KR102527744B1 - Apparatus and system for predicting and monitoring water odor using national reference standard data - Google Patents
Apparatus and system for predicting and monitoring water odor using national reference standard data Download PDFInfo
- Publication number
- KR102527744B1 KR102527744B1 KR1020220121365A KR20220121365A KR102527744B1 KR 102527744 B1 KR102527744 B1 KR 102527744B1 KR 1020220121365 A KR1020220121365 A KR 1020220121365A KR 20220121365 A KR20220121365 A KR 20220121365A KR 102527744 B1 KR102527744 B1 KR 102527744B1
- Authority
- KR
- South Korea
- Prior art keywords
- water quality
- data
- quality data
- reference standard
- prediction
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 172
- 238000012544 monitoring process Methods 0.000 title claims description 14
- 239000003205 fragrance Substances 0.000 claims abstract description 70
- 239000001075 (4R,4aR,8aS)-4,8a-dimethyl-1,2,3,4,5,6,7,8-octahydronaphthalen-4a-ol Substances 0.000 claims abstract description 46
- 239000000126 substance Substances 0.000 claims abstract description 46
- JLPUXFOGCDVKGO-UHFFFAOYSA-N dl-geosmin Natural products C1CCCC2(O)C(C)CCCC21C JLPUXFOGCDVKGO-UHFFFAOYSA-N 0.000 claims abstract description 45
- 229930001467 geosmin Natural products 0.000 claims abstract description 45
- JLPUXFOGCDVKGO-TUAOUCFPSA-N (-)-geosmin Chemical compound C1CCC[C@]2(O)[C@@H](C)CCC[C@]21C JLPUXFOGCDVKGO-TUAOUCFPSA-N 0.000 claims abstract description 43
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims abstract description 32
- 229930002868 chlorophyll a Natural products 0.000 claims abstract description 31
- 238000012806 monitoring device Methods 0.000 claims abstract description 25
- 108010053210 Phycocyanin Proteins 0.000 claims abstract description 20
- 238000013480 data collection Methods 0.000 claims abstract description 19
- LFYXNXGVLGKVCJ-FBIMIBRVSA-N 2-methylisoborneol Chemical compound C1C[C@@]2(C)[C@](C)(O)C[C@@H]1C2(C)C LFYXNXGVLGKVCJ-FBIMIBRVSA-N 0.000 claims abstract description 11
- LFYXNXGVLGKVCJ-UHFFFAOYSA-N 2-methylisoborneol Natural products C1CC2(C)C(C)(O)CC1C2(C)C LFYXNXGVLGKVCJ-UHFFFAOYSA-N 0.000 claims abstract description 11
- GPRLSGONYQIRFK-UHFFFAOYSA-N hydron Chemical compound [H+] GPRLSGONYQIRFK-UHFFFAOYSA-N 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- DTGKSKDOIYIVQL-UHFFFAOYSA-N dl-isoborneol Natural products C1CC2(C)C(O)CC1C2(C)C DTGKSKDOIYIVQL-UHFFFAOYSA-N 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 35
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 abstract description 6
- 241000195493 Cryptophyta Species 0.000 description 12
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 10
- 239000001301 oxygen Substances 0.000 description 10
- 229910052760 oxygen Inorganic materials 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000000034 method Methods 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 238000000746 purification Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 4
- 241000186361 Actinobacteria <class> Species 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- -1 2-MIB Natural products 0.000 description 2
- UXFSPRAGHGMRSQ-UHFFFAOYSA-N 3-isobutyl-2-methoxypyrazine Chemical compound COC1=NC=CN=C1CC(C)C UXFSPRAGHGMRSQ-UHFFFAOYSA-N 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 2
- 241000192700 Cyanobacteria Species 0.000 description 2
- 238000002965 ELISA Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 235000020188 drinking water Nutrition 0.000 description 2
- 239000003651 drinking water Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- NTOPKICPEQUPPH-UHFFFAOYSA-N IPMP Natural products COC1=NC=CN=C1C(C)C NTOPKICPEQUPPH-UHFFFAOYSA-N 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000007857 degradation product Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000031852 maintenance of location in cell Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008786 sensory perception of smell Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000002470 solid-phase micro-extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 0.000 description 1
- 238000011071 total organic carbon measurement Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Medicinal Chemistry (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Food Science & Technology (AREA)
- Molecular Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
Abstract
Description
본 실시예는 냄새물질을 예측하는 기술에 관한 것이다.This embodiment relates to a technology for predicting an odorant.
우리나라의 상수원은 대부분 호수 및 하천수를 이용하고 있기 때문에 자연 발생적이거나 인위적인 맛·냄새 물질에 노출되기 쉽다. 수돗물에서 나는 맛·냄새는 원활한 식수공급과 안정적인 수자원 확보에 부정적인 영향을 미쳐 국민건강은 물론 막대한 경제적 손실을 유발하므로 이에 대한 적절한 대책이 요구된다. 냄새물질은 팔당, 대청 등 다목적 댐에서 매년 하절기에 주기적으로 발생하고 있으며 팔당댐의 경우 농도가 약 1,200 ng/L까지 검출된 바 있어 이로 인해 추가적 정수 처리 비용의 증가 및 지역 주민의 수돗물 이용에 큰 불편을 초래한다.Since most of the water sources in Korea use lakes and rivers, they are easily exposed to naturally occurring or artificial taste and odor substances. The taste and smell from tap water negatively affect the smooth supply of drinking water and the securing of stable water resources, causing not only national health but also enormous economic losses. Appropriate countermeasures are required. Odor substances are periodically generated every summer in multi-purpose dams such as Paldang and Daecheong, and in the case of Paldang Dam, the concentration has been detected up to about 1,200 ng/L. causes
한편 냄새물질의 분석은 복잡한 전처리 과정과 고가의 분석장비(GC/MS, ELISA)를 필요로 한다. 그래서 현장 분석결과를 통한 피드백이 될 수 있는 온라인 모니터링 시스템 기술 개발이 요구되는 실정이다. 이에 부응하여 일부 고감도 센서를 이용한 냄새물질 분석기술 개발이 시도되고 있다. 이에 한국수자원공사는 정수장에서 맛·냄새물질을 신속하게 검출할 수 있는 '실시간 자동분석 시스템'을 개발하고 있다. 그러나 본 시스템이 사용하는 Purge&Trap(전처리)-GC/MS- 또는 SPME(전처리)-GC/MS- 기술은 전처리가 까다롭고 시간이 오래 걸리는 문제점이 있다.On the other hand, the analysis of odorous substances requires a complicated pre-processing process and expensive analysis equipment (GC/MS, ELISA). Therefore, the development of online monitoring system technology that can provide feedback through on-site analysis results is required. In response to this, an attempt is being made to develop odorous substance analysis technology using some highly sensitive sensors. Accordingly, Korea Water Resources Corporation is developing a 'real-time automatic analysis system' that can quickly detect taste and odor substances in water purification plants. However, the Purge&Trap (pre-processing)-GC/MS- or SPME (pre-processing)-GC/MS- technology used by this system has problems in that the pre-processing is difficult and takes a long time.
이에, 본 발명의 발명자는 오랫동안 연구하고 시행착오를 거친 끝에 본 발명을 완성하기에 이르렀다.Accordingly, the inventor of the present invention has completed the present invention after long research and trial and error.
이러한 배경에서, 본 실시예의 일 목적은, 연계수질데이터, 계측수질데이터 및 국가참조표준데이터를 학습한 예측모델을 통해 피코시아닌(phycocyanin), 클로로필-A(Chl-a; chlorophyll a), 수온 및 pH(수소 이온 농도) 중 적어도 하나에 대한 냄새물질농도를 예측 및 모니터링하는 기술을 제공하는 것이다. Against this background, one purpose of this embodiment is to predict phycocyanin, chlorophyll-A (Chl-a; chlorophyll a), water temperature through a prediction model learning linked water quality data, measured water quality data, and national reference standard data. and pH (hydrogen ion concentration) to provide a technology for predicting and monitoring odorant concentrations.
한편, 본 발명의 명시되지 않은 또 다른 목적들은 하기의 상세한 설명 및 그 효과로부터 용이하게 추론할 수 있는 범위 내에서 추가적으로 고려될 것이다.Meanwhile, other unspecified objects of the present invention will be additionally considered within the scope that can be easily inferred from the following detailed description and effects thereof.
