래밍에 대한 지식이

없어도 사용 가능하게 제작하였다.

그림 15. 본 연구에서 유전자 프로그램 모델을 위해 사용한 프로그램

52

파라미터 값

개체 수 500

세대 수 50

교차 확률(%) 65

돌연변이 확률(%) 25

복제 확률(%) 10

사용가능한 함수 , , - , +, , , , Log e∧ × ÷

본 연구에서 사용한 유전자 프로그래밍의 기본 알고리즘은 다음과 같다.

(1) 초기화: 임의로 초기 개체군(N개)을 생성한다. 세대 K=0

(2) 유전자 루프(Genetic loop): 세대 K=Kmax 가 될 때까지 반복 실행한다.

(a) 개체군에서 각각의 모델을 실행한다.

(b) 현재 세대의 개체군에서 각각의 모델에 대한 목적함수를 구한다.

(c) 현재의 개체군에서 교차, 돌연변이, 복제 연산에 의해 새로운 개체군을

생성한다.

(ⅰ) 교차연산, 돌연변이, 복제 연산의 확률을 정한다.

(ⅱ) 교차연산, 돌연변이, 복제 연산을 이용하여 새로운 개체군을 생성한다.

(ⅲ) 모두 N개의 개체군이 발생할 때까지 (ⅰ)과 (ⅱ) 과정을 반복한다.

(ⅳ) parent 개체군의 old 모델은 생성된 새 모델로 대체된다.

(d) 다음 세대(K+1)로 진행한다.

표 6은 본 연구에서 사용한 유전자 프로그래밍의 파라미터와 사용가능한 함수를 나타낸다. 사용

가능한 함수로는 기본 산술 연산자인 +, -, ×, ÷ 함수들과 ＾(승;power), √ (루트;root), Log,

exponential 함수들이 사용되었다. 본 연구에서 세대 수는 모두 50이며, 각 세대는 500개(개체 수)의

후보 모델을 포함하고 있다. 교차, 돌연변이, 복제 연산의 확률은 각각 65, 25, 10%로 하였다. 이는

전 세대에 생성된 좋은 모델들이 버려지는 것을 막기 위해 10%의 복제 연산을 허용하였다.

표 6. 본 연구에서 사용한 파라미터와 사용가능한 함수

53

그림 16. 본 연구에서 뉴로 퍼지 모델을 위해 사용한 프로그램

(라) 뉴로 퍼지 (Neuro-fuzzy) 기법 적용을 위한 프로그램

본 과제에서 뉴로 퍼지 모델을 구성하기 위해 사용한 프로그램은 위탁 연구 책임자인 Timothy

Hong이 MATLAB을 이용하여 개발한 ‘Dynamic neuro-fuzzy local modelling system (DNFLMS)'이

다. (그림 16 참고) 본 프로그램 역시 다른 프로그램들과 마찬가지로 사용자들이 손쉽게 이용할 수

있다.

54

(2) 인공지능 기법을 이용한 활성 슬러지 공정에서의 Fecal Coliform 모델링

(가) 연구 배경

하수 처리장으로 유입되는 Fecal coliform (FC)의 농도는 시간 및 계절에 따라 그 변화가 크며,

유입된 FC는 처리장 내의 여러 가지 변수(e.g. 오염 물질, 미생물, 온도)들에 영향을 받으며, 물리·화

학학적, 생물학적 처리 공정을 거치며 많은 양이 제거가 된다. 여러 문헌에 보고된 바에 의하면, 하

수 처리장 내에서 FC 전체 제거율은 일반적으로 적게는 90%에서 많게는 99% 이상으로 높다

(Miescer and Cabelli, 1982; James, 1985; Rose et al., 1996; Koivunen et al., 2003). 하지만, 이렇게

높은 제거율에도 불구하고, 유입수 내의 FC의 농도가 워낙 높기 때문에 하수 처리장의 방류수 내에

여전히 높은 농도의 FC 가 존재할 수 있는 가능성이 있다. 따라서 하수 처리장 내의 더욱 효과적인

FC 의 관리를 위해 방류수 내에 존재하는 FC 농도를 정확히 예측할 수 있는 공정 모델 개발이 필

요하다. 하지만, 지금까지 하수 처리장 내의 FC 처리 원리와 여러 가지 변수들과의 복잡한 관계도

정확히 규명되지 않았으며, FC 거동을 정확히 모사할 수 있는 효과적인 모델에 대한 연구도 미비한

실정이다.

이에 본 연구팀에서는 앞서 설명했던 3 종류의 인공지능 모델 기법(인공 신경망 모델, 유전자 프

로그래밍 모델, 뉴로 퍼지 모델) 각각을 이용하여 실제 하수처리장의 여러 변수를 통해 유출수의

FC 농도 (FCout) 예측 모델을 구성하였다.

또한, 본 연구에서는 2 종류의 다변수 FCout 농도 예측 모델을 생성하였다; (1) 현재 FCout 예측을

위한 다변수 Static 모델, (2) 하루 후의 FCout 예측을 위한 다변수 Dynamic 모델.

다변수 Static 모델은 현재의 입력 변수의 값만을 사용하여 현재의 FCout 값을 예측하는 모델이며,

다변수 Dynamic 모델은 현재 입력 변수들의 값뿐만이 아닌, 입력 변수들의 과거 값까지 이용하는

모델이다. 본 연구에서는 과거 2일 전까지의 값을 Dynamic 모델 구성에 이용하였다.

(나) 모델 구성을 위한 데이터

‘GNS Science'의 Timothy Hong으로부터 인공지능 모델의 하수처리공정 적용 기법을 습득하고

개발하기 위하여, 사용한 운전 자료는 ’GNS Sciences'에서 보유하고 있는 1996년 1월 4일부터 1996

년 12월 28일까지 360일 동안의 표준활성슬러지 공정을 이용한 뉴질랜드의 Wellington 하수처리장

의 운전 자료이다. 표 7는 운전 자료의 각 변수들에 대한 통계 분석 자료를 나타낸 것으로, 모두 8

개의 변수를 이용하였으며 인공지능 모델의 적용을 위해 각 변수들의 일일 평균값을 사용하였다. 8

개의 변수들 중에서 강우량, 유입 유량, 수온, 유입수의 Fecal coliform 농도(Log FCin), 폭기조 내의

pH, DO, MLSS 농도는 모델 구성을 위한 입력 변수로 사용되었으며, 출력 변수는 유출수의 Fecal

coliform 농도(Log FCout) 이다.

55

표 7. 8개 변수의 통계 값

변 수 설 명 단 위 최 소 최 대 평 균

Rainfall The amount of rainfall mm/day 0 57.5 3.63

Flow Influent flow rate m3/day 4361 9260 5248

Temperature Liquid temperature °C 11 22 16.17

Log FCin FC in influent(Log) MPN/100mL 3.653 6.499 4.989

pHplant pH in the reactor - 6.6 8 7.084

DO DO in the reactor mg/L 2.2 9 6.521

MLSS MLSS in the reactor mg/L 2008 3876 3169

Log FCout FC in effluent(Log) MPN/100mL 1.546 5.098 2.922

모두 360개의 운전 자료 중에서 55%(198개)는 인공지능 모델 훈련(training data sets)에 사용되었

고, 나머지 45%(162개)는 훈련을 통해서 생성된 모델의 테스트(testing data sets)를 위해 사용되었

다.

(다) FCout 예측 결과

인공 신경망 모델(Neural network) 모델 예측 결과

· 현재 FCout 예측을 위한 다변수 Static 모델 결과

현재 FCout 값을 가장 정확하게 예측하기 위한 인공 신경망 모델의 구조는 유전자 알고리즘을 이

용하여 최적화 시켰다. 최적화 된 모델의 구조는 4개의 입력 변수들과(유입유량, 수온, FCin, pH) 2

개의 Hidden layer를 갖고 있었다. 첫 번째 Hidden layer는 1개의 logsigmoid transfer function의

뉴런과, 4개의 hyperbolic tangent transfer function과 1개의 linear transfer function의 뉴런으로 구

성되어 있었고, 두 번째 Hidden layer는 2개의 log sigmoid, 1개의 hyperbolic tangent, 1개의 linear

뉴런으로 구성되어 있었으며, Output layer는 1개의 log sigmoid transfer function으로 구성되어 있

었다.

이러한 구조의 인공 신경망 모델을 본 연구의 훈련 자료에 적용하였을 경우, RMSE 값은 0.3512

였고, 테스트 자료에 적용했을 경우에는 0.313으로 나타났다. 따라서 현재 FCout 값을 예측하기 위한

인공 신경망 Static 모델 역시 상당히 정확함을 알 수 있다. (그림 17 참고)

56

( ) ( )

1.267 ( ) 33.09 ( ) = 1.44 ( ) ( 0.2283) ( ) 4.685

( )

Log FC tininLog FC t

out inLog FC t Log FC t temperature t

temperature t⋅ + − − ⋅ +$ (1)

그림 17. 인공 신경망 Static 모델에 의해

예측된 유출수 FCout 농도

그림 18. 인공 신경망 Dynamic 모델에 의해

예측된 유출수 FCout 농도

· 하루 후의 FCout 예측을 위한 다변수 Dynamic 모델 결과

인공 신경망 모델을 적용하여 하루 후의 FCout 값을 예측한 결과, 훈련 자료와 테스트 자료의

RMSE 값은 각각 0.3665, 0.3445로 Static 모델만큼 정확하지는 않지만, Dynamic 모델 역시 어느 정

도 정확한 것으로 나타났다. 이 때 유전자 알고리즘에 의해 선택된 인공 신경망 모델의 입력 변수

들은 하루 전의 수온, 현재와 이틀 전의 FCin, 현재와 하루, 이틀 전의 DO값으로 모두 6개였으며,

모델의 구조는 4개의 log sigmoid, 2개의 linear 뉴런으로 구성된 첫 번째 Hidden layer와 1개의

log sigmoid, 2개의 linear 뉴런으로 구성된 두 번째 Hidden layer, 그리고 1개의 log sigmoid 뉴런

으로 나타났다. 그림 12는 실측값과 모델에 의해 예측된 값을 보여준다.

유전자 프로그래밍(Genetic programming) 모델 예측 결과

· 현재 FCout 예측을 위한 다변수 Static 모델 결과

유전자 프로그래밍의 특성 상, 처음 구성되는 모델은 일정한 규칙이 없이 무작위로 생성되기 때

문에, 초기에 생성되는 모델에 따라서 결과가 달라질 수 있다. 따라서 본 연구에서는 더욱 정확한

모델을 구성하기 위해 15번의 시뮬레이션을 수행하였다. 그 결과 식 (1)이 현재의 입력 변수 값들만

이용하여, 가장 정확하게 동 시간대의 FCout 값을 예측하는 것으로 나타났으며, 식 (1)뿐이 아닌 다

른 식들도 거의 비슷한 정확성을 보였다.

식 (1)에 의해 예측된 모델을 훈련 자료에 적용하였을 경우, RMSE 값은 0.312였고, 테스트 자료

57

( )( )

2

1

1

( , 1, 2) ( 1) ( 2) 250.7 ( ) =

3.398 10.7 ( )

( , 1, 2) = ( ) ( 2) ( 1) ( 2)

in in

out

in

in in

f t t t Log FC t Log FC tLog FC t

Log FC t

f t t t Log FC t Log FC t temperature t temperature t

− − + − + − −

⋅ −

− − ⋅ − + − + −

$(2)

그림 19. 유전자 프로그래밍 Static 모델에

의해 예측된 유출수 FCout 농도

그림 20. 유전자 프로그래밍 Dynamic 모델에

의해 예측된 유출수 FCout 농도

에 적용했을 경우에는 0.3424로 나타났다. 이를 통해 유전자 프로그래밍에 의해 생성된 모델의 예측

값과 실측값이 상당히 잘 맞는다는 것을 알 수 있다. 식 (1)로부터 예측된 값과 실측값의 비교는 그

림 19에 나타내었다.

유전자 프로그램은 간단하면서 정확한 모델을 만들기 위해 초기에 입력된 모든 입력 변수들을

사용하는 것이 아니고, 여러 입력 변수들 중에서 결과 값에 큰 영향을 미치는 입력 변수들만 모델

구성에 사용한다. 식 (1)을 살펴보면, 초기에 입력된 7개의 입력 변수들 중에서, 온도와 유입수의

Fecal coliform 농도 값(FCin)만 모델 구성에 사용하고, 나머지는 사용하지 않았다는 것을 알 수 있

다. 따라서 본 연구 대상의 하수처리장에서는 동 시간대의 수온과 FCin 값이 FCout 에 큰 영향을 주

는 것으로 나타났으며, 상대적으로 강우량, 유입 유량, 폭기조 내의 pH, DO, MLSS 농도는 FCout 값

에 큰 영향을 미치지 않는 것으로 나타났다.

