AI 정수장 구현을 위한 머신러닝 기반의 잔류염소 예측모형 평가 = Assessment of Machine Learning Models for Residual Chlorine Prediction in an Artificial Intelligence Water Purification Plant

국문 초록 (Abstract)

최근 수돗물에 대한 관심이 높아지면서 수돗물의 품질을 보장하기 위해 인공지능(AI) 기술을 활용하여 정수 공정을 최적화하는 방안이 연구되고 있다. 본 연구에서는 정수장의 정수처리공정에서 수량 및 수질데이터를 실시간으로 모니터링하고, 염소소독 공정을 지능적으로 제어하기 위한 목적으로, 침전지 유출구간에서 잔류염소 농도를 안정화시키는 머신러닝 모델을 개발하였다. 머신러닝 모형은 과거의 데이터를 학습하여 미래의 수질을 예측할 수 있는 강력한 기법으로, 복잡한 물리적, 화학적, 생물학적인 수질모형과 비교하여 간단하고 효율적이다. 본 연구에서는 다중회귀모형과 인공지능 알고리즘 중 인공신경망, 랜덤포레스트를 이용하여 부평정수장(B)의 침전지 유출구간에서의 잔류염소 농도를 예측하고, 그 결과를 비교 분석하였다. 정수장 염소농도예측 머신러닝 모델 개발을 위해 침전지 전단 잔류염소 농도, 수온, 탁도, pH, 전기전도도, 유입량, 알칼리도 등을 입력변수로 사용하였고, 침전지 잔류염소 농도를 출력변수로 사용하였다. 검증 결과 정수장에서는 랜덤포레스트 모델이 가장 정확한 예측을 수행한 것으로 나타났다. 수학적 모형인 다중회귀모형은 적합도 측면에서 가장 낮은 성능을 보였다. 이는 수량과 수질데이터의 스케일이나 차원의 차이와 계절별 수질변화에 따른 염소투입량의 변동성 때문인 것으로 추정된다. 따라서, 정수장 정수처리공정에서 인공지능 알고리즘 적용을 위해서는 랜덤포레스트와 같은 결정트리 기반의 모델이 적합한 것으로 판단된다. 본 연구의 결과를 바탕으로 정수장의 정수처리공정에서 염소주입량을 실시간으로 조절함으로써 침전지 유출구간에서 잔류염소 농도를 일관되게 유지할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

In recent years, there has been an increased interest in tap water, leading to the exploration of artificial intelligence (AI) technology for optimizing the water purification process and ensuring water quality. This study focuses on the development of a machine learning model to maintain stable residual chlorine concentrations in the effluent of the sedimentation basin. The aim is to enable real-time monitoring of water quantity and quality data, as well as intelligent control of the chlorination process at Water Purification Plant B in Bupyeong-gu, Incheon. Machine learning models offer a powerful approach to predicting future water quality by leveraging historical data. They are often simpler and more efficient compared to complex physical, chemical, and biological water quality models. In this study, we employed various artificial intelligence algorithms, including multiple regression, artificial neural networks, and random forest, to forecast the residual chlorine concentration in the effluent of the sedimentation basin at the Water Purification Plant. Subsequently, we compared and analyzed the obtained results. To develop a machine learning model for predicting chlorine concentration in a Water Purification Plant, several input variables were utilized, including settling tank shear residual chlorine concentration, water temperature, turbidity, pH, electrical conductivity, inflow volume, and alkalinity. The output variable was the settling tank residual chlorine concentration. The results demonstrated that the random forest model yielded the most accurate predictions for the Water Purification Plant. The multiple regression model exhibited the worst goodness of fit among the tested mathematical models. This outcome is attributed to the variations in scale and dimensionality of the water quantity and quality data, as well as the variability in chlorine input caused by seasonal changes in water quality. The results of the multiple regression analysis showed the lowest performance in terms of goodness of fit. Based on the findings of this study, it can be concluded that a decision tree-based model, such as a random forest, is well-suited for the application of artificial intelligence algorithms in the water purification process of a Water Purification Plant. These results suggest that by adjusting the chlorine injection amount in real time, the residual chlorine concentration in the effluent of the sedimentation basin can be consistently maintained. This study highlights the potential of utilizing machine learning techniques to optimize the water purification process and ensure the desired water quality standards at Water Purification Plants.

목차 (Table of Contents)

• 제 1 장 서론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구 동향 3
• 1.3 연구 내용 및 범위 6
• 제 2 장 정수장 잔류염소 예측 지능화 방법론 11
• 2.1 정수처리 공정 11
• 2.2 잔류염소농도 관리 13
• 2.3 정수장 잔류염소농도 예측 지능화 방법 15
• 2.3.1 다중회귀분석 20
• 2.3.2 인공신경망 21
• 2.3.3 랜덤 포레스트 24
• 2.4 모형 검증 방법 26
• 제 3 장 대상자료 수집 및 분석 28
• 3.1 정수장 운영자료 수집 28
• 3.2 수집자료 분석 34
• 3.2.1 분포특성 분석 34
• 3.2.2 상관성 분석 35
• 제 4 장 잔류염소 예측을 위한 러닝머신 모델 적용 39
• 제 5 장 결론 45
• 참고 문헌 47