전술한 목적을 달성하기 위하여, 일 실시예는, 과거에 계측되었거나 또는 현재 계측된 수질데이터로서 환경시설로부터 제공되는 연계수질데이터를 실시간으로 수집하고, 상기 연계수질데이터와 상이하고 현재 계측된 수질데이터로서 피코시아닌(phycocyanin), 클로로필-A(Chl-a; chlorophyll a), 수온 및 pH(수소 이온 농도) 중 적어도 하나를 포함하는 계측수질데이터를 실시간으로 수집하며, 지오스민(geosmin) 및 2-MIB(2-Methylisoborneol; 2-메틸이소보르네올)를 포함하는 과거의 냄새물질농도에 대한 국가참조표준데이터를 수집하고, 상기 국가참조표준데이터는 데이터베이스화 되는 데이터수집부; 및 상기 데이터수집부로부터 데이터를 수신하고, 기계학습을 통해 학습된 예측모델을 이용하여 피코시아닌(phycocyanin), 클로로필-A(Chl-a; chlorophyll a), 수온 및 pH(수소 이온 농도) 중 적어도 하나에 대하여 지오스민 및 2-MIB를 포함하는 냄새물질농도를 예측하는 예측부를 포함하고, 상기 예측부는, 인공신경망을 포함하고 상기 인공신경망을 통해 상기 냄새물질농도를 예측하는 예측모델; 및 상기 연계수질데이터, 상기 계측수질데이터 및 상기 국가참조표준데이터를 이용하여 상기 예측모델을 학습시키는 학습부를 포함하는 냄새물질 예측 및 모니터링 장치를 제공한다.In order to achieve the above object, an embodiment collects in real time linked water quality data provided from environmental facilities as water quality data measured in the past or currently measured, and is different from the linked water quality data and currently measured water quality data. phycocyanin, chlorophyll-A (Chl-a; chlorophyll a), water temperature and pH (hydrogen ion concentration) are collected in real time, and geosmin and 2 -A data collection unit that collects national reference standard data on odorant concentrations in the past, including MIB (2-Methylisoborneol; 2-methylisoborneol), and stores the national reference standard data in a database; And receiving data from the data collection unit, using a prediction model learned through machine learning, phycocyanin, chlorophyll-A (Chl-a; chlorophyll a), water temperature and pH (hydrogen ion concentration) a prediction unit for predicting concentrations of odorants including geosmin and 2-MIB for at least one of the odorants, wherein the prediction unit includes: a prediction model including an artificial neural network and predicting concentrations of odorants through the artificial neural network; and a learning unit configured to learn the prediction model using the linked water quality data, the measured water quality data, and the national reference standard data.
상기 장치에서, 상기 계측수질데이터는 지오스민측정값 및 2-MIB측정값을 더 포함하고, 상기 학습부는, 상기 계측수질데이터에 포함된 피코시아닌측정값, 지오스민측정값 및 2-MIB측정값과, 상기 국가참조표준데이터에 포함된 지오스민표준값 및 2-MIB표준값을 상기 예측모델의 학습 성능을 테스트하는 테스트데이터로 이용할 수 있다.In the device, the measured water quality data further includes a geosmin measurement value and a 2-MIB measurement value, and the learning unit includes a phycocyanin measurement value, a geosmin measurement value, and a 2-MIB measurement value included in the measured water quality data. value, and the geosmin standard value and 2-MIB standard value included in the national reference standard data can be used as test data for testing the learning performance of the prediction model.
상기 장치에서, 상기 계측수질데이터는, TN(total nitorgen, 총질소)측정값, TP(total phosphorus, 총인)측정값 및 TOC(total organic carbon, 총 유기탄소)측정값을 더 포함할 수 있다.In the device, the measured water quality data may further include a total nitrogen (TN) measurement value, a total phosphorus (TP) measurement value, and a total organic carbon (TOC) measurement value.
상기 장치에서, 상기 연계수질데이터, 상기 계측수질데이터 및 상기 국가참조표준데이터로부터 수질인자를 추출하고, 상기 수질인자 사이에 상관관계를 분석하는 분석부를 포함하고, 상기 학습부는, 지오스민 및 2-MIB와 상관관계를 가지는 수질인자를 입력변수로 하여 상기 예측모델을 학습시킬 수 있다. In the apparatus, an analysis unit extracts water quality factors from the linked water quality data, the measured water quality data, and the national reference standard data, and analyzes a correlation between the water quality factors, and the learning unit includes Geosmin and 2- The predictive model may be trained by using a water quality factor having a correlation with MIB as an input variable.
다른 실시예는, 냄새물질 예측 및 모니터링 장치; 상기 연계수질데이터를 상기 냄새물질 예측 및 모니터링 장치에 제공하는 연계데이터제공장치; 상기 계측수질데이터를 계측하는 계측기와, 상기 계측수질데이터를 상기 냄새물질 예측 및 모니터링 장치로 송신하는 원격단말기(RTU; remote terminal unit)를 포함하는 계측데이터수집장치; 및 상기 국가참조표준데이터를 상기 냄새물질 예측 및 모니터링 장치에 제공하는 국가참조표준데이터제공장치를 포함하는 냄새물질 예측 및 모니터링 시스템을 제공한다.Another embodiment is an odorant predicting and monitoring device; a linked data providing device for providing the linked water quality data to the odorant prediction and monitoring device; a measurement data collection device including a measuring instrument for measuring the measured water quality data and a remote terminal unit (RTU) for transmitting the measured water quality data to the odorant predicting and monitoring device; and a national reference standard data providing device for providing the national reference standard data to the odorant predicting and monitoring device.
이상에서 설명한 바와 같이 본 실시예에 의하면, 자동계측이 가능한 수질데이터로부터 냄새물질농도를 간접적으로 예측할 수 있다. As described above, according to the present embodiment, the odorant concentration can be predicted indirectly from water quality data that can be automatically measured.
그리고, 본 실시예에 의하면, 냄새물질농도 예측에 국가참조표준데이터를 이용함으로써 국가참조표준데이터의 활용성을 높일 수 있다. Further, according to the present embodiment, the utilization of the national reference standard data can be increased by using the national reference standard data to predict the odorant concentration.
한편, 여기에서 명시적으로 언급되지 않은 효과라 하더라도, 본 발명의 기술적 특징에 의해 기대되는 이하의 명세서에서 기재된 효과 및 그 잠정적인 효과는 본 발명의 명세서에 기재된 것과 같이 취급됨을 첨언한다.On the other hand, even if the effects are not explicitly mentioned here, it is added that the effects described in the following specification expected by the technical features of the present invention and their provisional effects are treated as described in the specification of the present invention.
도 1은 일 실시예에 따른 냄새물질 예측 및 모니터링 시스템의 구성도이다.
도 2는 일 실시예에 따른 냄새물질농도를 포함하는 국가참조표준데이터의 예시도이다.
도 3은 일 실시예에 따른 냄새물질 예측 및 모니터링 장치의 구성도이다.
도 4는 일 실시예에 따른 냄새물질 예측 및 모니터링 장치의 동작을 나타내는 흐름도이다.
도 5는 일 실시예에 따른 냄새물질을 유발하는 물질의 특성을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 수질인자의 상관관계를 분석을 통해 예측모델을 학습시키는 동작을 나타내는 흐름도이다.
도 7은 일 실시예에 따른 수질인자의 상관관계의 분석결과의 제1 예시도이다.
도 8은 일 실시예에 따른 수질인자의 상관관계의 분석결과의 제2 예시도이다.
첨부된 도면은 본 발명의 기술사상에 대한 이해를 위하여 참조로서 예시된 것임을 밝히며, 그것에 의해 본 발명의 권리범위가 제한되지는 아니한다.1 is a block diagram of an odorant prediction and monitoring system according to an embodiment.
2 is an exemplary diagram of national reference standard data including concentrations of odorous substances according to an embodiment.
3 is a configuration diagram of an apparatus for predicting and monitoring odorous substances according to an embodiment.
4 is a flowchart illustrating an operation of an apparatus for predicting and monitoring odorants according to an exemplary embodiment.
5 is a diagram for explaining characteristics of a substance that causes an odorous substance according to an exemplary embodiment.
6 is a flowchart illustrating an operation of learning a predictive model by analyzing correlations of water quality factors according to an embodiment.
7 is a first exemplary view of analysis results of correlations between water quality factors according to an embodiment.
8 is a second exemplary view of analysis results of correlations between water quality factors according to an embodiment.