· 하루 후의 FCout 예측을 위한 다변수 Dynamic 모델 결과

하루 후의 FCout 값을 예측하는 모델 생성을 위해 유전자 프로그래밍에 적용한 결과, 식 (2)의 수

식 모델이 가장 정확한 모델로 나타났다. 모델 식 (2)에 의한 훈련 자료의 RMSE값은 0.3546 이었고,

테스트 자료에 적용했을 경우는 0.373으로, 현재의 FCout 예측을 위한 Static 모델(식 (1))만큼 정확하

지는 않지만, 유전자 프로그래밍에 의해 생성된 하루 후의 FCout 을 예측하는 모델(식 (2)) 또한 상

당히 정확한 것으로 나타났다. (그림 20 참고) 또한, 식 (2)를 살펴보면, Dynamic 모델 역시 Static

모델과 마찬가지로, 수온과 FCin 값이 FCout에 큰 영향을 나타나는 것으로 나타났다.

58

뉴로 퍼지(Neuro fuzzy) 모델 예측 결과

· 현재 FCout 예측을 위한 다변수 Static 모델 결과

뉴로 퍼지 모델은 ‘유전자 프로그래밍 모델’ 과 ‘유전자 알고리즘을 이용한 인공 신경망 모델’ 과

는 달리 출력 변수에 상대적으로 크게 영향을 미치는 입력 변수를 자동으로 선택하지 못하고 모두

이용한다. 이에 본 연구에서는 7개의 입력 변수 각각에 대한 출력 변수(FCout)와의 correlation

coefficient 분석을 실시하였다. 그 결과, 수온과 FCin이 가장 FCout과 가장 큰 상관관계를 보여, 수온

과 FCin 값만을 입력 변수로 사용하여 모델을 구성하였다.

생성된 모델을 본 연구의 훈련 자료와 테스트 자료에 각각 적용했을 경우, RMSE 값은 0.301,

0.373으로 나타났다. 이 값은 뉴로 퍼지 모델이 유전자 프로그래밍 모델이나 인공 신경망 모델만큼

정확성을 갖고 있지는 않지만, 큰 차이 없이 정확한 것을 나타낸다. (그림 21 참고)

그림 21. 뉴로 퍼지 Static 모델에 의해

예측된 유출수 FCout 농도

그림 22. 뉴로 퍼지 Dynamic 모델에 의해

예측된 유출수 FCout 농도

· 하루 후의 FCout 예측을 위한 다변수 Dynamic 모델 결과

하루 후의 FCout 값을 예측하기 위해, Dynamic 모델을 뉴로 퍼지 모델에 적용한 결과, 훈련 자료

에 대한 RMSE 값은 0.343, 테스트 자료에 대한 RMSE 값은 0.417 이었다. 이 모델의 경우약간의

over-fitting은 보이지만, 그래도 다른 모델들과 같이 상당히 정확한 것을 알 수 있다.(그림 22 참고)

over-fitting은 모델의 훈련이 과도하게 진행되었을 경우 나타날 수 있는 현상인데, 이는 모델 훈련

강도를 줄이면 줄일 수 있을 것으로 사료된다.

59

(3) 하수처리공정의 온라인 추정을 위한 베이지안 추정 기법 개발

(가) 연구 배경

실제 하수 처리 공정은 유입 하수 유량과 유입수 내 여러 오염 물질 성상이 시간에 따라 일정하

지 않고, 다양하기 때문에 하수 처리 공정의 제어와 최적화를 위한 모델은 실시간으로 시간에 따라

다양한 하수 처리 공정의 운전 조건을 모사할 수 있어야 한다. 이와 같이 실시간으로 측정된 과거

값에 기초하여 시간에 따라 변화 가능한 현재의 상태 변수(state)를 추정하는 것이 ‘온라인 추정

(online estimation)’ 또는 ‘필터링(filtering)’ 이다. 하지만 하수 처리 공정 내의 몇 가지 변수들(예,

미생물, 고형물)은 현재까지 계측 기술의 부족으로 인해 온라인으로 정확히 측정하기가 어려운 실정

이다. 따라서 지난 30년간 mechanistic 모델에 기초하여, 온라인으로 손쉽게 측정 가능한 변수(예,

DO)로부터 측정하기 어려운 변수를 추정하기 위한 시뮬레이션 알고리즘 개발에 대한 연구가 활발

히 진행되었다(Dochain, 2006).

하수 처리 공정에 적용된 온라인 추정 알고리즘 가운데, 가장 널리 알려진 것은 시스템이 선형이

란 가정을 사용한 ‘칼만 필터링(Kalman filtering)' 이다(Kalman, 1960). 하지만 비선형인 Monod

type의 방정식에서 수학적으로 Jacobian matrix를 구할 수 없고, 하수 처리 공정 자체가 비선형성을

띠고 있기 때문에 칼만 필터링은 하수 처리 공정의 mechanistic 모델에 직접적으로 적용할 수가 없

다. 따라서 많은 연구자들이 칼만 필터링을 하수 처리 공정에 적용하기 위해서 비선형 모델을 선형

화 시키는 노력을 하였다(Marsili-Libelli, 1984; Bastin and Dochain, 1990; Jeppson, U. and Olsson,

G., 1993; Zhao and Kümmel, 1995; Lukasse et al., 1999; Boaventura et al., 2001; Dochain, 2006).

그러나 비선형성이 강한 하수 처리 공정을 선형화 시킬 경우, 모델의 정확성이 떨어질 가능성이 높

기 때문에, 칼만 필터링을 대신하여 여러 종류의 비선형 추정 알고리즘이 제안되었다.

최근에는 비선형/비가우시안 유형의 ‘Bayesian 추정' 방법 중에 하나인 ‘Particle filter' 라고도 널

리 알려진 ‘Sequential Monte Carlo (SMC)' 알고리즘 에 대한 연구가 활발하다(Gordon, 1993;

Doucet, 1998; Doucet et al., 2000). SMC 알고리즘의 기본적인 이론은 이미 1950년대에 통계학이나

물리학 분야에서 소개 되었고, 1990년대에 이르러 ‘Resmapling' 개념이 도입되고 나서부터 비약적으

로 발전하게 되었다(Gordon, 1993; West, 1993: Kitagawa, 1996; Pitt and Shephard, 1999; Liu,

2001).

본 과제에서는 원래 계획에는 없었으나, 과제를 진행하다보니 하수처리공정의 온라인 추정을 위

해 베이지안 추정 기법이 절실히 필요하다고 사료되어 본 연구를 진행하였다. 이에 본 연구에서는

SMC알고리즘을 이용하여 Sequencing Batch Reactor (SBR)의 미지의 상태 변수를 시간에 따라 연속

적으로 추정하는 방법을 제안하였다. SBR 공정은 mechanistic 모델의 대표적인 Activated sludge

model No. 1 (ASM 1) (Henze et al., 1987)을 간략화 시킨 모델을 사용하여 모사하였다.

60

(나) Sequential Monte Carlo 알고리즘

Recursive Bayesian 추정의 구성

한 시스템에서 미지의 상태 변수를 시간에 따라 연속적으로 추정하기 위해서는 식 (3)과 같은 우

리가 추정하고자 하는 시스템 방정식과 식 (4)와 같은 측정 방정식이 필요하다.

1 1( , , ) for 2,.....,k k k k kX f X w k nν− −= = (3)

( , ) for 2,.....,k k k kZ h X k nη= = (4)

여기서 kX , 1kν − , kw 는 각각 상태 변수 벡터, 입력 변수 벡터, 시스템 오차 벡터를 나타

내며, kZ , kη 는 각각 측정 벡터, 측정 오차 벡터를 나타낸다.

시스템의 특성을 나타내는 상태 공간 방정식에서 시스템 방정식과 측정 방정식은 각각 Prior

function 과 Likelihood function 으로 나타내어지며, 이 방정식들을 이용하여 우리가 구하고자 하는

것은 시스템의 측정값에 대한 상태 변수 확률인 사후 밀도(Posterior density) 이다.

k 시간에서의 추정한 상태 변수의 확률밀도함수는 k-1 시간까지 얻은 측정값을 통해

Chapman-Kolmogorov 방정식을 이용해서 식 (5)와 같이 표현할 수 있다.

1: 1 1 1 1: 1 1( ) ( ) ( )

k k k k k k kp X Z p X X p X Z dX− − − − −= ∫ (5)

또한, Bayes' rule을 이용해서 k 시간까지의 측정값을 얻었을 때 1: 1( )

k kp X Z − 는 식 (6)과 같이 구

할 수 있다.

1: 1

1:

1: 1

( ) ( )( )

( )

k k k k

k k

k k

p Z X p X Zp X Z

p Z Z

−

−

= (6)

여기서, 정규화(normalize) 역할을 수행하는 1: 1( )

k kp Z Z − 는 Chapman-Kolmogorov 방정식을 통

해서 식 (7)와 같이 구할 수 있다.

1: 1 1: 1( ) ( ) ( )

k k k k k k kp Z Z p Z X p X Z dX− −= ∫ (7)

식 (5)을 (6)에 대입하면, 다음과 같은 식 (8)을 구할 수 있다.

61

1 1: 1 1: 1 1

1:

1: 1

( ) ( ) ( ) ( )

( )

k k k k k k k

k k

k k

p Z X p X Z p X Z dXp X Z

p Z Z

− − − −

−

= ∫ (8)

위와 같이 시스템의 특성을 연속적인 함수로 표현하면 시스템의 최적성은 유지할 수 있지만, 수

학적으로 계산함에 있어 상당한 어려움이 따른다. 따라서 이러한 어려움을 줄이기 위해 위와 같이

연속적으로 표현된 식을 이산화 하여 문제를 해결하는 것이 SMC 알고리즘이다.

SMC 알고리즘의 기본 원리

SMC알고리즘은 많은 수의 ‘particle'을 이용하여 우리가 얻고자 하는 미지의 상태 변수의 확률밀

도함수를 근사적으로 구하는 방법으로, SMC알고리즘을 이용하여 경험적으로 추정된 사후 확률밀도

함수는 식 (9)과 같이 표현할 수 있다.

1:

1 1

( ) ( - ), 1, 0 � �

i i i i

k k k k k k k

i i

p X Z w X X w wδ= =

= = ≥∑ ∑ (9)

여기서, { }, 1,2,....,ikX i �= = 는 사후 확률밀도함수로부터 도출되는 다수의 particle이며, ( )Xδ

는 Dirac delta 함수이고, { }, 1,2,....,ikw i �= = 는 중요 가중치(important weights)이다. SMC알고리

즘은 particle의 수가 많을수록 보다 정확한 값을 구할 수가 있지만, 무한정 많은 particle을 사용할

수는 없다. 따라서 ‘Sequential Importance sampling' (SIS) 개념을 도입하게 되었고, 이 개념은 사후

분포로부터 필요한 particle 만 바로 도출하는 것이 불가능하기 때문에, 보다 쉽게 알 수 있는

proposal 분포인 1:(x z )

k kπ 를 사용해서 사후 분포를 근사화 시키는 것이다. 여기서 중요 가중치는

다음 식 (10)과 같이 표현된다.

1:

1:

( )

( )

i

k ki

k i

k k

p X Zw

X Zπ∝

(10)

현재 시간 k 에 대해 사후 분포의 연속적인 추정을 위하여, 현재의 상태 변수 값은 현재 상태의

측정값과 과거 k-1 시간의 상태 변수 값의 영향만을 받는다는 가정 하에 proposal 분포를 다음 식

(11)과 같이 표현할 수 있다.

11: 1: 1 1:( Z ) ( | ) ( | , )

k k

i i i i

k k k k kX X Z X X Zπ π π

− −= (11)

따라서 중요 가중치의 반복적인 계산은 다음 식 (12)과 같이 표현할 수 있다.

62

1

1

1 1:

(Z X ) ( X )

(X X ,Z )

i i i

k k k ki i

k k i i

k k k

p p Xw w

π−

−

−

∝ (12)

식 (12)는 proposal 분포의 적절한 선정을 통해 주어지는 중요 가중치의 갱신을 연속적인 방법으

로 제공한다. 하지만 식 (12)를 이용하여 반복적으로 중요 가중치를 계산하면 이것의 분산이 증가하

게 되어, 정규화 된 중요 가중치 중에 어떤 것들은 ‘1’의 값을 가지는 것이 있고, 어떤 것들은 ‘0’의

값을 가지게 된다. 이러한 현상을 퇴화(degeneracy) 현상이라고 부르며, 이는 모델의 정확도를 떨어

뜨린다. 따라서 이러한 현상을 방지하기 위해서는 수치적으로 무의미한 중요 가중치를 제거하고, 상

대적으로 중요한 중요 가중치를 증가시키는 ‘Resampling'(selection) 방법이 필요하다.

