Journal of Korea Water Resources Association (한국수자원학회논문집)

Korea Water Resources Association (한국수자원학회)
권호 표지
DOI QR코드

DOI QR Code

A Development of Real Time Artificial Intelligence Warning System Linked Discharge and Water Quality (I) Application of Discharge-Water Quality Forecasting Model

유량과 수질을 연계한 실시간 인공지능 경보시스템 개발 (I) 유량-수질 예측모형의 적용

  • Published : 2005.07.01
Download PDF
⟨ Previous Next ⟩

Abstract

It is used water quality data that was measured at Pyeongchanggang real time monitoring stations in Namhan river. These characteristics were analyzed with the water qualify of rainy and nonrainy periods. TOC (Total Organic Carbon) data of rainy periods has correlation with discharge and shows high values of mean, maximum, and standard deviation. DO (Dissolved Oxygen) value of rainy periods is lower than those of nonrainy periods. Input data of the water quality forecasting models that they were constructed by neural network and neuro-fuzzy was chosen as the reasonable data, and water qualify forecasting models were applied. LMNN, MDNN, and ANFIS models have achieved the highest overall accuracy of TOC data. LMNN (Levenberg-Marquardt Neural Network) and MDNN (MoDular Neural Network) model which are applied for DO forecasting shows better results than ANFIS (Adaptive Neuro-Fuzzy Inference System). MDNN model shows the lowest estimation error when using daily time, which is qualitative data trained with quantitative data. The observation of discharge and water quality are effective at same point as well as same time for real time management. But there are some of real time water quality monitoring stations far from the T/M water stage. Pyeongchanggang station is one of them. So discharge on Pyeongchanggang station was calculated by developed runoff neural network model, and the water quality forecasting model is linked to the runoff forecasting model. That linked model shows the improvement of waterquality forecasting.

평창강 수질자동측정망 실시간 자료를 이용하여 강우시와 무강우시로 구분하여 분석하였다. 강우시에 측정된 TOC 자료는 무강우시 측정된 자료에 비해 평균값, 최대값, 표준편차가 크게 나타났으며, 강우시의 DO 자료는 무강우시에 측정된 자료보다 낮아 유량이 수질변화에 영향을 미치는 것으로 분석되었다. 신경망 모형과 뉴로-퍼지 모형으로 수질예측 모형을 구성하고, 적용하였다. LMNN, MDNN, ANFIS 모형은 TOC 모의에서 DO 예측에서는 LMNN, MDNN 모형이 ANFIS 모형보다 좋은 결과를 보였으며, 정량적 자료에 정성적 자료인 시간을 학습한 MDNN 모형이 가장 작은 오차를 보였다. 하천의 실시간적 관리를 위해서는 유량과 수질의 측정이 동일한 지점에서 동시간적으로 이루어져야 보다 효과적이다. 그러나 수질자동측정망 지점과 T/M 수위관측소가 원거리에 위치한 경우들이 있으며, 평창강 수질자동측정망 지점이 그 중 하나이다. 연구에서는 평창강 수질자동측정망 지점의 유출예측을 위한 신경망 모형을 구성하여 수질예측 모형과 연계하였으며, 연계된 모형은 수질예측에 개선된 결과를 보였다.

Keywords

References

  1. 강관원, 박찬영, 김주환 (1992). '패턴인식방법을 적용한 하천유출의 비선형 예측.' 한국수문학회지, 제25권, 제3호, pp. 105-113
  2. 김만식, 이요상, 심규철, 심순보 (2001). '신경망모형을 이용한 하천의 수질예측 연구.' 한국수자원학회 학술발표회 논문집, pp. 925-930
  3. 류병로, 한양수 (1998). 'ARIMA 모형에 의한 하천수질 예측.' 한국환경과학회지, 제7권, 제4호, pp. 433-440
  4. 신현석, 최시중, 김중훈 (1998). '신경망을 이용한 도시유역 유출 및 비점원 오염물 배출 모형화 연구.' 대한토목학회논문집, 제18권, 제5-B호, pp. 437-448
  5. 안상진, 최병만, 연인성, 곽현구 (2005). '미계측 지점에서의 유출 모의 및 예측.' 한국수자원학회 논문집, 제38권, 제6호, pp. 485-494 https://doi.org/10.3741/JKWRA.2005.38.6.485
  6. 연인성(2005). 실시간 유량-수질관리를 위한 인공지능 시스템 개발. 박사학위논문, 충북대학교
  7. 정상만, 임경호, 최정현(2000). '금강지류 유역에서의 유출량과 오염부하량의 상관관계 분석.' 한국수자원학회 논문집, 제33권, 제5호, pp. 527-536
  8. Hahn, R.L. (1972). Time series analysis of daily measurements of water quality parameters of the passaic river at little falls, new Jersey. M.S. Thesis, Rutgers Univ., Nen Brunswick, N.J.
  9. Jang, J.S.R. (1993). 'ANFIS: Adaptive-Network based Fuzzy Inference System' IEEE transactions on Systems, Man, and Cybernetics, Vol. 23, No.3, pp. 665-685 https://doi.org/10.1109/21.256541
  10. Karunanithi, N. (1994) 'Neural Networks for River Flow Prediction.' Journal of Computing in Civil Engineering, ASCE, Vol. 8, No. 2, pp. 201-219 https://doi.org/10.1061/(ASCE)0887-3801(1994)8:2(201)
  11. Ken-ichi, Y., Masaaki, H. and Akihiho, M. (1997). 'Novel Application of a Back-propagation Artificial Neural Network Model Formulated to Predict Algal Bloom.' Water Science and Technology, Vol. 36, pp. 89-97 https://doi.org/10.1016/S0273-1223(97)00464-2
  12. Maier, H.R. and Dandy, G.C. (1996). 'The use of artificial neural networks for the prediction of water quality parameters.' Water Resources Research, Vol. 32, No. 4, pp. 1013-1022 https://doi.org/10.1029/95WR03529
  13. McMichael, F.C. and Hunter, Y.S. (1972). 'Stochastic modeling of temperature and flow in rivers.' Water Resources Research, Vol. 8, No. 1, pp. 87-98 https://doi.org/10.1029/WR008i001p00087
  14. Nouh, M. (1996). 'Simulation of Water Quality in Sewer Flowd by Neural Networks.' Hydro-informatics '96, Proceedings of the 2nd International Conference on Hydro-informatics, Zurich, Switzerland, pp. 885-891
  15. Tay, J.H. and Zhang, X. (2000). 'A fast prediction neural fuzzy model for high-rage anaerobic wastewater treatment systems.' Water Resources Research, Vol. 34, No. 11, pp. 2849-2860 https://doi.org/10.1016/S0043-1354(00)00057-9
  16. Thomann, R.V. (1976). 'Time series analysis of water quality data.' ASCE, Vol. 93, No. 1, pp. 1-23
  17. Zhang, B. and Govindaraju, R.S. (1998). 'Using Modular Neural Networks to Predict Watershed Runoff.' Water Resource Engineering Conference, ASCE, Vol. 1, pp. 897-902