It is revealed that the accompanying drawings are illustrated as references for understanding the technical idea of the present invention, and thereby the scope of the present invention is not limited.
본 발명을 설명함에 있어서 관련된 공지기능에 대하여 이 분야의 기술자에게 자명한 사항으로서 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. In the description of the present invention, if it is determined that a related known function may unnecessarily obscure the subject matter of the present invention as an obvious matter to those skilled in the art, the detailed description thereof will be omitted.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Terms used in this application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, the terms "include" or "have" are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or more other features It should be understood that the presence or addition of numbers, steps, operations, components, parts, or combinations thereof is not precluded.
이하, 본 발명에 따른 실시예를 첨부도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, an embodiment according to the present invention will be described in detail with reference to the accompanying drawings, and in the description with reference to the accompanying drawings, the same or corresponding components are assigned the same reference numerals and overlapping descriptions thereof are omitted. do it with
도 1은 일 실시예에 따른 냄새물질 예측 및 모니터링 시스템의 구성도이고, 도 2는 일 실시예에 따른 냄새물질농도를 포함하는 국가참조표준데이터의 예시도이다.1 is a configuration diagram of an odorant prediction and monitoring system according to an embodiment, and FIG. 2 is an exemplary view of national reference standard data including odorant concentrations according to an embodiment.
도 1을 참조하면, 냄새물질 예측 및 모니터링 시스템(100, 이하 '시스템'이라 함)은 국가참조표준데이터제공장치(110), 연계데이터제공장치(120), 계측데이터수집장치(130) 및 냄새물질 예측 및 모니터링 장치(140)를 포함할 수 있다. Referring to FIG. 1, an odorant prediction and monitoring system (100, hereinafter referred to as 'system') includes a national reference standard
이하에서 수질데이터는 탁도, pH(수소 이온 농도), DO(dissolved oxygen, 용존산소량), BOD(biochemical oxygen demand, 생화학적 산소요구량), COD(chemical oxygen demand, 화학적 산소요구량), SS(suspended solids, 부유물질량), TN(total nitorgen, 총질소), TP(total phosphorus, 총인), TOC(total organic carbon, 총 유기탄소), 수온, 피코시아닌(phycocyanin), Chl-a(chlorophyll a, 클로로필-a) 및 유량에 대한 값으로 이해될 수 있으나 이에 한정되지 않고 냄새물질-지오스민(geosmin) 및 2-MIB(2-methylisoborneol; 2-메틸이소보르네올)-에 대한 값을 더 포함할 수 있다. 수질데이터는 과거에 이미 측정된 값이거나 현재 측정된 값일 수 있다.Water quality data below includes turbidity, pH (hydrogen ion concentration), DO (dissolved oxygen), BOD (biochemical oxygen demand), COD (chemical oxygen demand), SS (suspended solids) , suspended solids), TN (total nitorgen, total nitrogen), TP (total phosphorus, total phosphorus), TOC (total organic carbon), water temperature, phycocyanin, Chl-a (chlorophyll a, chlorophyll) It can be understood as values for -a) and flow rate, but is not limited thereto, and may further include values for odorants-geosmin and 2-MIB (2-methylisoborneol; 2-methylisoborneol). can Water quality data may be values already measured in the past or values currently measured.
국가참조표준데이터제공장치(110)는 국가참조표준데이터를 냄새물질 예측 및 모니터링 장치(140)에 제공할 수 있다. 연계수질데이터 및 계측수질데이터는 실시간으로 수집되는 반면, 국가참조표준데이터는 미리 수집되어 냄새물질 예측 및 모니터링 장치(140)와 연계된 데이터베이스(미도시)에 기록될 수 있다. 국가참조표준데이터는 과거의 냄새물질농도에 대한 데이터를 포함하는데, 여기서 냄새물질은 지오스민 및 2-MIB를 포함할 수 있다. 따라서 국가참조표준데이터는 지오스민 및 2-MIB에 대한 농도값을 포함할 수 있다. The national reference standard
도 2를 참조하면, 국가참조표준데이터의 예시가 도시될 수 있다. (국가)참조표준이란 측정데이터 및 정보의 정확도와 신뢰도를 과학적으로 분석·평가하여 공인함으로써 국가사회의 모든 분야에서 널리 지속적으로 사용되거나 반복사용이 가능하도록 마련된 자료(국가표준기본법 제3조7항) -예를 들어 반도체 가스물성, 고속물성, 한국인 인체치수, 원자력, 환경 등 -로서, 국가참조표준데이터는 참조표준에 포함된 데이터를 의미할 수 있다. 국가참조표준데이터는 기업의 제품개발자, 학교 및 연구소의 연구자 및 병원의 의사 등에 의하여 이용될 수 있는데, 유사 시험 및 연구개발에 참고할 수 있어 중복실험 방지로 시간과 비용을 획기적으로 절감시킬 수 있다. 국가참조표준데이터가 연구 및 제품 개발 초지 단계 활용되면, 레버리지효과(leverage effect)가 매우 클 수 있다. Referring to FIG. 2, an example of national reference standard data may be shown. A (national) reference standard is a data prepared to be widely and continuously used or repeatedly used in all fields of the national society by scientifically analyzing, evaluating and accrediting the accuracy and reliability of measurement data and information (
본 도면에 도시된 국가참조표준데이터는 국가참조표준센터가 환경의 수질 분야에서 '광역정수장 원수중 냄새물질 농도'에 대한 것일 수 있다. 구체적으로 본 국가참조표준데이터는 2020년8월에 전국 13개 정수장의 원수의 냄새물질(지오스민, 2-MIB)의 농도(㎍/L)를 나타낼 수 있다. 일 예시로서 분석자 K-water가 성남정수장(경기도 성남시 수정구 사송동 산88-5)에서 2020.08.27에 채취한 시료를 분석한 결과는 '수온 23.1℃pH 7.7, 지오스민 불검출, 2-MIB 불검출'을 포함할 수 있다. 다른 예시로서 분석자 K-water가 고양정수장(경기도 고양시 일산동구 산황동 300)에서 2020.08.27에 채취한 시료를 분석한 결과는 '수온 22.2℃pH 7.72, 지오스민 불검출, 2-MIB 불검출'을 포함할 수 있다. 이와 같이 각 지역에서 특정 주체에 의하여 측정된 값은 정확도 및 신뢰도 평가를 거쳐서 국가참조표준데이터로 인정될 수 있다. The national reference standard data shown in this figure may be about 'odorous substance concentration in raw water of a wide-area water purification plant' in the field of environmental water quality by the National Reference Standards Center. Specifically, this national reference standard data can indicate the concentration (μg/L) of odorous substances (geosmin, 2-MIB) in raw water from 13 water purification plants nationwide in August 2020. As an example, the result of analyzing a sample collected by analyst K-water at the Seongnam Water Purification Plant (San 88-5 Sasong-dong, Sujeong-gu, Seongnam-si, Gyeonggi-do) on 2020.08.27 is 'water temperature 23.1℃ pH 7.7, geosmin not detected, 2-MIB not detected' can include As another example, the result of analyzing a sample taken on August 27, 2020 by analyst K-water at the Goyang Water Purification Plant (300 Sanhwang-dong, Ilsandong-gu, Goyang-si, Gyeonggi-do) may include 'water temperature 22.2℃ pH 7.72, geosmin not detected, 2-MIB not detected'. can In this way, the values measured by a specific entity in each region can be recognized as national reference standard data after undergoing accuracy and reliability evaluation.