‘Sampling Importance Resampling' (SIR) (Smith and Gelfand, 1992; Gordon et al., 1993)은 간단

히 SIS에 Resampling 과정만을 첨가한 것이다. 초기의 particle 들은 Prior function에 의해 가중치

를 갖게 되고, resampling 과정을 통해 가중치가 낮은 particle 들은 제거가 되고, 가중치가 큰

particle들은 남아 각각의 가중치만큼 다시 쪼개진 후 무작위로 퍼진다. 이와 같은 과정을 통해서 퇴

화 현상을 막을 수 있다. 본 연구에서는 ‘Residual resampling' (Higuchi, 1996; Liu and Chen,

1998)과 ‘Systematic resampling'(Kitagawa, 1996), 그리고 ‘Multinomial resampling'(Gordon et

al.,1993)을 사용하여 각 resampling 방법이 모델의 정확성과 효율성에 미치는 영향을 알아보았다.

(다) SMC 알고리즘 적용을 위한 SBR 반응조

높이 55cm, 넓이 21cm 의 Lab-scale SBR 반응조를 설치하였으며, ‘Sodium acetate' 와

‘Ammonium chloride'를 이용하여 만든 농축액을 희석하여 합성 폐수로 사용하였다. 합성 폐수는

펌프에 의해 자동으로 반응조로 내로 유입되었으며, 반응조 바닥에 설치된 산기석을 통해 반응조

내로 산소가 공급되었다. 본 실험에서 biochemical oxygen demand (BOD)와 암모니아의 농도는 20

분에 한 번씩 측정되었으며, dissolved oxygen (DO)의 농도는 반응조 내에 설치된 DO 센서에 의해

서 15초에 한 번씩 측정되었다.

(라) SBR 반응조의 호기 조건 모사에 SMC 알고리즘 적용

본 연구에서는 ASM 1 모델을 간략히 변형시켜 식 (13)~(15)와 같이 BOD, NH4+, DO의 세 가지

성분만을 고려하여 물질 수지 방정식을 구성하였으며, 호기 조건만을 고려하였다. 표 8은 시뮬레이

션에 사용된 파라미터 및 변수에 대한 설명과 값을 보여준다. 본 연구의 코딩과 시뮬레이션 모두

상용화된 프로그램인 Matlab 7.1을 이용하여 수행하였다.

63

변수 설명 값t Time [s] -

�H NH4+concentration [mgN-NH4/L] -

BOD BOD concentration [mgO2/L] -

O DO concentration [mgO2/L] -

,

B HX Heterotrophic biomass concentration [mg/L] -

,B AX Autotrophic biomass concentration [mg/L] -

BODK Half velocity coefficients of BOD for the heterotrophic biomass [mg/L] 0.001

�HK Half velocity coefficients of NH4

+ for the autotrophic biomass [mg/L] 0.56

,O HK Half velocity coefficients of DO for the heterotrophic biomass [mg/L] 1.0006

,O AK Half velocity coefficients of DO for the autotrophic biomass [mg/L] 0.00775

maxOS Maximum DO concentration [mgO2/L] 8.11

Lk a Oxygen mass-transfer coefficient [s

-1] 0.0018

HY Yield coefficients of heterotrophic biomass [gcell/gsubstrateremoved] 0.5

AY Yield coefficients of autotrophic biomass [gcell/gsubstrateremoved] 0.07

ˆH

µ Specific growth rate of heterotrophic biomass [day-1] -

ˆA

µ Specific growth rate of autotrophic biomass [day-1] -

f Coefficient for NH4+content of BOD [mgN-NH4

+removed/mgBODremoved] 0.05

,

,

ˆ( ) ( ) ( )

( ) ( )

BOD BOD OH

B H

H BOD BOD O H O

dS t S t S tX

dt Y K S t K S t

µ= −

+ +

(13)

, ,

, ,

ˆ ˆ( ) ( ) ( ) ( ) ( )

( ) ( ) ( ) ( )

�H �H O BOD OA H

B A B H

A �H �H O A O H BOD BOD O H O

dS t S t S t S t S tX f X

dt Y K S t K S t Y K S t K S t

µ µ= − −

+ + + +

(14)

( )max

,

,

,

,

ˆ( ) ( ) ( )( ) (1 )

( ) ( )

ˆ ( ) ( ) (4.57 )

( ) ( )

O BOD OH

L O o H B H

H BOD BOD O H O

�H OA

A B A

A �H �H O A O

dS t S t S tk a S S t Y X

dt Y K S t K S t

S t S tY XY K S t K S t

µ

µ

= − − −+ +

− −+ +

(15)

표 8. 본 연구에 사용한 변수

일반적으로 하수 처리 공정에서 종속 영양 미생물(XB,H)과 질산화 미생물(XB,A)의 농도 변화 속도

는 기질 감소 속도에 비해 상대적으로 느리며, Basting과 Dochain(1990)의 연구 결과에 따르면, 각

미생물의 yield coefficient 값과 specific growth rate 값은 시간에 따라서 변한다는 것을 알 수 있

다. 따라서 본 연구에서는 다음 식 (14)과 같이 시간에 따라 값이 변하는 각 미생물의 농도와 yield

coefficient 값, specific growth rate 값의 조합을 온라인으로 측정된 DO값을 바탕으로 SMC 알고리

즘을 적용하여 시간에 따라 추정하였으며, 이 추정된 값을 바탕으로 식 (13), (14), (15)을 이용하여

BOD와 NH4+의 값도 추정하였다.

64

, ,, ,

ˆ ˆ, H A

B H B A

H �

B H B AX X

Y Y

µ µθ θ= = (16)

(마) SMC 알고리즘의 추정 결과

SMC 알고리즘을 적용할 때는 상태 변수의 초기 값과 더불어 최적의 상태 변수와 측정값에 대한

잡음(noise) 값(Q, R)을 정하는 것이 매우 중요하다. Q값은 상태 변수가 취할 수 있는 범위를 결정

한다. 만약 큰 값의 Q값을 사용한다면, SMC 알고리즘이 최적의 해에 수렴하지 않을 가능성이 크

고, 작은 값의 Q값을 사용한다면, 상태 변수가 매우 좁은 범위에서만 움직일 것이다. 따라서 본 실

험에 최적의 Q값과 R 값을 찾기 위해 시행착오 법(trial-error method)에 기초하여 여러 번의 시뮬

레이션을 수행한 결과, ,B Hθ 에 대한 Q값은 2×10-7, ,B A

θ 에 대한 Q값은 1×10-7, R값은 0.01 로 나

타났다.

시뮬레이션을 위해, 초기의 ,B Hθ , ,B A

θ 은 각각 0.0068과 0.00103 이라고 가정하였으며, 반응

조의 초기의 BOD, NH4+, DO의 농도는 각각 5.62, 5.08, 0.2 mg/L 을 사용하였다. 또한, SMC 방법

의 특성 상 처음 생성되는 particle은 일정한 규칙 없이 무작위로 생성되기 때문에, 초기에 생성되는

particle에 따라서 결과가 달라질 수 있다. 따라서 본 연구에서는 각각 50번의 시뮬레이션을 수행하

였다.

SMC 알고리즘을 적용함에 있어, 최적의 particle의 수를 정하는 것 또한 중요하다. 따라서 본 연

구에서는 particle 수의 영향을 살펴보기 위하여, 각기 다른 수의 particle을 사용하여 시뮬레이션을

수행하였다. Table 3은 각 resampling 알고리즘과 particle 수에 따른 DO 값의 root mean squared

error(RMSE) 값과 시뮬레이션에 걸린 시간을 나타낸다. Table 3에 따르면, 세 가지 resampling 방법

이 모두 비슷한 결과를 보이는 것으로 보아, 본 연구에서 사용한 모델에서는 기존의 어떠한

resampling 방법을 쓰더라도 모델의 정확도나 효율성은 비슷한 것으로 사료된다. 또한, 큰 차이는

없는 것으로 나타났지만, 이론과 마찬가지로 particle 수가 많을수록 모델의 정확성이 조금 커지는

것으로 나타났다. 하지만, particle의 수가 늘어남에 따라, 시뮬레이션에 필요한 시간이 늘어나게 되

는 단점이 있다.

65

Resampling algorithm Residual

number of particles 100 500 1000 2000

RMSE 0.24552 0.2375 0.23282 0.23055

Execution time (sec) 30.7739 141.8057 279.8135 558.9586

Resampling algorithm Systematic

number of particles 100 500 1000 2000

RMSE 0.24648 0.23248 0.2293 0.22829

Execution time (sec) 31.0015 143.08 280.8201 565.189

Resampling algorithm Multinomial

number of particles 100 500 1000 2000

RMSE 0.2558 0.23842 0.23724 0.22567

Execution time (sec) 30.8395 142.5343 280.2652 560.8047

그림 23. Posterior probability of unknown ,B Hθ 그림 24. Averaged value of unknown ,B H

θ

표 9. 베이지안 추정 결과

그림 23과 25는 2000개의 particle과 multinomial resampling방법을 사용하였을 때, ,B Hθ ,

,B Aθ 의 시간에 따른 posterior 분포를 나타내며, 그림 24와 26은 이들의 평균값을 나타낸다. 그림

23과 25를 비교해보면, 종속 영양 미생물이 질산화 미생물 보다 불확실성이 더 큰 것을 알 수 있으

며, 질산화 미생물의 경우, 약 5500초 이 후부터 불확실성이 갑자기 증가하는 것을 알 수 있다. 이

러한 현상은 본 연구의 SBR반응조에서 질산화가 5500초 정도에 끝나기 때문에, 5500초가 지난 후

질산화 미생물의 불확실성이 증가하는 것으로 사료 된다.

그림 27, 28, 29는 각각 DO, BOD, NH4+의 실측값과 SMC 알고리즘에 의해 추정된 값의 비교를

보여준다. 비록 NH4+의 경우 실측값에 비해 약간 낮게 추정되었지만, 전체적으로 3가지 물질 모두

SMC 방법에 의해 추정된 값과 실측값이 상당히 잘 맞는다는 것을 알 수 있다.

66

그림 25. Posterior probability of unknown ,B Aθ 그림 26. Averaged value of unknown ,B A

θ

그림 27. Predicted and observed DO 그림 28. Predicted and observed BOD

그림 29. Predicted and observed NH4+

그림 30. Predicted and observed DO

본 연구에서는 지금까지 초기의 ,B Hθ , ,B A

θ 값을 알고 있다는 가정 하에 시뮬레이션을 진행

하였지만, 실제 하수 처리 공정에서는 이 값들을 정확히 알기가 쉽지 않다. 따라서 초기의 ,B Hθ ,

,B Aθ 값을 부정확하게 알고 있을 경우, SMC 알고리즘의 효율성을 알아보기 위해, 위에서 사용하

였던 초기값의 50% 만을 사용하여 시뮬레이션을 수행해 보았다. 그 결과 그림 30 에 나타난 것 같

이, 초기의 상태 변수 값을 정확하게 알지 못해도, SMC 알고리즘은 성공적으로 DO 값을 추정하는

것으로 나타났다.

67

대 상 시설 용량 (톤/일) 공 정

대구 서부 하수처리장 520,000 A2O

충남 천안 하수처리장 150,000 DNR

대구 북부 하수처리장 170,000 A2O

충남 금산 하수처리장 10,000 표준활성슬러지

경부 의성 하수처리장 18,000 A2O

(4) 인공지능 모델 기법을 이용한 장기간 국내 하수처리장 운전 데이터 모델링

(가) 연구 목적

본 연구팀에서는 본 과제의 1차년도에 개발된 인공지능 모델 기법의 국내 하수처리장에 적용 가

능성과 효율성을 검토하기 위해 장기간의 실제 하수처리장 데이터를 수집하여 3 종류의 인공지능

모델 기법 각각을 이용하여 유출수 성상 예측 모델을 구성하였다.

(나) 5 곳의 국내 하수처리장 선정

본 연구팀에서는 2006년 말 국내에서 가동 중인 344개의 하수처리장 중에서 시설 용량과 처리

공정을 기준으로 검토하여 모두 5 곳의 하수처리장을 선정하여 장기간 데이터를 수집하였다. 하수

처리장 선정에 고려 된 사항은 1) ‘하수처리시설 용량에 따른 대규모, 중규모, 소규모 하수처리장의

적절한 분배’, 2) ‘하수처리공정에 따른 기존 표준활성슬러지 공정, 고도처리 공정의 적절한 분배’

이다.

