http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
Ahtesham Bakht,Alam Nawaz,Moonyong Lee(이문용),Hyunsoo Lee(이현수) 한국지능시스템학회 2022 한국지능시스템학회논문지 Vol.32 No.3
본 연구는 산업폐수 처리프로세스 에서의 딥러닝 기법을 응용한 예측 프레임웍을 다룬다. 산업폐수 처리 및 분석은 프로세스 자체 및 데이터가 가지는 비선형성 및 처리시간 때문에 어렵다는 특징을 지닌다. 기존의 수학적 모델링 기반의 방법들은 이러한 데이터의 다상관성 때문에 그 예측이 어렵다는 한계를 나타내었다. 이를 극복하기 하기 위하여, 본 연구는 측정이 어려운 NO2 집중도를 예측하는 하이브리드 멀티스트림 딥러닝 프레임웍을 제안한다. 입력값으로서, 상대적으로 측정이 쉬운 산성도, 온도, 산소포화도, 용량등을 활용한다. 입력값은 심층신경망을 통과하며, 추가적으로 NO2집중도는 순환신경망을 통하여 특성값을 추출하고, 이를 심층신경망을 통해 학습한다. 제안된 프레임웍은 RMSE와 R² 관점에서 기존의 딥러닝 기반 방법론들보다 좋은 예측정확도를 나타낸다. This paper discusses a prediction framework of deep learning techniques for modeling nutrient discharge from wastewater treatment plants. Control of Biological Wastewater Treatment (BWWT) is difficult because of the time-consuming, non-linearity nature of the process. Traditional modeling methods are incapable of capturing long-term multivariate dependencies of data for forecasting. To address such concerns, this study proposes a hybrid multi-stream deep learning architecture to estimate a hard-to-measure nitrite (NO2) concentration. As input data, comparatively easily measurable elements such as pH, temperature, dissolved oxygen (DO), suspended solids, and volumes are used. The features are trained a deep learning structure and NO2 Concentration is trained using a recurrent neural network. The proposed hybrid multi-stream architecture performed much better than other existing unimodal deep learning architecture in terms of root mean square error (RMSE) and R².