다시 도 1로 돌아가면, 국가참조표준데이터에 포함된 값은 처음에는 특정 주체가 과거의 특정 시점에 측정한 값이지만, 평가를 통해 정확도 및 신뢰도를 인정받아서 기준이 되는 값으로 된 것이다. 냄새물질 예측 및 모니터링 장치(140)는 국가참조표준데이터에 포함된 지오스민표준값과 2-MIB표준값을 예측모델의 학습에 이용할 수 있다. Returning to FIG. 1, the value included in the national reference standard data is initially a value measured at a specific point in the past by a specific subject, but becomes a standard value after being recognized for its accuracy and reliability through evaluation. The odorant prediction and
연계데이터제공장치(120)는 일 기관이 과거에 계측하였거나 또는 현재 계측한 수질데이터를 냄새물질 예측 및 모니터링 장치(140)에 제공할 수 있다. 연계데이터제공장치(120)가 제공하는 이러한 수질데이터는 연계수질데이터로 명명될 수 있다. 또는 연계수질데이터는 일 기관이 보유하는 수질데이터로서 과거 또는 현재의 수질데이터를 포함할 수 있다. 여기서 일 기관은 하수처리장 또는 정수처리장과 같은 환경시설이 될 수 있다. 환경시설은 연계데이터제공장치(120)를 통해 연계수질데이터를 냄새물질 예측 및 모니터링 장치(140)에 제공할 수 있다.The linked
계측데이터수집장치(130)는 계측기(131)를 통해 수집한 수질데이터를 냄새물질 예측 및 모니터링 장치(140)에 제공할 수 있다. 계측기(131)는 각종 센서 및 미터기를 포함할 수 있다. 계측기(131)에 의하여 수집되어 냄새물질 예측 및 모니터링 장치(140)에 제공되는 이러한 수질데이터는 계측수질데이터로 명명될 수 있다. 계측기(131)는 각종 센서를 포함하여 탁도, pH(수소 이온 농도), DO(dissolved oxygen, 용존산소량), BOD(biochemical oxygen demand, 생화학적 산소요구량), COD(chemical oxygen demand, 화학적 산소요구량), SS(suspended solids, 부유물질량), TN(total nitorgen, 총질소), TP(total phosphorus, 총인), TOC(total organic carbon, 총 유기탄소), 수온, Chl-a(chlorophyll a, 클로로필-a) 및 유량을 측정할 수 있다. The measurement
여기서 계측데이터수집장치(130)가 냄새물질 예측 및 모니터링 장치(140)에 보낸 TN, TP, TOC에 대한 값은 냄새물질 예측 및 모니터링 장치(140)에서 학습에 이용될 뿐만 아니라 국가참조표준데이터로 지정될 수 있다 국가참조표준데이터로 지정된 TN, TP, TOC에 대한 값은 국가참조표준데이터제공장치(110)에 저장될 수 있다. Here, the values of TN, TP, and TOC sent from the measurement
또한 계측데이터수집장치(130)는 원격단말기(RTU; remote terminal unit, 132)를 더 포함할 수 있다. 원격단말기(132)는 원격지에서 데이터를 수집해 전송가능한 형식으로 데이터를 변환하여 외부 장치로 송신할 수 있다. 여기서 원격단말기(132)는 계측기(131)가 수집한 계측수질데이터를 전송가능한 형식으로 변환하여 냄새물질 예측 및 모니터링 장치(140)로 송신할 수 있다.In addition, the measurement
한편 냄새물질 예측 및 모니터링 장치(140)는 기계학습을 통해 예측모델을 학습시키고, 학습된 예측모델을 기반으로 냄새물질농도를 예측할 수 있다. 구체적으로 냄새물질 예측 및 모니터링 장치(140)는 국가참조표준데이터, 연계수질데이터 및 계측수질데이터를 수신하고, 기계학습을 통해 학습된 예측모델을 이용하여 입력수질데이터에 대한 냄새물질농도를 예측할 수 있다. 예를 들어 냄새물질 예측 및 모니터링 장치(140)는 학습된 예측모델에 피코시아닌(phycocyanin), Chl-a(chlorophyll a, 클로로필-a), 수온 및 pH(수소 이온 농도) 중 적어도 하나를 입력하고 이에 대응하여 지오스민예측값 및 2-MIB예측값 중 적어도 하나를 출력할 수 있다. Meanwhile, the odorant predicting and
냄새물질 예측 및 모니터링 장치(140)는 TN, TP, TOC에 대한 값을 예측모델의 학습 및 냄새물질농도의 예측에 이용한 뒤에 국가참조표준데이터제공장치(110)에 국가참조표준데이터로서 제공할 수 있다.The odorant predicting and
그리고 사용자장치(150-1, 150-2)는 냄새물질 예측 및 모니터링 장치(140)로부터 분석결과를 수신하여 사용자에게 출력할 수 있다. 여기서 분석결과는 냄새물질농도예측값이고, 이 냄새물질농도예측값은 학습된 예측모델이 출력한 값일 수 있다. 사용자장치(150-1, 150-2)는 다양한 사용자 인터페이스에 상응하여 냄새물질농도예측값을 사용자에게 출력할 수 있다. 제1 사용자장치(150-1)는 웹페이지를 통해 냄새물질농도예측값을 출력할 수 있고, 제2 사용자장치(150-2)는 애플리케이션을 통해 냄새물질농도예측값을 출력할 수 있다. 또는 냄새물질농도예측값은 open API의 형태로 제공될 수 있고, 사용자장치(150-1, 150-2)는 이와 연동하여 냄새물질농도예측값을 출력할 수 있다.In addition, the user devices 150-1 and 150-2 may receive the analysis result from the smelly substance predicting and
도 3은 일 실시예에 따른 냄새물질 예측 및 모니터링 장치의 구성도이다.3 is a block diagram of an apparatus for predicting and monitoring odorous substances according to an embodiment.
도 3을 참조하면, 냄새물질 예측 및 모니터링 장치(140, 이하 '장치'라 함)는 데이터수집부(310), 데이터전처리부(320), 예측부(330), 통신부(340) 및 분석부(350)를 포함할 수 있다. 여기서 예측부(330)는 학습부(331) 및 예측모델(332)을 더 포함할 수 있다. 장치(140)는 기계학습을 통해 예측모델을 학습시키고, 학습된 예측모델을 기반으로 냄새물질농도를 예측할 수 있다. Referring to FIG. 3 , the odorant prediction and monitoring device 140 (hereinafter referred to as 'device') includes a
데이터수집부(310)는 예측모델(332)의 학습을 위한 수질데이터를 수집할 수 있다. 여기서 수질데이터는 국가참조표준데이터, 연계수질데이터 및 계측수질데이터를 포함할 수 있다. 또한 수집된 수질데이터는 현재 또는 과거의 수질데이터일 수 있다. The
수집된 수질데이터는 예측모델(332)을 트레이닝(training)시키는 훈련데이터와 학습과정에서 학습의 중단 시점을 결정하기 위하여 사용하는 검증데이터로 구분될 수 있다. 예측모델(332)은 훈련데이터(training data)를 학습하고 일정 시점-예를 들어 과적합이 발생되기 이전-에서 검증데이터(validation data)를 통해 학습을 완료할 수 있다. 그리고 예측모델(332)의 성능은 훈련데이터 및 검증데이터와 상이한 테스트데이터(test data)를 통해 최종적으로 평가될 수 있다. The collected water quality data can be divided into training data for training the
국가참조표준데이터는 냄새물질 국가참조표준데이터 및 수질 국가참조표준데이터를 포함할 수 있다. 냄새물질 국가참조표준데이터는 냄새를 유발하는 물질에 대한 데이터이고, 수질 국가참조표준데이터는 물의 깨끗함을 나타내는 척도에 대한 데이터일 수 있다. National reference standard data may include odorant national reference standard data and water quality national reference standard data. The odorous substance national reference standard data may be data on a substance causing odor, and the water quality national reference standard data may be data on a scale representing the cleanliness of water.
연계수질데이터, 계측수질데이터 및 수질 국가참조표준데이터는 탁도, pH(수소 이온 농도), DO(dissolved oxygen, 용존산소량), BOD(biochemical oxygen demand, 생화학적 산소요구량), COD(chemical oxygen demand, 화학적 산소요구량), SS(suspended solids, 부유물질량), TN(total nitorgen, 총질소), TP(total phosphorus, 총인), TOC(total organic carbon, 총 유기탄소), 수온, 피코시아닌(phycocyanin), Chl-a(chlorophyll a, 클로로필-a) 및 유량에 대한 값을 포함할 수 있다. Linked water quality data, measured water quality data, and national reference standard data for water quality include turbidity, pH (hydrogen ion concentration), DO (dissolved oxygen), BOD (biochemical oxygen demand), COD (chemical oxygen demand, chemical oxygen demand), SS (suspended solids), TN (total nitorgen), TP (total phosphorus), TOC (total organic carbon), water temperature, phycocyanin , Chl-a (chlorophyll a, chlorophyll-a) and values for flux.
또한 연계수질데이터, 계측수질데이터 및 냄새물질 국가참조표준데이터는 냄새물질인 지오스민 및 2-MIB에 대한 값도 포함할 수 있다. In addition, linked water quality data, measured water quality data, and national reference standard data for odorants may also include values for geosmin and 2-MIB, which are odorants.