이와 같은 기준으로, 본 연구팀에서는 대구 서부 하수처리장, 충남 천안 하수처리장, 대구 북부

하수처리장, 충남 금산 하수처리장, 경북 의성 하수처리장(표 10 참고)의 장기간 운전 데이터를 수

집하여 인공지능 모델 기법을 이용하여 유출수 성상 예측 모델을 구성하였다.

표 10. 본 연구 대상 하수 처리장

운전 데이터를 수집한 결과, 모든 하수처리장에서 daily로 보유하고 있는 운전 데이터의 항목은

유입수의 유량, 유입수와 방류수 각각에 대한 6대 항목(BOD, COD, SS, TN, TP, 대장균)이었다. 물

론, 본 연구팀에서 수집한 운전 데이터는 단위 공정의 오염 물질 농도도 포함되어 있었으나, 이는

매일 측정된 것이 아니기 때문에 인공지능 하수처리공정 모델을 구성할 때 사용할 수 없어 배제하

였다.

68

변 수 최대값 최소값 평균값

유입 유량 (톤/일) 562,574 254,702 371,047

유입수의 BOD (mg/L) 549.8 96.9 274.9

유입수의 COD (mg/L) 257.5 50.3 113.5

유입수의 SS (mg/L) 790 80 230.1

유입수의 TN (mg/L) 77.8 21.6 47.1

유입수의 TP (mg/L) 10.5 2.7 5.8

유출수의 BOD (mg/L) 7.9 1.1 2.7

유출수의 COD (mg/L) 11 5 7.9

유출수의 SS (mg/L) 6.5 1 2.5

유출수의 TN (mg/L) 13.4 5.6 9.4

유출수의 TP (mg/L) 1.9 1.1 1.2

(다) 유출수 성상 예측 모델 구성

① 대구 서부 하수처리장 유출수 성상 예측 모델 구성

대구 서부 하수처리장은 고도처리공정인 A2O 공정으로 운영되고 있으며, 설계 용량은 520,000

톤/일이다. 본 연구팀은 대구 서부 하수처리장으로부터 얻은 2007년 1월 2일에서 2007년 12월 31일

까지의 364개의 daily 운전 데이터를 모델 구성에 사용하였다. 364개의 운전 데이터 중 200개는 인

공지능 모델 훈련에 사용하였고, 나머지 164개는 모델 훈련을 통해 구성 된 모델의 검증을 위해 사

용하였다.

본 연구팀에서는 유출수의 BOD, COD, SS, TN, TP 농도 각각을 예측할 수 있는 모델 구성을 위

해, 유입 유량, 유입 수온, 유입수의 BOD, COD, SS, TN, TP, 하루 전 유출수의 BOD, COD, SS,

TN, TP 농도 값을 입력 변수로 사용하였다.

대구 서부 하수처리장 운전 데이터의 각 변수들에 대한 통계 분석 자료는 표 11에 나타냈다. 표

11을 살펴보면, 대구 서부 하수처리장의 경우, BOD, COD, SS의 경우 90% 이상의 제거 효율을 보

이며, TN과 TP의 경우 약 80% 제거율을 보인다.

표 11. 대구 서부 하수처리장 운전 데이터

69

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.5279 0.4912 0.8281 0.4831 0.5533 0.8491 0.507 0.5188 0.84

그림 31. 인공 신경망 모델

기법에 의한 BOD 예측

그림 32. 유전자 프로그래밍

기법에 의한 BOD 예측

그림 33. 뉴로 퍼지 기법에

의한 BOD 예측

유출수의 BOD 예측 모델 구성 결과

3 가지 인공지능 모델 기법 각각을 사용하여 대구 서부 하수처리장 유출수의 BOD 예측 모델을

구성해 본 결과를 그래프(그림 31, 32, 33 참고)와 표 12 에 나타냈다. 그래프에서 빨간색은 실측값,

파란색은 인공지능 모델에 의한 예측값을 나타내며, 표에서 RMSEtr은 모델 훈련 기간의 Root mean

sqaured error (RMSE) 값을 나타내며, RMSEte는 모델 검증 기간의 RMSE 값을 나타낸다. (RMSE

값은 작을수록, R2 값은 클수록 예측값이 정확하다.)

표 12. BOD 예측 결과

그래프와 표를 통해, 3 종류의 인공지능 기법 모두 상당히 정확하게 유출수의 BOD를 예측했으

며, 3 종류의 인공지능 기법이 정확성에 있어서 큰 차이를 나타내지 않았다. 이는 유출수의 BOD

뿐이 아니고, 유출수의 COD, SS, TN, TP 농도에 있어서도 3 종류의 인공지능 기법이 성공적으로

예측하는 것으로 나타났다. (이에 나머지 유출수 성분은 예측 결과만 나타냈다.)

70

그림 34. 인공 신경망 모델

기법에 의한 COD 예측

그림 35. 유전자 프로그래밍

기법에 의한 COD 예측

그림 36. 뉴로 퍼지 기법에

의한 COD 예측

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.6079 0.5496 0.6853 0.5259 0.6277 0.6968 0.6021 0.5387 0.6817

그림 37. 인공 신경망 모델

기법에 의한 SS 예측

그림 38. 유전자 프로그래밍

기법에 의한 SS 예측

그림 39. 뉴로 퍼지 기법에

의한 SS 예측

유출수의 COD 예측 모델 구성 결과

표 13. COD 예측 결과

유출수의 SS 예측 모델 구성 결과

71

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.601 0.4103 0.6396 0.5757 0.4608 0.6507 0.6009 0.4133 0.6393

그림 40. 인공 신경망 모델

기법에 의한 TN 예측

그림 41. 유전자 프로그래밍

기법에 의한 TN 예측

그림 42. 뉴로 퍼지 기법에

의한 TN 예측

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.9012 0.8626 0.6123 0.8792 0.8838 0.6146 0.8932 0.8658 0.5996

표 14. SS 예측 결과

유출수의 TN 예측 모델 구성 결과

표 15. TN 예측 결과

72

그림 43. 인공 신경망 모델

기법에 의한 TP 예측

그림 44. 유전자 프로그래밍

기법에 의한 TP 예측

그림 45. 뉴로 퍼지 기법에

의한 TP 예측

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.2705 0.2466 0.5984 0.2913 0.2365 0.5849 0.2605 0.2546 0.5994

유출수의 TP 예측 모델 구성 결과

표 16. TP 예측 결과

73

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.9128 0.4485 0.965 0.853 1.168 0.9412 0.9048 0.4595 0.968

그림 46. 인공 신경망 모델

기법에 의한 BOD 예측

그림 47. 유전자 프로그래밍

기법에 의한 BOD 예측

그림 48. 뉴로 퍼지 기법에

의한 BOD 예측

② 충남 천안 하수처리장 유출수 성상 예측 모델 구성

충남 천안 하수처리장은 고도처리공정인 DNR (Daewoo nutrient removal) 공정으로 운영되고

있으며, 설계 용량은 총 150,000 톤/일이다. 본 연구팀에서는 충남 하수 처리장 1단계를 연구 대상

으로 삼았으며, 이의 설계 용량은 70,000 톤/일이다.

본 연구팀은 충남 천안 하수처리장으로부터 얻은 2005년 1월 2일에서 2005년 12월 31일까지의

364개의 daily 운전 데이터를 모델 구성에 사용하였다. 364개의 운전 데이터 중 200개는 인공지능

모델 훈련에 사용하였고, 나머지 164개는 모델 훈련을 통해 구성 된 모델의 검증을 위해 사용하였

다.

본 연구팀에서는 유출수의 BOD, COD, SS, TN, TP 농도 각각을 예측할 수 있는 모델 구성을 위

해, 유입 원수의 TN, TP, 대장균, 초침 유입수의 BOD, COD, SS, 초침 유출수의 BOD, COD, SS, 폭

기조의 MLSS, 하루 전 유출수의 BOD, COD, SS, TN, TP 농도 값을 입력 변수로 사용하였다. 천안

하수처리장의 경우는 타 하수처리장과는 달리 초침 유입수와 초침 유출수의 데이터도 보유하고 있

어, 인공지능 모델을 구성함에 있어 더욱 많은 입력 변수를 사용하였다.

유출수의 BOD 예측 모델 구성 결과

표 17. BOD 예측 결과

74

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.7616 0.3418 0.9506 0.7712 0.3556 0.9508 0.7628 0.3486 0.9459

그림 49. 인공 신경망 모델

기법에 의한 COD 예측

그림 50. 유전자 프로그래밍

기법에 의한 COD 예측

그림 51. 뉴로 퍼지 기법에

의한 COD 예측

그림 52. 인공 신경망 모델

기법에 의한 SS 예측

그림 53. 유전자 프로그래밍

기법에 의한 SS 예측

그림 54. 뉴로 퍼지 기법에

의한 SS 예측

유출수의 COD 예측 모델 구성 결과

표 18. COD 예측 결과

유출수의 SS 예측 모델 구성 결과

75

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

1.1826 0.4563 0.7466 1.132 0.461 0.7508 1.1912 0.4523 0.7468

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

1.644 0.6083 0.8347 2.1982 0.7275 0.767 1.5684 0.6821 0.8369

그림 55. 인공 신경망 모델

기법에 의한 TN 예측

그림 56. 유전자 프로그래밍

기법에 의한 TN 예측

그림 57. 뉴로 퍼지 기법에

의한 TN 예측

표 19. SS 예측 결과

유출수 SS 예측 결과는, 3 종류의 인공지능 모델 모두 모델 훈련 기간 중의 한 실측값을(그림에

서 녹색원) 정확히 예측하지 못했다. 이는 본 실측값이 다른 값들에 비해 유독 값이 큰 Outlier 이

기 때문에, 추후 이와 같은 outlier 들의 처리하는 작업이 선행되어야 할 것으로 사료된다.

유출수의 TN 예측 모델 구성 결과

표 20. TN 예측 결과

76

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.1573 0.0992 0.603 0.1318 0.1342 0.5817 0.1663 0.0884 0.5913

그림 58. 인공 신경망 모델

기법에 의한 TP 예측

그림 59. 유전자 프로그래밍

기법에 의한 TP 예측

그림 60. 뉴로 퍼지 기법에

의한 TP 예측

유출수의 TP 예측 모델 구성 결과

표 21. TP 예측 결과

유출수 TP 예측 결과는, 3 종류의 인공지능 모델 모두 모델 검증 기간 중의 일정 기간 동안(약

200 ~ 270일) 실측값보다 높게 예측되는 경향을 보였다. 이는 모델 훈련 기간의 어떤 패턴이 이 기

간 동안은 다르게 나타나기 때문이라고 사료된다.

77

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.622 0.4302 0.5297 0.6211 0.4316 0.5138 0.6209 0.4269 0.5305

그림 61. 인공 신경망 모델

기법에 의한 BOD 예측

그림 62. 유전자 프로그래밍

기법에 의한 BOD 예측

그림 63. 뉴로 퍼지 기법에

의한 BOD 예측

③ 대구 북부 하수처리장 유출수 성상 예측 모델 구성

대구 북부 하수처리장은 고도처리공정인 A2O 공정으로 운영되고 있으며, 설계 용량은 170,000

톤/일이다. 본 연구팀은 대구 북부 하수처리장으로부터 얻은 2007년 1월 2일에서 2007년 12월 31일

까지의 364개의 daily 운전 데이터를 모델 구성에 사용하였다. 364개의 운전 데이터 중 200개는 인

공지능 모델 훈련에 사용하였고, 나머지 164개는 모델 훈련을 통해 구성 된 모델의 검증을 위해 사

용하였다.

본 연구팀에서는 유출수의 BOD, COD, SS, TN, TP 농도 각각을 예측할 수 있는 모델 구성을 위

해, 유입 유량, 유입 수온, pH, 유입수의 BOD, COD, SS, TN, TP, 하루 전 유출수의 BOD, COD,

SS, TN, TP 농도 값을 입력 변수로 사용하였다.

유출수의 BOD 예측 모델 구성 결과

표 22. BOD 예측 결과

78

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.82 0.5245 0.2825 0.89 0.5213 0.2864 0.85 0.5136 0.2916

그림 64. 인공 신경망 모델

기법에 의한 COD 예측

그림 65. 유전자 프로그래밍

기법에 의한 COD 예측

그림 66. 뉴로 퍼지 기법에

의한 COD 예측

그림 67. 인공 신경망 모델

기법에 의한 SS 예측

그림 68. 유전자 프로그래밍

기법에 의한 SS 예측

그림 69. 뉴로 퍼지 기법에

의한 SS 예측

유출수의 COD 예측 모델 구성 결과

표 23. COD 예측 결과

유출수의 SS 예측 모델 구성 결과

79

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.36 0.8592 0.7441 0.3624 0.8584 0.7429 0.3714 0.8432 0.7432

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.8213 0.7379 0.8677 0.8136 0.7496 0.8546 0.8204 0.7411 0.8619

그림 70. 인공 신경망 모델

기법에 의한 TN 예측

그림 71. 유전자 프로그래밍

기법에 의한 TN 예측

그림 72. 뉴로 퍼지 기법에

의한 TN 예측

표 24. SS 예측 결과

유출수 SS 예측 결과는, 3 종류의 인공지능 모델 모두 모델 훈련은 상당히 정확하지만, 모델 검

증 기간 중에는 실측값보다 약간씩 높게 예측한 경향이 나타났지만, 전체적으로 어느 정도 정확하

게 예측된 것으로 사료된다.