여기서 계측수질데이터에 포함된 피코시아닌측정값, 지오스민측정값, 2-MIB측정값과, 국가참조표준데이터에 포함된 지오스민표준값과 2-MIB표준값이 훈련데이터 및 테스트데이터로서 이용될 수 있다. Here, phycocyanin measurement values, geosmin measurement values, and 2-MIB measurement values included in the measured water quality data, and geosmin standard values and 2-MIB standard values included in the national reference standard data can be used as training data and test data. there is.
예를 들어 학습부(331)는 학습된 예측모델에 계측수질데이터의 피코시아닌측정값을 입력하고, 이 때 출력되는 지오스민예측값이 피코시아닌측정값과 동일 시간 및 동일 장소에서의 계측수질데이터에 포함된 지오스민측정값과 일치하는지를 판단할 수 있다. 결과가 일치하는 경우 학습부(331)는 예측모델의 성능이 안정적이라고 판정할 수 있다. 또는 학습부(331)는 지오스민예측값이 동일 시간 및 동일 장소에서의 국가참조표준데이터에 포함된 지오스민표준값과 일치하는지를 판단할 수 있다. 결과가 일치하는 경우 학습부(331)는 예측모델의 성능이 안정적이라고 판정할 수 있다. For example, the
또한 데이터수집부(310)는 환경시설-예를 들어 정수처리장 또는 하수처리장-이 운영하는 연계데이터제공장치(120)로부터 연계수질데이터를 수집할 수 있다. 예를 들어 데이터수집부(310)는 기상데이터를 기상자료개방포털(data.kma.go.kr)로부터 수집하고, 수질데이터를 실시간수질정보시스템 수질자동측정망(water.nier.go.kr)으로부터 수집할 수 있다. 또는 데이터수집부(310)는 연계데이터제공장치(120)가 제공하는 open API와 연동하여 주기적으로 연계수질데이터를 수집할 수 있다.In addition, the
데이터전처리부(320)는 예측모델(332)의 학습 및 예측에 이용될 수 있도록 데이터수집부(310)가 수집한 데이터를 전처리할 수 있다. 전처리에는 특정 요소의 추출 과정이나, 벡터화나 정규화와 같은 변환 과정이 포함될 수 있다. The data
예측부(330)는 냄새물질농도에 대하여 예측모델(332)을 학습시킬 수 있다. 학습이 완료되면, 예측부(330)는 예측모델(332)을 통해 냄새물질농도를 예측할 수 있다. 예를 들어 예측부(330)는 피코시아닌, Chl-a, 수온 및 pH 중 적어도 하나를 입력받고, 지오스민예측값 및 2-MIB예측값 중 적어도 하나를 예측의 결과로서 출력할 수 있다. The
학습의 경우, 예측부(330)의 학습부(331)는 기계학습에 기반하여 예측모델(332)을 학습시킬 수 있다. 학습부(331)는 예측모델(332)의 학습에 국가참조표준데이터, 연계수질데이터 및 계측수질데이터를 이용할 수 있다. In the case of learning, the
학습부(331)는 기계학습에 이용된 알고리즘에 따라 예측모델의 성격을 규정할 수 있다. 예를 들어 학습부(331)는 예측모델(332)을 분류 모델로 규정할 수 있다. 이를 위하여 학습부(331)는 DT(decision tree)알고리즘, SVM(support vector machine)알고리즘 또는 MLP(multi layer perceptron)알고리즘을 예측모델(332)에 적용할 수 있다. 또는 학습부(331)는 예측모델(332)을 회귀 모델 또는 신경망 모델로 규정할 수 있다. 이를 위하여 학습부(331)는 ANN(artificial neural network)알고리즘 또는 RNN(recurrent neural network)알고리즘을 예측모델(332)에 적용할 수 있다. The
또한 학습부(331)는 학습결과를 피드백(feedback)받아 예측모델(332)의 학습을 최적화할 수 있다. 예를 들어 학습부(331)는 학습결과에 따라서 복수의 알고리즘 중에서 최적의 알고리즘을 선택하여 예측모델(332)을 학습시킬 수 있다. 또는 학습부(331)는 학습결과에 따라서 예측모델(332)에 적용된 알고리즘의 변수-예를 들어 가중치-를 변경할 수 있다. In addition, the
그리고 예측부(330)는 예측모델(332)이 출력한 냄새물질농도의 값을 통신부(340)로 전달할 수 있다. 냄새물질농도의 값은 사용자가 인식할 수 있도록 변환되고, 통신부(340)는 냄새물질농도의 값을 사용자장치(150-1, 150-2)로 전송할 수 있다. 또는 통신부(340)는 계측데이터수집장치(130)가 수집한 계측수질데이터-예를 들어 피코시아닌측정값-를 사용자장치(150-1, 150-2)로 전송할 수 있다.In addition, the
분석부(350)는 전처리된 연계수질데이터, 계측수질데이터 및 국가참조표준데이터를 수신하고, 이 중에서 수질인자를 추출할 수 있다. 수질인자는 연계수질데이터, 계측수질데이터 또는 국가참조표준데이터에 포함된 항목을 포함할 수 있다. 예를 들어 수질인자는 계측수질데이터의 피코시아닌, 클로로필-A, 수온, pH TN측정값, TP측정값 및 TOC측정값 중 적어도 하나를 포함할 수 있다.The
분석부(350)는 수질인자 사이에 상관관계를 분석할 수 있다(S605 단계). 분석부(350)는 수질인자와 냄새물질-지오스민 또는 2-MIB-에 대한 상관관계를 통계적 기법을 이용하여 분석할 수 있다. The
학습부(331)는 수질인자를 가지고 예측모델을 학습시킬 수 있다. 학습부(331)는 냄새물질과 높은 상관성을 가지는 수질인자를 입력변수로 설정하고, 그 입력변수에 대한 데이터를 예측모델에 학습시킬 수 있다. 예를 들어 학습부(331)는 2-MIB과 높은 상관성을 나타낸 클로로필-A, 조류개체수, pH를 예측모델의 입력변수로 설정할 수 있다. 학습부(331)는 학습데이터인 클로로필-A, 조류개체수, pH를 수치범위를 통일화하는 표준화를 수행하고, 표준화된 학습데이터를 예측모델에 적용할 수 있다. The
학습부(331)는 복수의 기계학습 알고리즘-예를 들어 LSTM(long short-rerm memory), 양방향 LSTM(Bidirectional LSTM) 및 GRU(gated recurrent units)-으로 다양한 형태의 복수의 후보예측모델을 생성하고, 각각 동일하게 학습시켜 정확도가 가장 높은 후보예측모델을 예측모델로 결정할 수 있다.The
종래에 냄새물질의 분석은 복잡한 전처리 과정 및 고가의 분석장비(GC/MS, ELISA)를 요구할 뿐만 아니라, 계측이 비연속적이었기 때문에 실시간으로 계측 결과를 알기가 어려웠다. 그러나 일 실시예에 따른 냄새물질 예측 및 모니터링 장치(140)는 자동계측이 가능한 수질데이터-탁도, pH, DO, BOD, COD, SS, TN, TP, TOC, 수온, 피코시아닌, Chl-a 및 유량-를 통해 냄새물질농도를 예측할 수 있다. Conventionally, the analysis of odorous substances not only requires complicated pre-processing and expensive analysis equipment (GC/MS, ELISA), but also makes it difficult to know measurement results in real time because measurement is discontinuous. However, the
또한 일 실시예에 따르면, 미래의 냄새물질농도 예측에 국가참조표준데이터를 이용함으로써 국가참조표준데이터의 활용성을 높일 뿐만 아니라, 수집된 계측수질데이터도 실시간으로 출력될 수 있다. In addition, according to an embodiment, by using the national reference standard data to predict the concentration of odorous substances in the future, the usability of the national reference standard data can be increased, and the collected measured water quality data can also be output in real time.
도 4는 일 실시예에 따른 냄새물질 예측 및 모니터링 장치의 동작을 나타내는 흐름도이다. 4 is a flowchart illustrating an operation of an apparatus for predicting and monitoring odorants according to an exemplary embodiment.
도 4를 참조하면, 장치(140)는 계측수질데이터, 연계수질데이터 및 국가참조표준데이터를 수집할 수 있다(S410 단계). Referring to FIG. 4 , the
장치(140)는 계측수질데이터, 연계수질데이터 및 국가참조표준데이터를 이용하여 예측모델을 일 알고리즘으로 학습시킬 수 있다(S420 단계). The
장치(140)는 예측모델의 학습이 완료되었는지 판단할 수 있다(S430 단계). 학습이 완료되지 않으면, 장치(140)는 학습을 지속할 수 있다(S430 단계의 NO). 학습이 완료되면, 장치(140)는 예측 단계를 수행할 수 있다(S430 단계의 YES). 장치(140)는 예측모델을 통해 냄새물질농도를 예측할 수 있다(S440 단계). 장치(140)는 예측의 결과로서 지오스민예측값 및 2-MIB예측값 중 적어도 하나를 출력할 수 있다.The
도 5는 일 실시예에 따른 냄새물질을 유발하는 물질의 특성을 설명하기 위한 도면이다. 5 is a diagram for explaining characteristics of a substance that causes an odorous substance according to an exemplary embodiment.
도 5를 참조하면, 냄새물질을 유발하는 물질의 특성이 도시될 수 있다. 일 실시예에 따르면, 장치가 예측하는 냄새물질은 지오스민과 2-MIB이나, 본 명세서에서는 다른 후보 냄새물질들도 포함하여 설명하도록 한다.Referring to FIG. 5 , characteristics of a substance causing an odorous substance may be illustrated. According to an embodiment, the odorants predicted by the device are geosmin and 2-MIB, but other candidate odorants are included in the description in this specification.
상수도와 관련된 냄새물질은 크게 자연적인 것과 인위적인 것으로 구분할 수 있으나, 생물작용에 의한 자연발생적인 것이 일반적일 수 있다. 자연발생적 원인에 의한 냄새물질은 대부분 조류에 의한 것으로 밝혀지고 있으며, 특히 남조류(blue green algae)는 지오스민과 2-MIB 같은 물질을 유발할 수 있다. Odor substances related to waterworks can be largely classified into natural and artificial, but naturally occurring substances due to biological action may be common. Odor substances caused by natural causes are mostly found to be caused by algae, and in particular, blue green algae can cause substances such as geosmin and 2-MIB.
조류는 세포 내 저장, 체외 분비 및 분해 산물 방출 형태로 냄새물질을 발산할 수 있다. 조류가 죽으면, 조류 본체가 분해되면서 방선균(actinomycetes)의 영양소로 작용하거나 기타 세균 작용에 의해 조류 세포 내에 함유된 물질이 분리·용해될 수 있다. 방선균은 섬유성 단세포 세균으로 주로 토양에 서식하며 빗물에 유출되어 원수를 오염시킬 수 있다. Algae can give off odorants in the form of intracellular storage, extracorporeal secretion, and release of degradation products. When the algae die, the body of the algae decomposes and acts as a nutrient for actinomycetes, or substances contained in the algal cells can be separated and dissolved by other bacterial actions. Actinomycetes are filamentous unicellular bacteria that live mainly in soil and can contaminate raw water by leaking into rainwater.
방선균 이외의 박테리아에서도 지오스민이나 2-MIB와 같은 물질이 방출되며, 균류 역시 지오스민을 발산할 수 있다. 지금까지 밝혀진 남조류에 의해 발생되는 주요 냄새물질은 지오스민, 2-MIB, IPMP, IBMP 등이 있다. 이 중에서 지오스민과 2-MIB는 화학적으로 안정하고 산화에 대한 저항성을 가지고 있어, 기존의 수처리 방법으로는 잘 산화되지 않으며, 조류 활동이 왕성한 여름철에 많이 생성될 수 있다. 지오스민 및 2-MIB는 환경부 먹는물 수질기준(2017.06)에 정수에서 지오스민의 감시기준이 20ng/L로 제시돼 있으나 정상적인 후각을 가진 사람은 4~10ng/L에서 감지할 수 있다. Bacteria other than actinomycetes also release substances such as geosmin and 2-MIB, and fungi can also release geosmin. Major odorants generated by blue-green algae identified so far include geosmin, 2-MIB, IPMP, and IBMP. Among these, geosmin and 2-MIB are chemically stable and resistant to oxidation, so they are not oxidized well by conventional water treatment methods, and can be produced in large quantities in summer when algal activity is active. For Geosmin and 2-MIB, the monitoring standard for Geosmin in purified water is suggested as 20ng/L in the Ministry of Environment's Drinking Water Quality Standards (2017.06), but people with a normal sense of smell can detect it at 4-10ng/L.
도 6은 일 실시예에 따른 수질인자의 상관관계를 분석을 통해 예측모델을 학습시키는 동작을 나타내는 흐름도이고, 도 7은 일 실시예에 따른 수질인자의 상관관계의 분석결과의 제1 예시도이며, 도 8은 일 실시예에 따른 수질인자의 상관관계의 분석결과의 제2 예시도이다. 6 is a flowchart illustrating an operation of learning a predictive model through analysis of correlations of water quality factors according to an embodiment, and FIG. 7 is a first exemplary diagram of analysis results of correlations of water quality factors according to an embodiment. 8 is a second exemplary diagram of analysis results of correlations between water quality factors according to an embodiment.
도 6을 참조하면, 일 실시예 따른 장치는 수질인자의 상관관계를 분석하고, 지오스민 또는 2-MIB과 가장 높은 상관관계를 가지는 수질인자를 입력변수로 하여 예측모델을 학습시킬 수 있다.Referring to FIG. 6 , the device according to an embodiment may analyze the correlation of water quality factors and learn a predictive model using a water quality factor having the highest correlation with Geosmin or 2-MIB as an input variable.
장치의 데이터전처리부는 연계수질데이터, 계측수질데이터 및 국가참조표준데이터를 전처리할 수 있다(S601 단계).The data pre-processing unit of the device may pre-process linked water quality data, measured water quality data, and national reference standard data (step S601).
장치의 분석부는 전처리된 연계수질데이터, 계측수질데이터 및 국가참조표준데이터를 수신하고, 이 중에서 수질인자를 추출할 수 있다(S603 단계). 수질인자는 연계수질데이터, 계측수질데이터 또는 국가참조표준데이터에 포함된 항목을 포함할 수 있다. 예를 들어 수질인자는 계측수질데이터의 피코시아닌, 클로로필-A, 수온, pH TN측정값, TP측정값 및 TOC측정값 중 적어도 하나를 포함할 수 있다. The analysis unit of the apparatus may receive preprocessed linked water quality data, measured water quality data, and national reference standard data, and extract water quality factors from them (step S603). Water quality factors may include items included in linked water quality data, measured water quality data, or national reference standard data. For example, the water quality factor may include at least one of phycocyanin, chlorophyll-A, water temperature, pH, TN measurement value, TP measurement value, and TOC measurement value of the measured water quality data.
장치의 분석부가 연계수질데이터, 계측수질데이터 또는 국가참조표준데이터로부터 수질인자-예를 들어 피코시아닌, 클로로필-A, 수온, pH, TN측정값, TP측정값 및 TOC측정값 중 적어도 하나-를 추출하면, 수질인자 사이에 상관관계를 분석할 수 있다(S605 단계). 장치의 분석부는 수질인자와 냄새물질-지오스민 또는 2-MIB-에 대한 상관관계를 통계적 기법에 기반하여 분석할 수 있다. The analysis unit of the device measures water quality factors—for example, at least one of phycocyanin, chlorophyll-A, water temperature, pH, TN measurement value, TP measurement value, and TOC measurement value—from linked water quality data, measured water quality data, or national reference standard data. If is extracted, it is possible to analyze the correlation between water quality factors (step S605). The analysis unit of the device may analyze the correlation between the water quality factor and the odorous substance - Geosmin or 2-MIB - based on a statistical technique.
도 7을 참조하면, 조류개체수, 클로로필-A, pH, 수온, TOC 및 2-MIB 사이의 상관관계 분석결과인 제1 예시가 도시될 수 있다. 장치의 분석부는 냄새물질인 2-MIB을 포함하여 조류개체수, 클로로필-A, pH, 수온 및 TOC 사이의 상관관계를 분석하여 도출할 수 있다. 본 도면에서는 클로로필-A와 조류개체수 사이의 상관관계가 높고, 조류개체수와 pH 사이의 상관관계가 높은 것으로 나타날 수 있다. Referring to FIG. 7 , a first example of a correlation analysis result between algae population, chlorophyll-A, pH, water temperature, TOC, and 2-MIB may be shown. The analysis unit of the device can be derived by analyzing the correlation between the algae population, chlorophyll-A, pH, water temperature, and TOC, including 2-MIB, which is an odorous substance. In this figure, it can be seen that the correlation between chlorophyll-A and the algae population is high, and the correlation between the algae population and pH is high.