유출수의 TN 예측 모델 구성 결과

표 25. TN 예측 결과

80

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.1304 0.1192 0.8302 0.1402 0.1231 0.8124 0.1312 0.1201 0.8213

그림 73. 인공 신경망 모델

기법에 의한 TP 예측

그림 74. 유전자 프로그래밍

기법에 의한 TP 예측

그림 75. 뉴로 퍼지 기법에

의한 TP 예측

유출수의 TP 예측 모델 구성 결과

표 26. TP 예측 결과

81

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.3311 0.3666 0.8281 0.3213 0.3513 0.8413 0.3415 0.3546 0.8245

그림 76. 인공 신경망 모델

기법에 의한 BOD 예측

그림 77. 유전자 프로그래밍

기법에 의한 BOD 예측

그림 78. 뉴로 퍼지 기법에

의한 BOD 예측

④ 충남 금산 하수처리장 유출수 성상 예측 모델 구성

충남 금산 하수처리장은 표준활성슬러지 공정으로 운영되고 있으며, 설계 용량은 10,000 톤/일이

다. 본 연구팀은 금산 하수처리장으로부터 얻은 2007년 1월 2일에서 2007년 12월 31일까지의 364개

의 daily 운전 데이터를 모델 구성에 사용하였다. 364개의 운전 데이터 중 200개는 인공지능 모델

훈련에 사용하였고, 나머지 164개는 모델 훈련을 통해 구성 된 모델의 검증을 위해 사용하였다.

본 연구팀에서는 유출수의 BOD, COD, SS, TN, TP 농도 각각을 예측할 수 있는 모델 구성을 위

해, 유입 유량, 유입수의 BOD, COD, SS, TN, TP, 하루 전 유출수의 BOD, COD, SS, TN, TP 농도

값을 입력 변수로 사용하였다.

유출수의 BOD 예측 모델 구성 결과

표 27. BOD 예측 결과

82

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.3618 0.3838 0.8816 0.3714 0.3756 0.8756 0.3711 0.3915 0.8465

그림 79. 인공 신경망 모델

기법에 의한 COD 예측

그림 80. 유전자 프로그래밍

기법에 의한 COD 예측

그림 81. 뉴로 퍼지 기법에

의한 COD 예측

그림 82. 인공 신경망 모델

기법에 의한 SS 예측

그림 83. 유전자 프로그래밍

기법에 의한 SS 예측

그림 84. 뉴로 퍼지 기법에

의한 SS 예측

유출수의 COD 예측 모델 구성 결과

표 28. COD 예측 결과

유출수의 SS 예측 모델 구성 결과

83

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.4668 0.4139 0.7424 0.4589 0.4134 0.7516 0.4712 0.4032 0.7416

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.3635 0.4937 0.958 0.3546 0.4816 0.9604 0.3556 0.4811 0.9601

그림 85. 인공 신경망 모델

기법에 의한 TN 예측

그림 86. 유전자 프로그래밍

기법에 의한 TN 예측

그림 87. 뉴로 퍼지 기법에

의한 TN 예측

표 29. SS 예측 결과

유출수의 TN 예측 모델 구성 결과

표 30. TN 예측 결과

84

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.1404 0.0938 0.7478 0.1415 0.0938 0.7406 0.1396 0.0949 0.7454

그림 88. 인공 신경망 모델

기법에 의한 TP 예측

그림 89. 유전자 프로그래밍

기법에 의한 TP 예측

그림 90. 뉴로 퍼지 기법에

의한 TP 예측

유출수의 TP 예측 모델 구성 결과

표 31. TP 예측 결과

85

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2 RMSEtr RMSEte R2 RMSEtr RMSEte R2

0.3757 0.5096 0.7248 0.3945 0.4569 0.7236 0.3456 0.5169 0.7312

그림 91. 인공 신경망 모델

기법에 의한 BOD 예측

그림 92. 유전자 프로그래밍

기법에 의한 BOD 예측

그림 93. 뉴로 퍼지 기법에

의한 BOD 예측

⑤ 경북 의성 하수처리장 유출수 성상 예측 모델 구성

경북 의성 하수처리장은 A2O 공정으로 운영되고 있으며, 설계 용량은 18,000 톤/일이다. 본 연

구팀은 의성 하수처리장으로부터 얻은 2007년 1월 2일에서 2007년 12월 31일까지의 364개의 daily

운전 데이터를 모델 구성에 사용하였다. 364개의 운전 데이터 중 200개는 인공지능 모델 훈련에 사

용하였고, 나머지 164개는 모델 훈련을 통해 구성 된 모델의 검증을 위해 사용하였다.

본 연구팀에서는 유출수의 BOD, COD, SS, TN, TP 농도 각각을 예측할 수 있는 모델 구성을 위

해, 유입 유량, 유입수의 BOD, COD, SS, TN, TP, 하루 전 유출수의 BOD, COD, SS, TN, TP 농도

값을 입력 변수로 사용하였다.

유출수의 BOD 예측 모델 구성 결과

표 32. BOD 예측 결과

86

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.472 0.7315 0.7128 0.4812 0.7216 0.7105 0.4655 0.7465 0.7106

그림 94. 인공 신경망 모델

기법에 의한 COD 예측

그림 95. 유전자 프로그래밍

기법에 의한 COD 예측

그림 96. 뉴로 퍼지 기법에

의한 COD 예측

그림 97. 인공 신경망 모델

기법에 의한 SS 예측

그림 98. 유전자 프로그래밍

기법에 의한 SS 예측

그림 99. 뉴로 퍼지 기법에

의한 SS 예측

유출수의 COD 예측 모델 구성 결과

표 33. COD 예측 결과

유출수의 SS 예측 모델 구성 결과

87

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.4757 0.458 0.2053 0.4958 0.4658 0.1903 0.4456 0.4689 0.2024

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.7716 0.9947 0.5193 0.7913 0.8964 0.5264 0.7896 0.9462 0.5134

그림 100. 인공 신경망 모델

기법에 의한 TN 예측

그림 101. 유전자 프로그래밍

기법에 의한 TN 예측

그림 102. 뉴로 퍼지 기법에

의한 TN 예측

표 34. SS 예측 결과

유출수의 TN 예측 모델 구성 결과

표 35. TN 예측 결과

88

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.0979 0.1458 0.6349 0.0846 0.1498 0.6405 0.1034 0.1325 0.6344

그림 103. 인공 신경망 모델

기법에 의한 TP 예측

그림 104. 유전자 프로그래밍

기법에 의한 TP 예측

그림 105. 뉴로 퍼지 기법에

의한 TP 예측

유출수의 TP 예측 모델 구성 결과

표 36. TP 예측 결과

(라) 유출수 성상 예측 모델 구성 결과

위에 나타난 바와 같이, 본 연구팀에서는 국내 5 곳의 하수처리장 유출수 성상을 3 종류의 인공

지능 모델 기법을 사용하여 예측해 보았다. 그 결과, 유출수의 BOD, COD, SS, TN, TP 모두 어느

정도 정확하게 예측하는 것으로 나타났다. 따라서 본 인공지능 모델 기법이 국내 하수처리장에 적

용된다면, 유출수의 성상을 정확하게 예측할 수 있기 때문에, 더욱 안정적이고 유연한 운전이 가능

할 것으로 사료된다.

89

(5) 국내 하수처리장 운전 전문가 경험 수집

본 연구팀은 운전 전문가의 경험을 자체 제작한 설문 조사서를 통해 수집하였다. 설문 조사서는

하수 유입량, 연계 처리수, 반류수, 폭기조 내 DO 및 MLSS농도, 일차 침전조 및 이차 침전조 운영,

겨울철 저온 현상, 여름철 고온 현상, 약품 사용, 스컴 발생에 관해 총 32개의 문제로 이루어져 있

으며, 32개 문제에 세부 문제도 포함되어 있다. (표 37, 별첨 1 참고)

표 37. 설문 조사 문제 및 내용

설문 조사 주제 세부 문제

하수 유입량 15

연계 처리수 12

반류수 8

폭기조 내 DO 5

폭기조 내 MLSS 2

초침 운영 3

종침 운영 18

겨울철 저온 현상 4

여름철 고온 현상 6

약품 사용 6

스컴 발생 5

본 연구팀에서 수집한 하수처리장의 설문 조사서의 답을 살펴보면, 하수처리장에 따라 조금씩 다

르긴 하지만, 전체적으로 비슷한 것으로 나타났다. 그 결과를 간단히 정리하면, 하루 동안 하수의

특성이 시간에 따라 많은 변화가 있기 때문에 하수처리장에서는 이에 대해 연계처리수의 주입 시기

나 반송량, 송풍량 등을 시간에 따라 조절하여 대처하는 것으로 나타났다.

강우로 인해 하수 유입량이 갑자기 증가하는 것은 일기예보, 유량계 등을 통해서 예측하고 있으

며, 이 경우 초기우수는 처리하며, 이후 유입수는 bypass를 시키는 것과 동시에 연계 처리를 중단하

였다. 또한 대부분의 하수처리장에서 bypass를 제외하고는 특별한 대처 방안이 없는 것으로 나타났

는데, 이에 다른 특별한 방법이 필요할 것으로 사료된다.

하수처리장에 따라 연계처리 대상 물질은 조금씩 다른 것으로 나타났지만, 대체적으로 분뇨, 정

화조 오니, 축산 폐수, 매립장 침출수, 음식물 침출수였으며, 이것들을 특별히 외부 탄소원으로 사용

하지는 않는 것으로 나타났다. 그리고 연계처리 대상 물질을 주입하는 곳은 대부분이 일차 침전조

전단이었으며, 일부 하수처리장에서는 분뇨의 경우 농축조에 주입하는 것으로 나타났다. 유입수 대

비 연계 처리수의 유량 비율은 하수처리장에 따라 0.3%부터 10%까지 완전히 다른 것으로 나타났다.

90

반류수의 경우는 일차 침전조 전단에 주입하며, 연계 처리수와는 달리 계속해서 일정하게 연속으

로 주입하는 것으로 나타났고, 유입수 대비 반류수의 유량 비율은 1%부터 4%까지 다양한 것으로

나타났다.

폭기조 내의 최적 DO 농도와 MLSS 농도는 각각 2∼4 mg/L, 2000∼2500 mg/L로 나타났으며,

DO 농도와 수온 및 체류시간 등을 고려하여 폭기조의 송풍량을 조절하는 것으로 나타났다.

일차 침전조와 이차 침전조의 슬러지층 계면 높이는 각각 유효수심의 약 30%, 20% 정도인 것으

로 나타났으며, 슬러지 부상이나 슬러지 벌킹 발생 시에는 응집제 주입, DO 농도 조절, 잉여슬러지

양 조절 등을 통해 대처하였다.

하수처리장에서는 여름철의 고온은 크게 문제가 되지 않지만, 겨울철의 저온은 질산화 저하를 심

각하게 유발하여 15℃이하의 경우는 질산화가 50∼60% 정도 저하되는 것으로 나타났으며, 이에 대

한 대처 방안으로는 충분한 체류 시간을 확보하는 것으로 나타났다.

마지막으로, 모든 하수처리장에서 스컴이 발생했으며, 이에 대한 대처 방안은 소포수 살수, 소포

제 주입, 스컴 수집기 연속 가동 등으로 나타났다.

이렇게 얻은 실제 하수처리현장 운전 전문가의 경험을 본 연구에서 개발된 인공지능 모델 기법

과 함께 사용한다면, 하수처리장의 보다 효율적이고 안정적인 운전이 가능할 것으로 사료된다.

91

(6) Pilot-scale A2O 공정 모델링

본 연구실에서는 개발된 인공지능 모델의 적용 가능성의 평가를 위하여, 600L/day 규모의 Pilot

A2O (Anaerobic, Anoxic, Oxic) 반응기를 제작하였다. 또한 현장성을 최대한 반영하기 위해 합성하

수가 아닌 교내에서 발생하는 실하수로 실험을 시작하였다. 본 연구의 계획은 2007년 9월부터 반응

기를 제작하여 운전을 시작하는 것이었으나, 반응기 제작이 예상보다 일찍 완료 되어, 본 연구실에

서는 2007년 7월부터 반응기를 제작하여 운전을 시작하였다.