도 8을 참조하면, 클로로필-A, pH 및 지오스민 사이의 상관관계 분석결과인 제2 예시가 도시될 수 있다. 장치의 분석부는 냄새물질인 지오스민을 포함하여 클로로필-A, 및 pH 사이의 상관관계를 분석하여 도출할 수 있다. 본 도면에서는 지오스민은 다른 수질인자와 상관관계가 높지 않은 것으로 나타날 수 있다. Referring to FIG. 8, a second example of a correlation analysis result between chlorophyll-A, pH, and geosmin may be shown. The analysis unit of the device may be derived by analyzing the correlation between chlorophyll-A, including geosmin, which is an odorous substance, and pH. In this figure, it can be seen that geosmin does not have a high correlation with other water quality factors.
다시 도 6으로 돌아가면, 장치의 학습부는 수질인자를 가지고 예측모델을 학습시킬 수 있다(S607 단계). 학습부는 냄새물질과 높은 상관성을 가지는 수질인자를 입력변수로 설정하고, 그 입력변수에 대한 데이터를 예측모델에 학습시킬 수 있다. 예를 들어 학습부는 2-MIB과 높은 상관성을 나타낸 클로로필-A, 조류개체수, pH를 예측모델의 입력변수로 설정할 수 있다. 학습부는 학습데이터인 클로로필-A, 조류개체수, pH를 수치범위를 통일화하는 표준화를 수행하고, 표준화된 학습데이터를 예측모델에 적용할 수 있다. Returning to FIG. 6 again, the learning unit of the device may learn the prediction model with the water quality factor (step S607). The learning unit may set a water quality factor having a high correlation with the odorant as an input variable, and may train data on the input variable to the predictive model. For example, the learning unit can set chlorophyll-A, algae population, and pH, which showed a high correlation with 2-MIB, as input variables of the prediction model. The learning unit may standardize learning data such as chlorophyll-A, algae population, and pH to unify numerical ranges, and apply the standardized learning data to a prediction model.
여기서 학습부는 복수의 기계학습 알고리즘-예를 들어 LSTM(long short-rerm memory), 양방향 LSTM(Bidirectional LSTM) 및 GRU(gated recurrent units)-으로 다양한 형태의 복수의 후보예측모델을 생성하고, 각각 동일하게 학습시켜 정확도가 가장 높은 후보예측모델을 예측모델로 결정할 수 있다. 모델의 정확도는 MAE(mean absolute error)와 RMSE(root mean squared error)로 평가될 수 있다. 예를 들어 학습부는 양방향 LSTM에 기반한 후보예측모델을 최종의 예측모델로 선정할 수 있다. Here, the learning unit generates a plurality of candidate prediction models of various types with a plurality of machine learning algorithms, such as long short-rerm memory (LSTM), bidirectional LSTM (LSTM), and gated recurrent units (GRU), respectively. The candidate prediction model with the highest accuracy can be determined as the prediction model. The accuracy of the model can be evaluated by mean absolute error (MAE) and root mean squared error (RMSE). For example, the learning unit may select a candidate prediction model based on bidirectional LSTM as a final prediction model.
본 명세서에 설명된 대상의 양상들은 컴퓨터에 실행되는, 프로그램 모듈들과 같은 컴퓨터 실행가능 명령어들의 문맥에서 설명될 수 있다. 일반적으로, 프로그램 모듈들은 루틴들, 프로그램들, 오브젝트들, 컴포넌트들, 데이터 구조들 등을 포함하며, 이는 특정 태스크들 또는 특정 추상 데이터 타입들을 수행한다. 본 명세서에 설명된 대상의 양상들은 태스크들이 통신 네트워크를 통해 링크되는 원격 프로세싱 디바이스들에 의해 수행되는 분산형 컴퓨팅 환경들에서 또한 실행될 수 있다. 분산형 컴퓨팅 환경에서, 프로그램 모듈들은 메모리 저장 디바이스들을 포함하는 로컬 및 원격 컴퓨터 저장 매체들 모두에 위치될 수 있다.Aspects of the subject matter described herein may be described in the context of computer-executable instructions, such as program modules, being executed on a computer. Generally, program modules include routines, programs, objects, components, data structures, etc., which perform particular tasks or particular abstract data types. Aspects of the subject matter described herein may also be practiced in distributed computing environments where tasks are performed by remote processing devices that are linked through a communications network. In a distributed computing environment, program modules may be located in both local and remote computer storage media including memory storage devices.
대안적으로 또는 부가적으로, 본 명세서에 설명된 기능은 적어도 부분적으로, 하나 이상의 하드웨어 로직 컴포넌트들에 의해 수행될 수 있다. 제한이 아닌 예로서, 사용될 수 있는 예시적인 타입들의 하드웨어 로직 컴포넌트들은, 필드 프로그램가능 게이트 어레이들(FPGA, field-programmable gate array), 프로그램 특정 집적 회로들(ASIC, program-specific integrated circuit), 애플리케이션 특정 표준 제품들(ASSP, application-specific standard product), 시스템 온 칩 시스템들(SOC, system-on-a-chip system), 복합 프로그램가능 로직 디바이스들(CPLD, complex programmable logic device), 등을 포함한다.Alternatively or additionally, the functionality described herein may be performed, at least in part, by one or more hardware logic components. By way of example and not limitation, example types of hardware logic components that may be used include field-programmable gate arrays (FPGAs), program-specific integrated circuits (ASICs), application Includes application-specific standard products (ASSPs), system-on-a-chip systems (SOCs), complex programmable logic devices (CPLDs), etc. do.
한편, 개시된 실시예들은 컴퓨터에 의해 실행 가능한 프로그램 및/또는 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.Meanwhile, the disclosed embodiments may be implemented in the form of a recording medium storing programs and/or commands executable by a computer. Instructions may be stored in the form of program codes, and when executed by a processor, create program modules to perform operations of the disclosed embodiments. The recording medium may be implemented as a computer-readable recording medium.
컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(read only memory), RAM(random access memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다.Computer-readable recording media include all types of recording media in which instructions that can be decoded by a computer are stored. For example, there may be read only memory (ROM), random access memory (RAM), a magnetic tape, a magnetic disk, a flash memory, an optical data storage device, and the like.
본 발명의 보호범위가 이상에서 명시적으로 설명한 실시예의 기재와 표현에 제한되는 것은 아니다. 또한, 본 발명이 속하는 기술분야에서 자명한 변경이나 치환으로 말미암아 본 발명의 보호범위가 제한될 수도 없음을 다시 한 번 첨언한다.The protection scope of the present invention is not limited to the description and expression of the embodiments explicitly described above. In addition, it is added once again that the protection scope of the present invention cannot be limited due to obvious changes or substitutions in the technical field to which the present invention belongs.