그러나 본 반응기가 설치되었던 실험실에서 2007년 8월 9일 실험실 내부에 설치된 실험장비용

모터 조절기와 콘센트 연결선 부분의 전선 손상에 의해 화재가 발생하여 침전조를 제외한 반응기의

본체가 소실되었다. (그림 106 참고) 화재가 발생했을 시, 침전조는 수리를 위해 실험실이 아닌 다

른 곳에 옮겨놨기 때문에 화를 면할 수 있었다.

그림 106. 본 실험실의 화재 당시의 사진

화재 발생 후 ,금전적인 부분에서 연구에 어려움을 겪을 것으로 생각되었지만, 한 환경관련 업체

에서 본 연구실에 하수처리 실험실을 무상 기증으로 금전적인 손실이 없이 연구를 계속해서 진행할

수 있게 되었다.

92

그림 109. 인공 신경망 모델

기법에 의한 COD 예측

그림 110. 유전자 프로그래밍

기법에 의한 COD 예측

그림 111. 뉴로 퍼지 기법에

의한 COD 예측

하지만, 구청과 본 연구기관과의 행정적인 문제로 인하여 실험실 건설이 오랫동안 지연되다가

2008년 10월에 실험실 건설이 완료되었다. 이에 본 연구팀에서는 더욱 많은 데이터를 확보하기 위

해 하루 1 번 샘플링 계획을 바꿔 하루 3 번 샘플링을 하여 실험을 진행하였다. (그림 107, 108 참

고)

그림 107. 실하수 실험을 위한 실험실 그림 108. 600L/d 규모의 A2O 반응조

본 연구에서 사용한 반응조의 부피는 200L(혐기조, 무산소조, 폭기조, 침전조 = 20:40:80:60L)이고,

운전 조건으로 HRT와 SRT는 각각 8시간, 15일로 유지하였으며, 내부 반송비와 슬러지 반송비는 각

각 유입 유량 대비 150%, 50%로 실험을 진행하여 데이터를 수집하였다.

실험 결과 CODcr과 SS는 각각 93.3% 92.3%의 제거 효율을 보였으며, TN과 TP는 각각 62.7%,

67.6%의 제거 효율을 나타냈다. 이러한 실험으로 A2O 공정으로부터 수집한 데이터로 3 종류의 인

공지능 모델 각각을 적용하여 유출수의 COD, SS, TN, TP 농도 예측 모델을 구성해보았다. 모델의

훈련에는 142(80%)개의 데이터와 모델 검증에는 35(20%)개의 데이터를 사용하였으며, 그 결과는 아

래와 같다.

유출수의 COD 예측 모델 구성 결과

93

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

3.333 2.824 0.7768 2.775 3.0991 0.7961 2.6651 3.2183 0.7977

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2 RMSEtr RMSEte R2 RMSEtr RMSEte R2

1.9501 1.4192 0.7898 1.9492 1.421 0.7898 1.9605 1.4478 0.7865

그림 112. 인공 신경망 모델

기법에 의한 SS 예측

그림 113. 유전자 프로그래밍

기법에 의한 SS 예측

그림 114. 뉴로 퍼지 기법에

의한 SS 예측

표 38. COD 예측 결과

유출수의 SS 예측 모델 구성 결과

표 39. SS 예측 결과

94

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

2.805 2.5315 0.7894 2.7455 2.7104 0.7847 2,7606 2,5861 0.7822

그림 115. 인공 신경망 모델

기법에 의한 TN 예측

그림 116. 유전자 프로그래밍

기법에 의한 TN 예측

그림 117. 뉴로 퍼지 기법에

의한 TN 예측

그림 118. 인공 신경망 모델

기법에 의한 TP 예측

그림 119. 유전자 프로그래밍

기법에 의한 TP 예측

그림 120. 뉴로 퍼지 기법에

의한 TP 예측

유출수의 TN 예측 모델 구성 결과

표 40. TN 예측 결과

유출수의 TP 예측 모델 구성 결과

95

인공 신경망 모델 기법 유전자 프로그래밍 기법 뉴로 퍼지 기법

RMSEtr RMSEte R2

RMSEtr RMSEte R2

RMSEtr RMSEte R2

0.1142 0.174 0.9299 0.1129 0.1618 0.9334 0.1393 0.1703 0.917

표 41. TP 예측 결과

유출수 성상 예측 모델 구성 결과

본 연구팀에서는 교내 발생하는 실하수를 이용한 Pilot-scale의 A2O 반응조의 유출수 성상을 3

종류의 인공지능 모델 기법을 사용하여 예측해 보았다. 그 결과, 유출수의 COD, SS, TN, TP 예측

에는 어느 정도 성공을 거두었으나, 만약 추후 더욱 많은 데이터를 확보하여 인공지능 모델을 구성

한다면 더욱 정확한 예측 성능을 보이는 유출수 성상 예측 모델을 구성할 수 있을 것이다.

96

나. 연구개발 결과 요약

본 연구팀은 하수처리공정을 위한 기존 mechanistic 모델의 현장 적용의 어려움을 느끼고, 이를

보완하고자 인공지능 모델 기법을 하수처리공정에 도입하기 위해 뉴질랜드의 국책 연구소인 ‘GNS

Science'와 국제 공동 연구를 진행하였다.

본 연구팀은 3 가지 인공지능 모델 기법(인공 신경망, 유전자 프로그래밍, 뉴로 퍼지)의 하수처리

공정에 적용하기 위해 계속해서 연구를 했으며, 특히 컴퓨터에 대한 깊은 지식이 없어도 누구나 손

쉽게 사용할 수 있도록, 이 3 가지 인공지능 모델 기법 구현을 위한 프로그램도 제작하였다.

본 연구의 1차년도에는 인공지능 모델 기법의 하수처리공정에 적용 가능성 검토와 동시에 효율

적인 적용 방법을 연구하기 위해 실제 하수처리장 유출수의 Fecal coliform 농도를 3 가지 인공지능

모델 기법 각각을 이용하여 예측하였다. 그 결과, 3 가지 인공지능 모델 모두 뛰어난 예측 성능을

보였으며, 3 가지 인공지능 모델 모두 비슷한 예측 성능을 보였다.

본 연구의 2차년도에는 인공지능 모델 기법의 국내 하수처리장에 과연 어느 정도의 효율을 보이

는지에 대해 연구를 수행하였다. 이를 위해 국내 5 곳 하수처리장의 장기간 운전 데이터를 수집하

였으며, 이를 이용하여 유출수의 BOD, COD, SS, TN, TP 농도를 예측해보았다. 그 결과, 본 연구팀

에서 사용한 3 가지 인공지능 모델 모두 국내 하수처리장 유출수 성상 예측에 성공하였다.

또한 인공지능 기법을 예측과 동시에 최적의 공정 제어를 위해 국내 하수처리 현장의 운전 전문

가들의 다년간 축적된 운전 경험을 자체 설문 조사지를 통해 수집하였으며, 이는 추후 인공지능 모

델 기법에 의해 하수처리공정의 성상이 예측되었을 때, 매우 효율적으로 사용될 수 있을 것이다.

본 연구의 2차년도에는 인공지능 모델 기법의 적용성 검토와 보다 효율적인 적용을 위해 자체적

으로 Pilot-scale A2O (600L/일) 공정 실험을 통해 데이터를 수집하였으며, 이를 이용하여 인공지능

모델 기법을 적용하였다. 본 연구에서는 현장성을 충분히 살리기 위해 교내(KAIST)에서 발생하는

실하수를 이용하여 실험을 진행하였고, 반응조의 크기는 200L(혐기조, 무산소조, 폭기조, 침전조 =

20:40:80:60 L)이다. 또한 운전 조건으로 수리학적 체류시간(HRT)과 슬러지 체류시간(SRT)는 각각 8

시간, 15일, 내부 반송비와 슬러지 반송비는 각각 유입 유량 대비 150%, 50%로 실험을 진행하여 데

이터를 수집하였다. 이렇게 얻은 데이터를 이용하여 유출수의 CODcr, SS, TN, TP 농도를 본 연구를

통해 개발된 인공지능 기법으로 성공적으로 예측하였다.

마지막으로 본 연구 과제의 목표에는 없었지만, 하수처리공정의 온라인 추정의 필요성을 느끼고

이를 위해 베이지안 추정 기법을 하수처리공정에 도입하여 실시간으로 추정하기 어려운 구성 성분

을 효과적으로 추정하는데 성공하였다. 이는 계측하기 어려운 성분에 대해 실시간으로 추정을 할

수 있으므로, 하수처리공정에 매우 효과적으로 사용될 것이라고 사료된다.

97

구분 연도 세부연구개발 목표 달성 내용 달성도 (%)

1차

년도

2007.4～

2008.3

선진 인공지능 모델 기

법 기술 교류

약 6개월 동안 원급 연구원 1명

을 본 연구의 공동 연구 기관인

뉴질랜드 ‘GNS Science'로 파견

하여 성실히 수행하였음.

본 연구의 원래 계획은 2 가지

의 인공지능 모델의 적용 기법

습득이었으나, 아래와 같이 3

가지의 인공지능 모델 기법을

습득하였다.

- 인공 신경망 기법

- 유전자 프로그래밍 기법

- 뉴로 퍼지 기법

100

새로운 인공지능 모델

기법 공동 개발

본 연구의 원래 계획은 베이지

안 네트워크 모델 기법 개발이

있었지만, 본 연구팀은 같은 이

론에서 나온 원래 계획에는 없

었던 베이지안 온라인 추정 기

법을 개발하였음.

95

국내 하수처리장 운전

데이터 및 전문가 자료

수집

원래 계획에는 3 곳 이상의 운

전 데이터와 10 곳 이상의 운전

자 경험 수집이었지만, 운전 데

이터의 경우는 7 곳에서 수집하

였으며, 운전자의 경험은 비록

7곳에서 수집하였지만, 몇 몇

하수 처리장에서는 한 곳에서

여러 명의 지식을 수집하였음.

(12명)

100

Pilot BNR 공정 설치

및 운전시작

본 연구기관과 구청 사이의 행

정적인 문제로 실험실 건설이

늦어짐

90

다. 연도별 연구개발목표의 달성도

98

2차

년도

2008.4～

2009.3

한국형 인공지능 하수

처리공정 모델 개발

수집한 7 곳의 하수처리장 데이

터 중 5 곳의 하수처리장에 대

해 유출수 성상을 3 가지 인공

지능 모델을 이용하여 성공적으

로 예측하였음

100

Pilot BNR 공정을 이용

한 모델 적용성 평가

본 연구기관과 구청 사이의 행

정적인 문제로 실험실 건설이

늦어져 실험 시작이 늦었음. 하

지만, 이를 보완하기 위해 하루

에 3 번 샘플링을 하여 실험을

진행하고 있음. 본 과제의 최종

발표 때까지도 계속해서 연구할

계획임.

95

99

연도 구분 연 구 성 과

1차년도 국내학술발표

서창원, 이상형, 신항식, “연속 및 회분식 활성슬러지 침전실험을 이용한

침전속도 상수 추정값 비교”, 2007년 대한토목학회 정기학술대회, 2007

년 10월 11일~12일, 대구.이중원, 서창원, 홍윤석, 신항식, “유전자 모델 생성 기법을 이용한

활성 슬러지 공정에서의 Fecal Coliform 모델링”, 대한환경공학회

2007 추계학술연구발표회, 2007년 11월 1일~2일, 강원대학교.이중원, 서창원, 홍윤석, 신항식, “Nonlinear/non-Gaussian

Bayesian state estimation for wastewater treatment plant”, 대한

환경공학회 2007 추계학술연구발표회, 2007년 11월 1일~2일, 강원

대학교.

2차년도

해외 논문

Suh, C.-W., Lee, J.-W., Hong, Y.-S.T., and Shin, H.-S.

“Sequential modeling of faecal coliform removal in a full-scale

activated-sludge wastewater treatment plant using an

evolutionary process model induction system”, Water Research,

Vol. 43/1, 137-147, 2009.Lee, J.W, Hong, Y.-S. T., Suh, C-W, and Shin, H.S (Submitted)

“Online Nonlinear Sequential Bayesian Estimation of a

Biological Wastewater Treatment Process”, Stochastic

Environmental Research and Risk Assessment.

해외학술발표

Joong-Won Lee, Chang-Won Suh, Timothy Hong, and Hang-Sik

Shin, “Evolutionary model derivation for predicting fecal

coliform removal in the full-scale activated sludge process”,

The 14th Korea-Thailand Conference on environmental

engineering, 2008년 5월 8-10일, 대구 호텔 J’sSuh, D. C.-H. and Hong, T. “Integrated model incorporating

biological settling model for the Upflow Multilayer Biorector

(UMBR)”. NZWWA conference, 24-26, Sept, 2008, Christchurch,

New ZealandJoong-Won Lee, Chang-Won Suh, Timothy Hong, and Hang-Sik

Shin, “Evolutionary model derivation for predicting fecal

coliform removal in the full-scale activated sludge process”,

(accepted) The 10th IWA Conference on ICA, 14-17. June,

2009, AustraliaHong, Y.-S. T., Suh, C-W, and Paik, B.C. "Evolutionary

Induction of the Dynamic Process Model for the full-scale

Upflow Multi-layer Bio-Reactor (UMBR)-Oxic Process".

(accepted) The 3rd IWA-ASPIRE Conference, Oct. 18-22, 2009,

Taiwan.

라. 연도별 연구성과(논문·특허 등)

100

Suh, C-W, Hong, Y.-S. T., Lee, J.W, and Shin, H.S "On-line

State Estimation of a Sequential Batch Reactor using a

Nonlinear/Non-Gaussian Recursive Bayesian Filtering

Algorithm". (accepted) The 3rd IWA-ASPIRE Conference, Oct.

18-22, 2009, Taiwan.

국내학술발표

이중원, 홍윤석, 서창원, 신항식, “뉴로-퍼지 모델을 이용한 활성 슬

러지 공정에서의 Fecal Coliform 모델링”, 한국물환경학회 대한상하

수도학회 2008 공동 춘계학술발표회, 2008년 4월 25일, 고려대학교이중원, 홍윤석, 서창원, 신항식, “인공 신경망을 이용한 대규모 BNR

하수처리장 장기간의 운전 성능 예측”, 대한상하수도학회 한국물환경

학회 2008 공동 추계학술발표회, 2008년 11월 12일, 서울무역전시

장서창원, 홍윤석, 이중원, 신항식, “Non-Linear, non-Gaussian

Unscented Particle Filtering을 이용한 연속회분식 폐수처리 공정의

온라인 예측”, 대한상하수도학회 한국물환경학회 2008 공동 추계학

술발표회, 2008년 11월 12일, 서울무역전시장서창원, 홍윤석, 이중원, 신항식, “Online state and parameter

estimation of a sequencing batch reactor using hybrid

sequential bayesian methods in a dynamic state-space model

framework”, 2009 대한환경공학회 춘계학술발표회, 2009년 4월

30~5월 1일, 창원컨벤션센터서창원, 홍윤석, 이중원, 신항식, “Modelling the Full-scale BNR

Process using a Dynamic Neuro-fuzzy Local Modeling System

with a Nonlinear Data Analysis Techniquek”, 2009 대한환경공학

회 춘계학술발표회, 2009년 4월 30~5월 1일, 창원컨벤션센터

101

마. 관련분야의 기술발전 기여도

현재 국내의 하수처리공정 전문가는 하수처리공정 개발에 주력하고 있으며, 인공지능 기술 전문

가는 하수처리공정 전반에 대한 이해 부족으로 국내의 인공지능 하수처리공정 모델에 대한 연구는

미비한 실정이다. 이러한 상황에서 본 연구개발결과는 인공지능 기술의 하수처리공정에의 도입에

관련된 추후 많은 연구들의 밑바탕이 될 것이며, 국내 하수처리장의 효율적인 운전에도 큰 도움이

될 것이다.

바. 연구개발 결과의 활용계획

본 과제의 연구 결과는 세미나와 강연회를 개최함으로서 하수처리장 및 하수처리공정 관련 연구

자들과 공유할 수 있을 것이다. 또한 본 연구 결과를 국내·외 학회에 발표하고 논문으로 게재시킴

으로서도 연구 결과를 공유할 것이다.

102

사. 공개 세미나 개최

공개세미나 일정

- 일 시: 2008년 12월 23일 오후 4시 - 6시

- 장 소: 한국과학기술원, 건설 및 환경 공학과 3층 세미나실

- 참석자: 허형우 박사 < (주)한화건설 >

권중천 박사 < (주)에코다임 >

이채영 박사 < 수원 대학교 >

안용태 박사 < 한국과학기술원 >

김동훈 박사 < 한국과학기술원 >

한국과학기술원 대학원생 10명

그림 121. 공개 세미나

공개세미나 주제: 인공지능 모델 기법을 이용한 하수처리장의 장기간 운전 성능 예측

본 과제에 대한 질문 및 조언

(1) 인공지능 모델 기법의 효율성

본 연구에서는 각기 다른 하수처리장의 유출수 성상을 인공지능 모델 기법을 적용하여

매우 정확하게 예측하였다. 이에 각 하수처리장마다 유입수의 성상이나 운전 조건 등이

모두 다른 현 상황에서 각 하수처리공정에 인공지능 모델 기법이 효율적으로 사용될 수

있을 것으로 사료되며, 이에 인공지능 모델 기법 적용에 대한 연구가 활발히 이루어져야

할 것이다.

(2) 입력 변수 선정의 중요성

본 연구에서 유출수의 성상을 예측하기 위해 사용한 입력 변수에 추가적으로 강우량이

나 수온 등 외부적인 요인과 각 단위 공정수의 이온성 물질의 농도까지 입력 변수로 사

용한다면 더욱 정확한 예측이 가능할 것으로 사료된다. 또한, 수많은 입력 변수와 출력

103

변수와의 상관관계를 파악하여 출력 변수와 상대적으로 상관관계가 높은 입력 변수의

선택 또한 예측 성능을 한 단계 높일 수 있을 것이다.

(3) 국내 하수처리장에 적용 가능성 여부

본 연구에서는 실제 국내 하수처리장에서 수집한 장기간의 운전 데이터를 인공지능 모

델 구성에 이용하여 적용 가능성을 평가하였다. 하지만 하수처리장에서 제공하는 데이터

를 100% 신뢰할 수 없으므로, 인공지능 모델 기법의 적용 가능성을 더욱 정확하게 평가

하기 위해서는 100% 신뢰할 수 있는 정확한 데이터의 확보가 필요할 것이다.

(4) 고도처리공정에 대한 인공지능 모델 기법 적용의 필요성

본 연구에서는 기존 표준활성슬러지 공정 뿐 아닌 고도처리공정이 적용된 하수처리장에

대해서도 인공지능 모델 기법을 적용하였다. 이는 이미 국내에서 절반이 넘는 하수처리

장이 고도처리공정을 도입하였으며, 앞으로도 계속 늘어날 전망이므로 추후 표준활성슬

러지 공정보다는 공정이 더욱 복잡한 고도처리공정에 초점을 맞추어서 인공지능 모델

기법에 대해 연구를 진행해야 할 것이다.

(5) 손쉽게 사용가능한 프로그램 개발의 필요성

국내 하수처리장에 종사하는 현장 운전자들은 대부분 하수처리공정 전문가이기 때문에

하수처리공정 모델을 위한 복잡한 컴퓨터 알고리즘이나 수식 등에 대한 지식은 상대적

으로 부족할 수밖에 없다. 따라서 인공지능 모델 기법을 효과적으로 구현하기 위해서 누

구나 손쉽게 사용가능한 프로그램을 개발해야 할 것이다.

104

105

제4장 참고문헌

Hong, Y.-S. and Bhamidimarri, S. M. R. (2003). Evolutionary self-organising modelling of a

municipal wastewater treatment plant. Wat. Res., 37(6), 1199-1212.

Bahlaoui, M.A., Baleux, B. and M. Troussellier, M. Dynamics of pollution-indicator and

pathogenic bacteria in high-rate oxidation wastewater treatment ponds. Wat. Res.

31(3), 630–638, (1997).

Goldberg, D.E. Genetic algorithms in search, optimization, and machine learning, Reading

MA, Addison-Wesley, (1989).

Haykin, S. Neural Networks: A Comprehensive Foundation, Prentice Hall, New Jersey, USA,

(1994).

Hong, Y.-S., Bhamidimarri, S. M. R., and Charles, T. A genetic adapted neural network

analysis of performance of the nutrient removal plant at Rotorua, The Institution of

Professional Engineers New Zealand (IPENZ) Annual Conference, Auckland, Simulation

& Control Section, 2, 213-217, (1998).

James, M.M. Wastewater Treatment Principles and Design. Willey-Inter Science

Publication, New York. (1985).

Koivunen, J., Siitonen, A. and Tanski, H.H. Elimination of enteric bacteria in biological–

chemical wastewater treatment and tertiary filtration units. Wat. Res. 37(4), 690–698,

(2003).

Koza, J.R. Genetic Programming: On the Programming of Computers by Natural Selection.

Cambridge MA: MIT Press, (1992).

Ljung L. System identification-theory for the user, 2nd edition. Upper Saddle River, NJ:

PTR Prentice Hall, (1999).

McKay B, Elsey J, Willis MJ, Barton G. Evolving input-output models of chemical process

system using genetic programming. IFAC 96 World Congress, San Francisco, July,

(1996).

106

Miescer, J.J. and Cabelli, V.J. Enterococci and other microbial indicators in municipal

wastewater effluents. J. Wat. Pollu. Control Fed. 54(12), 1599–1606, (1982).

Omura, T., Onuma, M., Aizawa, J., Umita, T. and Yagi, T. Removal efficiencies of indicator

micro-organisms in sewage treatment plants. Wat. Sci. Tech. 21(3), 119–124, (1989).

Rose, J.B., L.J. Dickson, L.J., Farrah, S.R. and Carnahan, R.P. Removal of pathogenic and

indicator microorganisms by full-scale water reclamation facility. Wat. Res., 30(11),

2785–2797, (1996).

Turner, S.J. and Lewis, G.D. Comparison of F-specific bacteriophage, enterococci, and

faecal coliform densities through a wastewater treatment process employing oxidation

ponds. Wat. Sci. Tech., 31(5–6), 85–89, (1995).

Bastin, G. and Dochain, D. On-line Estimation and Adaptive Control of Bioreactors.

Elsevier, Amsterdam, (1990).

Boaventura, K.M., Roqueiro, N., Coelho, M.A.Z., and Araújo, O.Q.F. State observers for a

biological wastewater nitrogen removal process in a sequential batch reactor.

Bioresource Technology 79(1), 1-14, (2001).

Dochain, D. State and parameter estimation in chemical and biochemical processes: a

tutorial. J. of Process Control 13(8), 801-818, (2006).

Doucet, A. On sequential Monte Carlo methods for Bayesian filtering. Technical Report,

Department of Engineering, University of Cambridge, UK, (1998).

Doucet, A., de Freitas, J.F.G., and Gordon, N. Sequential Monte Carlo Methods in Practice,

Springer-Verlag, New York, (2001).

Gordon, N., Salmond, D., and Smith, A. Novel approach to nonlinear/non-Gaussian Bayesian

state estimation. IEEE Proceedings F-Radarand Signal Processing 140(2), 107–113,

(1993).

107

Henze, M., Grady, C.P.L., Gujer, W., Marais, G.V.R and Matsuo, T. A general model for

single-sludge wastewater treatment systems. Wat. Res. 21(5), 505–515. (1987).

Higuchi, T. Monte Carlo filter using the genetic algorithm operators. J. of Statistical

Computation and Simulation 59, 1-23, (1996).

Jeppson, U. and Olsson, G. Reduced order models for on-line parameter identification of the

activated sludge process. Wat. Sci. Tech. 28(11–12), 173–183, (1993).

Kalman, R. New approach to linear filtering and prediction problems. Trans AMSE, Ser. D.,

J Basic Eng, 82, 35–45, (1960).

Kitagawa, G. Monte Carlo filter and smoother for non-Gaussian nonlinear state space

models. J. of Computational and Graphical Statistics 5, 1-25, (1996).

Liu, J.S. and R. Chen, R. Sequential Monte Carlo methods for dynamic systems. J. of the

American Statistical Association 93, 1032-1044, (1998).

Liu, J.S. Monet Carlo Strategies in Scientific Computing, Springer Series in Statistics,

Springer, New York, USA, (2001).

Lukasse, L.J.S., Keesman, K.J. and van Straten, G. A recursively identified model for short

term predictions of NH4/NO3-concentrations in alternating activated sludge processes.

J. Proc. Control 9, 87–100. (1999).

Marsili-Libelli, S. Optimal control of the activated sludge process. Trans. Inst. Meas.

Control 6, 146–152. (1984).

Pitt, M. and Shephard, N. Filtering via simulation: auxiliary particle filters. J. of American

Statistical Association 94, 590–599, (1999).

West, M. Approximating posterior distributions by mixtures, J. of Royal Statistical Society

55, 409-422. (1993).

Zhao, H. and Kümmel. M. State and parameter estimation for phosphorus removal in an

alternating activated sludge process. J. Proc. Control 5(5), 341-351. (1995).

108

Peter A. Vanrolleghem, Wolfgang Schilling, Wolfgang Rauch, Peter Krebs, Hans Aalderink.

Setting up measuring campaigns for integrated wastewater modelling. Water Science

and Technology, 39(4), 341-351. (1999).

Dae Sung Lee, Jong Moon Park. Neural network modeling for on-line estimation of nutrient

dynamics in a sequentially-operated batch reactor. Journal of Biotechnology, 75(2-3),

229-239. (1999).

TY Pai, YP Tsai, HM Lo, CH Tsai, CY Lin. Grey and neural network prediction of suspended

solids and chemical oxygen demand in hospital wastewater treatment plant effluent.

Computers and Chemical Engineering, 31(10), 1272-1281. (2007).

환경부, 2007년 하수도 통계, (2008).

환경부, 2003년 하수처리시설 기술진단사례집, (2004).

정우람, GPS RTK를 위한 Particle Filter 응용, 석사학위논문, (2005).

백병천, 홍윤석, 진화적 모델 생성 기법을 이용한 생물학적 고도처리공정 모델링, 대한환경공학회

2006 춘계학술연구발표회, 598–602, (2006).

문태섭, 최재훈, 김성희, 차재환, 염훈식, 김창원. 인공 신경망(ANN)에 의한 하수처리장의 유입 유

량 및 유입 성분 농도의 예측, 한국물환경학회지, 24(1), 91-98, (2008).

강일환, 이경훈, 문병석, 김강석. 뉴로 퍼지와 뉴로 유전자 알고리즘을 이용한 상수도 1이 급수량 예

측, 2004년 대한상하수도학회·한국물환경학회 공동추계 학술발표회, 279-288, (2004).

109

부록

[별첨 1] 하수처리장 설문 조사서

다음은‘하수 유입량’에 대한 질문입니다.

일일 변화

1. 하루 동안 하수의 특성이 시간에 따라 많은 변화를 보입니다. 이에 대해 특별한 대처 방안을 갖고 있습니까? (‘예’ 1.1번, ‘아니오’ 1.2번)

1.1 어떤 대처 방법을 사용하고 있습니까? (예, 저류조, 반류수 및 연계처리수 주입 시기 조절)

1.2 이로 인해 발생하는 문제점이 있습니까? (‘예’ 1.2.1번, ‘아니오’ 2번)

1.2.1 문제점은 무엇입니까?

강우 시

2. 강우로 인해 하수유입량이 갑자기 증가하는 것을 예측해서 대처합니까?

(‘예’ 2.1번, ‘아니오’ 3번)

2.1 그렇다면, 무엇을 통해서 예측합니까? (예, 일기예보, 유량계)

3. 강우로 인해 하수유입량이 증가하는 경우, Bypass를 시킵니까?

(‘예’ 3.1번, ‘아니오’ 4번)

3.1 어떤 기준으로Bypass 시킵니까? (예, 3Q 이상)

3.2 Bypass의 문제점은 무엇입니까?

4. Bypass 가 아닌, 다른 방법도 사용합니까? (‘예’ 4.1번, ‘아니오’ 5번)

4.1 다른 방법은 무엇입니까?

초기 강우

5. 초기 강우로 인한 문제가 발생합니까? (예, 하수관거퇴적물, 지표의 오염물질 유입)

(‘예’ 5.1번, ‘아니오’ 6번)

110

5.1 어떠한 문제가 발생합니까?

5.2 이 문제점에 대한 대처 방안을 갖고 있습니까?

(‘예’ 5.2.1번, ‘아니오’ 6번)

5.2.1 어떠한 대처 방안을 사용합니까?

다음은 ‘연계 처리수’ 에 대한 질문입니다.

6. 본 하수 처리장에서는 하수와 함께 다른 대상을 연계처리 합니까?

(‘예’ 6.1번, ‘아니오’ 7번)

6.1 그렇다면, 연계처리 대상 물질은 무엇입니까? (예, 분뇨, 정화조 오니, 축산 폐수,

매립장 침출수)

6.2 외부 탄소원으로 이용되는 연계처리 대상 물질이 있습니까?

(‘예’ 6.2.1번, ‘아니오’ 6.3번)

6.2.1 어떠한 대상이 외부 탄소원으로 사용됩니까?

6.3 연계처리 대상 물질은 일차침전조 전단에만 주입합니까?

(‘예’ 6.4번, ‘아니오’ 6.3.1번)

6.3.1 다른 어떤 반응조에 주입합니까? (예, 혐기조, 무산소조, 폭기조)

6.3.2 어떠한 비율로 연계처리수를 분할 주입합니까? (예, 일차침전조:혐기조:무산소조:폭기조 = 50:20:20:10)

6.4 연계처리 대상 물질을 계속해서 일정하게 연속으로 주입합니까?

(‘예’ 6.5번, ‘아니오’ 6.4.1번)

6.4.1 간헐주입이라면, 연계처리대상 물질의 주입 시기는 언제입니까?

6.5 유입수 대비 연계처리수의 유량 비율은 어느 정도로 주입합니까?

6.6 연계처리를 함에 있어 발생하는 문제점은 무엇입니까?

6.6.1 이러한 문제점을 해결하기 위한 대처 방안은 무엇입니까?

111

다음은 ‘반류수’ 에 대한 질문입니다.

7. 반류수는 일차침전조 전단에만 주입합니까?

(‘예’ 7.3번, ‘아니오’ 7.1번)

7.1 다른 어떤 반응조에 주입합니까? (예, 혐기조, 무산소조, 폭기조)

7.2 어떠한 비율로 반류수를 분할 주입합니까? (예, 일차침전조:혐기조:무산소조:폭기조 = 50:20:20:10)

7.3 반류수를 계속해서 일정하게 연속으로 주입합니까?

(‘예’ 7.4번, ‘아니오’ 7.3.1번)

7.3.1 간헐주입이라면, 반류수의 주입 시기는 언제입니까?

7.4 유입수 대비 반류수의 유량 비율은 어느 정도로 주입합니까?

7.5 반류수를 처리함에 있어 발생하는 문제점은 무엇입니까?

7.5.1 이러한 문제점을 해결하기 위한 대처 방안은 무엇입니까?

다음은 ‘폭기조 내 DO 농도’ 에 대한 질문입니다.

8. 폭기조 내의 DO 농도는 어느 정도 범위가 최적이라고 생각합니까?

9. 송풍량의 조절 시 DO 농도만을 기준으로 사용합니까?

(‘예’ 9.1번, ‘아니오’ 9.2번)

9.1 그렇다면, 어떤 DO 농도의 기준으로 송풍량을 변화시킵니까? (10번)

(예, DO 농도: 2mg/L)

9.2 다른 어떠한 인자를 기준으로 사용합니까? (예, 수온, 시간, 유량, 오염 부하량, 연계처리수)

9.2.1 어떠한 기준으로 송풍량을 조절합니까? (예, 수온 = 20도)

다음은 ‘폭기조 내 MLSS 농도’ 에 대한 질문입니다.

112

10. 폭기조 내의 MLSS 농도는 어느 정도 범위가 최적이라고 생각합니까?

11. 최적의 MLSS 농도를 유지하기 위해, 어떠한 기준으로 슬러지(오니) 인발량을 조절합니까? (예, MLSS 농도 < 2000, MLSS 농도 > 3500)

다음은 ‘초침 운영’ 에 대한 질문입니다.

12. 평소, 최초 침전지 내의 슬러지층 계면 높이는 유효수심의 몇 % 정도로 유지합니까?

13. 하수 유입량이 증가할 경우, 생슬러지의 폭기조로의 유입을 막기 위해 슬러지층의 계면 높이를 평소와 다르게 유지합니까? (‘예’ 13.1번, ‘아니오’ 14번)

13.1 슬러지층의 계면 높이를 변화시킬 경우, 그 기준은 무엇입니까? (예, 2Q 이상 시 몇 %)

다음은 ‘종침 운영’ 에 대한 질문입니다.

14. 평소, 최종 침전지 내의 슬러지층 계면 높이는 유효수심의 몇 % 정도로 유지합니까?

15. 하수 유입량이 증가할 경우, 슬러지층의 계면 높이를 평소와 다르게 유지합니까?

(‘예’ 15.1번, ‘아니오’ 15.2번)

15.1 몇 % 정도로 유지합니까?

15.2 또한 슬러지층의 계면 높이를 변화시킬 경우, 그 기준은 무엇입니까? (예, 2Q 이상 시)

슬러지 부상

16. 본 하수처리장에서는 어떤 경우에 슬러지 부상이 발생합니까?

113

17. 슬러지 부상 발생을 예측해서 대처합니까? (‘예’ 17.1번, ‘아니오’ 18번)

17.1 슬러지 부상 발생을 어떠한 방법으로 예측합니까? (예, 슬러지 계면 높이)

18. 슬러지 부상 발생 시, 대처 방안은 무엇입니까?

슬러지 반송

19. 평상 시 슬러지 반송율을 유입 하수량 대비 어느 정도로 유지시킵니까?

20. 어떠한 경우에 슬러지 반송율을 변화 시킵니까?

21. 슬러지 반송율을 조정하는 기준은 무엇입니까?

내부 반송 (고도처리공정의 경우)

22. 평상 시 내부 반송율을 유입 하수량 대비 어느 정도로 유지시킵니까?

23. 어떠한 경우에 내부 반송율을 변화 시킵니까?

24. 내부 반송율을 조정하는 기준은 무엇입니까?

슬러지 벌킹 발생

25. 본 하수 처리장에서는 어떤 경우에 슬러지 벌킹이 발생합니까?

26. 슬러지 벌킹 발생을 예측해서 대처합니까?

(‘예’ 26.1번, ‘아니오’ 27번)

26.1 슬러지 벌킹 발생을 어떠한 방법으로 예측합니까? (예, DO 부족)

27. 슬러지 벌킹 발생 시, 대처 방안은 무엇입니까?

114

다음은 ‘겨울철 저온 현상’ 에 대한 질문입니다.

28. 겨울철에 저온 현상으로 인해 질산화 저하가 발생합니까?

(‘예’ 28.1번, ‘아니오’ 29번)

28.1 기온이 얼마 정도 이하일 때, 질산화 저하가 심각하게 발생합니까? (예, 0°C 이하)

28.1.1 또한 이 경우, 질산화는 평소에 비해 어느 정도 낮아집니까? (예, 60%)

28.2 질산화 저하 문제에 대한 대처 방법은 무엇입니까? (예, 오니 체류시간 증가)

다음은 ‘여름철 고온 현상’ 에 대한 질문입니다.

29. 여름철 고온 현상은 하수처리공정 미생물 성장에 영향을 줍니까?

(‘예’ 29.1번, ‘아니오’ 30번)

29.1 온도가 높을 경우, 특별히 운전 조건을 평소와는 다르게 바꿉니까?

(‘예’ 29.1.1번, ‘아니오’ 30번)

29.1.1 다르게 바꾸는 운전 조건은 무엇입니까? (예, 슬러지 인발 주기)

29.1.2 운전 조건을 어떻게 변화시킵니까?

30. 여름철 고온 현상은 미생물 성장이 아닌 다른 인자에도 영향을 줍니까?

(‘예’ 30.1번, ‘아니오’ 31번)

30.1 그 다른 인자는 무엇입니까? (예, 침전성)

다음은 ‘약품 사용’ 에 대한 질문입니다.

31. 본 하수 처리장에서는 약품을 사용합니까?

(‘예’ 31.1번, ‘아니오’ 32번)

31.1 어떤 약품을 사용합니까? (예, 응집제, 소포제)

31.2 응집제를 사용할 경우, 사용 기준은 무엇입니까? (예, 침전이 안 될 경우, 8시간에 10kg씩 주입)

115

31.3 소포제를 사용할 경우, 사용 기준은 무엇입니까? (예, 거품 발생 시)

31.4 그 이외의 사용하는 약품은 무엇입니까?

31.5 이러한 약품 사용에 따른 부작용은 무엇입니까? (예, 슬러지 발생량 증가)

다음은 ‘스컴 발생’ 에 대한 질문입니다.

32. 본 하수 처리장에서는 스컴이 발생합니까?

(‘예’ 32.1번, ‘아니오’ 끝)

32.1 어떠한 경우에 스컴이 발생합니까?

32.2 스컴 발생을 특별히 예측해서 대처합니까?

(‘예’ 32.2.1번, ‘아니오’ 32.3번)

32.2.1 어떠한 방법으로 스컴 발생을 예측합니까?

32.3 또한 대처 방법은 무엇입니까? (예, 스컴 수집기)