Claims (4)
상기 데이터수집부로부터 데이터를 수신하고, 기계학습을 통해 학습된 예측모델을 이용하여 피코시아닌(phycocyanin), 클로로필-A(Chl-a; chlorophyll a), 수온 및 pH(수소 이온 농도) 중 적어도 하나에 대하여 지오스민 및 2-MIB를 포함하는 냄새물질농도를 예측하는 예측부 및
상기 연계수질데이터, 상기 계측수질데이터 및 상기 국가참조표준데이터로부터 수질인자를 추출하고, 상기 수질인자 사이에 상관관계를 분석하는 분석부를 포함하고,
상기 예측부는, 인공신경망을 포함하고 상기 인공신경망을 통해 상기 냄새물질농도를 예측하는 예측모델; 및 상기 연계수질데이터, 상기 계측수질데이터 및 상기 국가참조표준데이터를 이용하여 상기 예측모델을 학습시키는 학습부를 포함하고,
상기 연계수질데이터, 상기 계측수질데이터 및 국가참조표준데이터는, 지오스민 및 2-MIB에 대한 값을 포함하며,
상기 학습부는, 상기 계측수질데이터에 포함된 지오스민측정값 및 2-MIB측정값과 상기 국가참조표준데이터에 포함된 지오스민표준값 및 2-MIB표준값을 이용하여 상기 예측모델을 학습시키고, 지오스민 및 2-MIB와 상관관계를 가지는 수질인자를 입력변수로 설정하여 지오스민 및 2-MIB를 포함하는 상기 냄새물질농도를 출력하도록 상기 예측모델을 학습시키는 냄새물질 예측 및 모니터링 장치.As water quality data measured in the past or currently, linked water quality data provided from environmental facilities is collected in real time, and is different from the linked water quality data and is currently measured. Phycocyanin, chlorophyll-A (Chl -a; chlorophyll a), water temperature and pH (hydrogen ion concentration) are collected in real time, and geosmin and 2-MIB (2-Methylisoborneol; 2-methylisoborneol) are collected in real time. a data collection unit that collects national reference standard data on odorant concentrations in the past, including all), and stores the national reference standard data in a database;
Receiving data from the data collection unit, using a prediction model learned through machine learning, at least one of phycocyanin, chlorophyll-A (Chl-a; chlorophyll a), water temperature and pH (hydrogen ion concentration) A prediction unit for predicting the concentration of odorous substances including geosmin and 2-MIB for one, and
An analysis unit extracting water quality factors from the linked water quality data, the measured water quality data, and the national reference standard data, and analyzing a correlation between the water quality factors,
The prediction unit may include a prediction model including an artificial neural network and predicting the concentration of the odorant through the artificial neural network; And a learning unit for learning the prediction model using the linked water quality data, the measured water quality data, and the national reference standard data,
The linked water quality data, the measured water quality data, and the national reference standard data include values for geosmin and 2-MIB,
The learning unit learns the prediction model using Geosmin measurement values and 2-MIB measurement values included in the measured water quality data and Geosmin standard values and 2-MIB standard values included in the national reference standard data, and Geosmin and a water quality factor having a correlation with 2-MIB set as an input variable to train the prediction model to output concentrations of odorants including geosmin and 2-MIB.
상기 연계수질데이터를 상기 냄새물질 예측 및 모니터링 장치에 제공하는 연계데이터제공장치;
상기 계측수질데이터를 계측하는 계측기와, 상기 계측수질데이터를 상기 냄새물질 예측 및 모니터링 장치로 송신하는 원격단말기(RTU; remote terminal unit)를 포함하는 계측데이터수집장치; 및
상기 국가참조표준데이터를 상기 냄새물질 예측 및 모니터링 장치에 제공하는 국가참조표준데이터제공장치를 포함하는 냄새물질 예측 및 모니터링 시스템A device for predicting and monitoring odorous substances according to claim 1;
a linked data providing device for providing the linked water quality data to the odorant prediction and monitoring device;
a measurement data collection device including a measuring instrument for measuring the measured water quality data and a remote terminal unit (RTU) for transmitting the measured water quality data to the odorant predicting and monitoring device; and
Odor substance prediction and monitoring system including a national reference standard data providing device for providing the national reference standard data to the odor substance prediction and monitoring device
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220121365A KR102527744B1 (en) | 2022-09-26 | 2022-09-26 | Apparatus and system for predicting and monitoring water odor using national reference standard data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220121365A KR102527744B1 (en) | 2022-09-26 | 2022-09-26 | Apparatus and system for predicting and monitoring water odor using national reference standard data |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102527744B1 true KR102527744B1 (en) | 2023-05-02 |
Family
ID=86387579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220121365A KR102527744B1 (en) | 2022-09-26 | 2022-09-26 | Apparatus and system for predicting and monitoring water odor using national reference standard data |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102527744B1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117116335A (en) * | 2023-08-21 | 2023-11-24 | 太湖流域水文水资源监测中心(太湖流域水环境监测中心) | Method for predicting dimethyl isoborneol in lake water body in high-temperature period |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06304546A (en) * | 1993-04-21 | 1994-11-01 | Hitachi Ltd | Operation controller for waterwork plant |
JP2005300393A (en) * | 2004-04-14 | 2005-10-27 | Masanori Sugisaka | Remote control automatic water quality measuring device |
KR20110118861A (en) * | 2010-04-26 | 2011-11-02 | 한국수자원공사 | Method for providing water quality information by a water quality information management server |
KR20120081544A (en) * | 2011-01-11 | 2012-07-19 | 한국전자통신연구원 | Method for measuring total phosphorus using general elements of water quality |
KR101987897B1 (en) * | 2018-11-28 | 2019-06-11 | 부산가톨릭대학교 산학협력단 | A Process performance monitoring system of wastewater treatment plant |
KR102311657B1 (en) * | 2021-06-29 | 2021-10-14 | 이동수 | Smart management system for wastewater treatment |
-
2022
- 2022-09-26 KR KR1020220121365A patent/KR102527744B1/en active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06304546A (en) * | 1993-04-21 | 1994-11-01 | Hitachi Ltd | Operation controller for waterwork plant |
JP2005300393A (en) * | 2004-04-14 | 2005-10-27 | Masanori Sugisaka | Remote control automatic water quality measuring device |
KR20110118861A (en) * | 2010-04-26 | 2011-11-02 | 한국수자원공사 | Method for providing water quality information by a water quality information management server |
KR20120081544A (en) * | 2011-01-11 | 2012-07-19 | 한국전자통신연구원 | Method for measuring total phosphorus using general elements of water quality |
KR101987897B1 (en) * | 2018-11-28 | 2019-06-11 | 부산가톨릭대학교 산학협력단 | A Process performance monitoring system of wastewater treatment plant |
KR102311657B1 (en) * | 2021-06-29 | 2021-10-14 | 이동수 | Smart management system for wastewater treatment |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117116335A (en) * | 2023-08-21 | 2023-11-24 | 太湖流域水文水资源监测中心(太湖流域水环境监测中心) | Method for predicting dimethyl isoborneol in lake water body in high-temperature period |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5646863A (en) | Method and apparatus for detecting and classifying contaminants in water | |
Miège et al. | Position paper on passive sampling techniques for the monitoring of contaminants in the aquatic environment–achievements to date and perspectives | |
Rieger et al. | Progress in sensor technology-progress in process control? Part I: Sensor property investigation and classification | |
Moatar et al. | pH modelling by neural networks. Application of control and validation data series in the Middle Loire river | |
Nair et al. | Predictive models for river water quality using machine learning and big data techniques-a Survey | |
CN108896706A (en) | The foul gas multiple spot centralization electronic nose instrument on-line analysis of big data driving | |
KR102527744B1 (en) | Apparatus and system for predicting and monitoring water odor using national reference standard data | |
Zhu et al. | Online recognition of drainage type based on UV-vis spectra and derivative neural network algorithm | |
Parinet et al. | Modelling geosmin concentrations in three sources of raw water in Quebec, Canada | |
CN117164103B (en) | Intelligent control method, terminal and system of domestic sewage treatment system | |
Yang et al. | Teacher–Student Uncertainty Autoencoder for the Process-Relevant and Quality-Relevant Fault Detection in the Industrial Process | |
CN104914225A (en) | Method for forecasting content of clarifying agent in fruit juice based on smell sense fingerprint information | |
Aquil et al. | Comparison of Machine Learning Models in Forecasting Reservoir Water Level | |
CN117192063B (en) | Water quality prediction method and system based on coupled Kalman filtering data assimilation | |
KR20240030694A (en) | Apparatus and system for predicting and monitoring water odor using national reference standard data | |
Seshan et al. | LSTM-based autoencoder models for real-time quality control of wastewater treatment sensor data | |
Putro et al. | Modeling methane emission of wastewater Anaerobic pond at Palm oil mill using radial basis function neural network | |
Attar et al. | Dynamic model adaptation to an anaerobic digestion reactor of a water resource recovery facility | |
KR20230011837A (en) | Apparatus for predicting algal bloom based on machine learning | |
Ciavatta et al. | Fault detection in a real-time monitoring network for water quality in the lagoon of Venice (Italy) | |
Gabrielli et al. | Automatic optimization of temporal monitoring schemes dealing with daily water contaminant concentration patterns | |
Lokuliyana et al. | A survey: IoT enable framework for water quality measurement and distribution | |
Pinto et al. | Optimizing water treatment systems using artificial intelligence based tools | |
Choudhary et al. | 1-D convolution neural network based leak detection, location and size estimation in smart water grid | |
Tran et al. | Predicting high-frequency nutrient dynamics in the Danube River with surrogate models using sensors and Random Forest |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |