• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.05a
• /
• pp.293-296
• /
• 2021

K-water에서는 다목적댐의 관리를 위해 실시간으로 댐수위, 하천 수위 및 강우량 등을 계측하고 있으며, 계측된 값들은 댐을 효과적으로 운영하는데 필요한 데이터로 활용되고 있다. 특히 댐수위 이상 데이터를 탐지하지 못한 채 그대로 사용할 경우 댐의 방류 시기와 방류량 등을 결정하는 중요한 의사결정을 그르칠 수 있으므로 이를 신속히 탐지하는 것이 매우 중요하다. 현재의 자동화된 이상 데이터 탐지방법 중 하나는 현재 데이터가 최댓값과 최솟값을 초과할 때, 다른 하나는 현재 데이터와 일정 시간 동안의 평균값 간의 차이가 관리자가 정한 특정 값을 벗어났을 때를 기준으로 삼고 있다. 전자는 상한과 하한의 초과 여부만 판단하므로 탐지가 쉬우나 정상범위 내에서 발생한 이상 데이터는 탐지가 불가하다. 후자는 관리자의 경험을 통해 판단 조건을 정하기 때문에 객관성이 결여되는 문제가 있다. 특히 방류와 강우가 복합적으로 댐수위에 영향을 미치는 홍수기에 관리자의 경험에 기초한 이상 데이터 판별은 신뢰성의 문제가 있을 수 있다. 따라서 본 연구에서는 기계학습을 최초로 적용하여 이상 데이터를 탐지하고자 하였다. 댐수위, 누적강우량 및 누적방류량 데이터와 댐수위데이터를 가공하여 생성한 댐수위차, 댐수위차평균, 댐수위평균 등 자질들의 다양한 조합을 만든 후 이를 Random Forest, SVM, AdaptiveBoost 및 다층퍼셉트론(MLP) 등과 같은 여러 가지 기계학습모델 등을 통해 이상 데이터를 판별하는 실험(분류)을 하였다. 실험결과 댐수위, 댐수위차, 댐수위-댐수위평균, 누적강우량, 누적방류량 및 댐수위차평균을 사용하였을 때 MLP에서 가장 우수한 성능을 보였다. 이 연구를 통해서 댐수위 이상 데이터를 기계학습의 분류기능을 통해 효과적으로 탐지할 수 있다는 것과 모델의 성능은 실험에 사용한 자질의 수뿐 아니라 자질의 종류에도 큰 영향을 받는다는 것을 알 수 있었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.483-483
• /
• 2022

댐과 저수지의 운영 최적화를 위한 수문학적 예보는 현재 수동적인 댐 운영이 주를 이루면서 활용도가 높지 않다. 불확실한 기후변화나 기후재난 상황에서 우리 사회에 악영향을 최소화하기 위해 선제적으로 대응/대비할 수 있는 댐 운영 방안이 불가피하다. 강우량 예측 기술은 기후변화로 인해 제한적인 상황이다. 실례로, 2020년 8월에 섬진강의 댐이 극심한 집중 강우로 인해 무너지는 사태가 발생하였고 이로 인해 지역사회에 막대한 경제적 피해가 발생하였다. 선제적 댐 방류량 운영 기술은 또한 환경적인 변화로 인한 영향을 완화하기 위해 필요한 것이다. 제한적인 기상 예보 기술을 극복하고자 심화학습이나 강화학습 같은 인공지능 모델들의 활용성에 대한 연구가 시도되고 있다. 따라서 본 연구는 섬진강 댐의 시간당 수문 데이터를 이용하여 댐 운영을 위한 심화학습 모델을 개발하고 그 활용도를 평가하였다. 댐 운영을 위한 심화학습 모델로서 시계열 데이터 예측에 적합한 Long Sort Term Memory(LSTM)과 Gated Recurrent Unit(GRU) 알고리즘을 구축하고 댐 수위를 예측하였다. 분석 자료는 WAMIS에서 제공하는 2000년부터 2021년까지의 시간당 데이터를 사용하였다. 입력 데이터로서 시간당 유입량, 강우량과 방류량을, 출력 데이터로서 시간당 수위 자료를 각각 사용하였으며. 결정계수(R2 Score)를 통해 모델의 예측 성능을 평가하였다. 댐 수위 예측값 개선을 위해 하이퍼파라미터의 '최적값'이 존재하는 범위를 줄여나가는 하이퍼파라미터 최적화를 두 가지 방법으로 진행하였다. 첫 번째 방법은 수동적 탐색(Manual Search) 방법으로 Sequence Length를 24, 48, 72시간, Hidden Layer를 1, 3, 5개로 설정하여 하이퍼파라미터의 조합에 따른 LSTM와 GRU의 민감도를 평가하였다. 두 번째 방법은 Grid Search로 최적의 하이퍼파라미터를 찾았다. 이 두가지 방법에서는 같은 하이퍼파라미터 안에서 GRU가 LSTM에 비해 더 높은 예측 정확도를 보였고 Sequence Length가 높을수록 정확도가 높아지는 경향을 보였다. Manual Search 방법의 경우 R2가 최대 0.72의 정확도를 보였고 Grid Search 방법의 경우 R2가 0.79의 정확도를 보였다. 본 연구 결과는 가뭄과 홍수와 같은 물 재해에 사전 대응하고 기후변화에 적응할 수 있는 댐 운영 개선에 도움을 줄 수 있을 것으로 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.114-114
• /
• 2022

딥러닝의 학습 및 예측성능을 개선하기 위해서는 딥러닝 기법 내 연산과정의 개선과 함께 학습 및 예측에 사용되는 데이터의 전처리 과정이 중요하다. 본 연구에서는 딥러닝의 성능을 개량하기 위해 제안된 메타휴리스틱 최적화 알고리즘-딥러닝 결합모형과 데이터 전처리 기법을 통해 댐의 수위를 예측하였다. 수위예측을 위해 Multi-Layer Perceptron(MLP), 메타휴리스틱 최적화 알고리즘인 Harmony Search(HS)와 딥러닝을 결합한 MLP using a HS(MLPHS) 및 Exponential Bandwidth Harmony Search with Centralized Global Search(EBHS-CGS)와 딥러닝을 결합한MLP using a EBHS-CGS(MLPEBHS)를 통해 댐의 수위를 예측하였다. 메타휴리스틱 최적화 알고리즘-딥러닝 결합모형의 학습 및 예측성능을 개선하기 위해 학습 및 예측을 위한 자료를 기반으로 데이터 전처리기법을 적용하였다. 적용된 데이터 전처리 기법은 정규화, 수위구간별 사상(Event)분리 및 수위 변동에 대한 자료의 구분이다. 수위예측을 위한 대상유역은 금강유역에 위치한 대청댐으로 선정하였다. 대청댐의 수위예측을 위해 대청댐 상류에 위치하는 수위관측소 3개소를 선정하여 수위자료를 취득하였다. 각 수위관측소에서 취득한 수위자료를 입력자료로 설정하였으며, 대청댐의 수위자료를 출력자료로 설정하여 메타휴리스틱 최적화 알고리즘-딥러닝 모형의 학습을 진행하였다. 각 수위관측소 및 대청댐에서 취득한 수위자료는 2010년부터 2020년까지 총 11년의 일 단위 수위자료이며, 2010년부터 2019년까지의 자료를 학습자료로 사용하였으며, 2020년의 자료를 예측 및 검증자료로 사용하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.319-319
• /
• 2020

최근 데이터 과학의 획기적인 발전 덕분에 딥러닝 (Deep Learning) 알고리즘이 개발되어 다양한 분야에 널리 적용되고 있다. 본 연구에서는 인공신경망 중 하나인 LSTM(Long-Short Term Memory) 네트워크를 사용하여 댐 유입량을 예측하였다. 구체적인 내용으로, (1) LSTM에 필요한 입력 데이터를 효율적으로 사전 처리하는 방법, (2) LSTM의 하이퍼 매개변수를 결정하는 방법 및 (3) 다양한 손실 함수(Loss function)를 선택하고 그 영향을 평가하는 방법 등을 다루었다. 제안된 LSTM 모델은 강우량(R), 댐유입량(Q) 기온(T), 기저유량(BF) 등을 포함한 다양한 입력 변수들의 함수로 가정하였으며, CCF(Cross Correlations), ACF(Autocorrelations) 및 PACF(Partial Autocorrelations) 등의 기법을 사용하여 입력 변수를 결정하였다. 다양한 sequence length를 갖는 (즉 t, t-1, … t-n의 시간 지연을 갖는) 입력 변수를 적용하여 데이터 학습에 최적의 시퀀스 길이를 결정하였다. LSTM 네트워크 모델을 적용하여 2014년부터 2020년까지 한강 유역 9개의 댐 유입량을 추정하였다. 본 연구로부터 댐 유입량을 예측하는 것은 홍수 및 가뭄 통제를 위한 필수 요건들 중 하나이며 수자원 계획 및 관리에 도움이 될 것이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2019.05a
• /
• pp.319-319
• /
• 2019

기후변화로 인한 극한 기후 상황의 증가로 홍수기 홍수피해와 갈수기 가뭄피해가 심화되고 있으며, 수자원 관리에 대한 어려움이 발생하고 있다. 효율적인 수자원 관리를 위해 국내에는 약 1,8000여개의 댐을 운영하고 있으며, 댐의 유입량과 저수량을 감안하여 물을 적절하게 방류하는 것을 목적으로 한다. 그러기 위해서는 유입량이 우선적으로 확보되어야 하며, 더 나아가 유입량을 미리 예측할 수 있다면 더욱 효율적인 댐 운영이 가능할 것이다. 기존에는 수위나 유량을 예측하기 위해서는 주로 물리적 모형이 사용되어 왔으며, 물리적 모형은 매개변수 결정을 위한 많은 자료를 필요로 하고 그 과정에서 많은 불확실성을 포함하고 있기 때문에 계산 과정을 거치는 동안 다양한 오차가 반복 누적되는 단점이 있다. 반면에 시계열 데이터 예측을 위한 알고리즘 LSTM(Long Short-Term Memory)은 입력된 데이터와 출력된 데이터를 동시에 이용하여 보다 정확한 예측 값을 얻을 수 있다. 따라서 본 연구는 다목적댐의 유입유량 예측을 위해 구글에서 제공하는 딥러닝 오픈소스 라이브러리를 활용하여 LSTM모형을 구축하고 댐 유입유량을 예측하였다. 분석 자료로는 wamis에서 제공하는 용담댐의 2006년부터 2018년까지의 시간당 유입량 자료를 사용하였으며, 입력 데이터로 모형을 학습한 후 2018년의 유입량을 예측하였다. 예측 값의 정확도를 판단하기 위해 2018년의 실제 유입량 자료와 비교하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.61-61
• /
• 2021

온도 성층화는 많은 저수지와 댐에서 흔히 발생하는 현상으로 호수나 저수지의 표면 온도가 바닥보다 상대적으로 높아 깊이에 따른 열 구배를 나타낸다. 이러한 온도 성층화 현상은 여름철과 같이 상부와 하부의 온도 차가 클수록 안정적이게 나타나며 이러한 층화 현상으로 수직 확산이 제어되어 수질에 영향을 미친다고 알려져 있다. 따라서 댐이나 호수 등 층화 현상이 심한 유체 내부 바닥에 물순환장치를 설치하여 외부로부터 공기를 끌어와 하부에서 공기를 분출하여 온도 성층을 약화시키기도 한다. 물순환 장치를 설비하면 수체의 혼합이 용이해지며 물질전달이 개선되어 수질이 향상된다. 국내의 경우 대청댐, 보령댐, 영주 댐 등 많은 국내 댐 내부에 물순환장치가 설비되어있다. 본 연구에서 댐의 물순환장치의 성능을 파악하기 위해 산기식 물순환 장비가 설치되어있는 영주댐을 연구 대상 지역으로 잡았다. 연구지역의 계절별 성층구조 및 특성을 조사하기 위해, 봄, 여름, 가을 영주댐에 방문하여 관측 자료를 취득하였으며 물순환 장치는 봄철의 경우만 가동하였다. 봄철의 물순환 장치 가동 전후 관측 데이터를 바탕으로 수치모형실험을 실행하여 관측 결과와 비교 및 검증하였다. 이를 바탕으로 여름, 가을에 물순환장치를 가동하였을 경우 댐 내부 수체의 혼합과정을 살펴보는 연구를 진행하였다. 본 연구는 CFD (Computational Fluid Dynamic) 시뮬레이션을 수행하기 위해 오픈 소스 소프트웨어 OpenFOAM(version 4.0)에서 열 전달이 포함되어있는 비압축성 VOF 솔버를 사용하였다. 본 솔버는 물과 공기를 동시에 나타낼 수 있으며 온도의 확산 방정식을 포함하고 있다. 또한 유동해석 수행 시 사용한 물순환장치의 효울은 실제 장치의 효율과 동일하다. 본 연구의 목표는 다음과 같다. (1) 관측만으로 파악하기 어려운 수체의 혼합거동을 유동해석 자료를 통해 면밀히 살펴보고 (2) 봄철 물순환 장치가 작동하기 전후 자료를 바탕으로 여름 및 가을철 물순환장치 가동 전후 데이터를 유동해석 자료로 취득한다. (3) 또한 물순환장치 가동 전후 데이터를 통해 계절별 혼합 효율을 취득한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.44-44
• /
• 2022

우리나라의 경우 강수량의 2/3 정도가 하절기에 집중되는 강우특성상 해마다 여름철 홍수기의 탁수 문제가 다양하게 발생하고 있다. 이상강우와 기상이변에 의한 집중강우가 증가 추세이며, '02년 태풍 루사', '03년 태풍 매미', '06년 에위니아'부터 20년 마이삭, 하이선 까지 장마와 태풍에 의한 유입량이 급증하는 시기 탁수의 유입으로 수중 탁도가 급상승하며 댐 저수지 내 탁수 문제가 발생하였다. 특히 연 평균 물사용량의 대부분을 하천 및 댐 저수지를 이용하는 우리나라의 경우 탁수 문제가 장기화될 경우 댐 하류 해당 지역 농업, 공업, 수생태 등 사회적, 환경적으로 많은 문제를 발생시킨다. 이러한 탁수 예측을 통한 대응을 위해 탁수 모델링에 대한 연구가 활발히 진행되고 있다. 탁수를 모델링을 위해서는 유량, 수온, SS 데이터가 필요하다. 이를 위해 국가측정망에서 하천 및 댐 저수지 내 SS를 측정하여 탁수를 측정 하고 있으나 설비가 미흡하여 데이터 해상도가 낮다는 한계점이 있으며 주요 댐 저수지 내에서는 수자원공사에서 관리하는 자동 측정기기를 활용하여 높은 데이터 해상도를 유지 하고 있으나 댐 별, 기상 조건에 따라 미측정 기간이 존재한다. 탁도를 측정을 위한 센서로는 Optical Backscatter Sensor(OBS), YSI 등이 있으며 SS를 측정하기 위한 센서는 레이저부유사측정기(LISST: Laser In-Situ Scattering and Transmissometry) 등의 장비를 이용하고 있다. 하지만 이런 첨단 센서의 경우 또한 수중 고정하여 측정하기에는 장비의 안정성 등의 이유로 한계가 있음에 따라 취득된 유량, 수온, SS, 탁도 데이터를 기반으로 분석을 통해 미측정 기간에 대한 보간이 필요하다. 본 연구에서는 국가 측정망 데이터 및 강우시 유량에 따른 탁수 유입의 증가와 탁수 유입에 따른 항목별 측정 데이터를 기반으로 유량, 수온, SS 미측정 기간을 보간하여 입력자료로 탁수를 모의하여 분석하고자 하였다.

• Journal of the Korea institute for structural maintenance and inspection
• /
• v.16 no.6
• /
• pp.34-44
• /
• 2012

Many kind of sensors in the dam produce a lot of data associated with the maintenance and safety of the dam. So it is important to measure the reliability of the sensor (or measured data). In this paper, the new method using modified coherence function is proposed to measure the reliability of the sensor remotely. To verify feasibility of proposed method in the field, proposed method was applied to data of piezometer and earth pressure cell. Through field applications, the potential of the proposed method was verified.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.307-307
• /
• 2022

최근 기후변화와 댐 상류 토지이용 변화 등과 같은 다양한 원인에 의해 댐 유입량의 변동성이 증가하면서 댐 관리 및 운영조작 의사 결정에 어려움이 발생하고 있다. 따라서 이러한 댐 유입량의 변동 특성을 반영하여 댐 유입량을 정확하고 효율적으로 예측할 수 있는 방안이 필요한 실정이다. 머신러닝 기술이 발전하면서 Auto-ML(Automated Machine Learning)이 다양한 분야에서 활용되고 있다. Auto-ML은 데이터 전처리, 최적 알고리즘 선택, 하이퍼파라미터 튜닝, 모델 학습 및 평가 등의 모든 과정을 자동화하는 기술이다. 그러나 아직까지 수문 분야에서 댐 유입량을 예측하기 위한 모델을 개발하는데 있어서 Auto-ML을 활용한 사례는 부족하고, 특히 댐 유입량의 예측 정확성을 확보하기 위해 High-inflow and low-inflow 의 변동 특성을 고려한 하이브리드 결합 방식을 통해 Auto-ML 기반 앙상블 모델을 개발하고 평가한 연구는 없다. 본 연구에서는 Auto-ML의 패키지 중 Auto-sklearn을 통해 홍수기, 비홍수기 유입량 변동 특성을 반영한 하이브리드 앙상블 댐 유입량 예측 모델을 개발하였다. 소양강댐을 대상으로 적용한 결과, 하이브리드 Auto-sklearn 앙상블 모델의 댐 유입량 예측 성능은 R² 0.868, RMSE 66.23 m³/s, MAE 16.45 m³/s로 단일 Auto-sklearn을 통해 구축 된 앙상블 모델보다 전반적으로 우수한 것으로 나타났다. 특히 FDC (Flow Duration Curve)의 저수기, 갈수기 구간에서 두 모델의 유입량 예측 경향은 큰 차이를 보였으며, 하이브리드 Auto-sklearn 모델의 예측 값이 관측 값과 더욱 유사한 것으로 나타났다. 이는 홍수기, 비홍수기 구간에 대한 앙상블 모델이 독립적으로 구축되는 과정에서 각 모델에 대한 하이퍼파라미터가 최적화되었기 때문이라 판단된다. 향후 본 연구의 방법론은 보다 정확한 댐 유입량 예측 자료를 생성하기 위한 방안 수립뿐만 아니라 다양한 분야의 불균형한 데이터셋을 이용한 앙상블 모델을 구축하는데도 유용하게 활용될 수 있을 것으로 사료된다.

• Journal of the Korea institute for structural maintenance and inspection
• /
• v.27 no.5
• /
• pp.30-39
• /
• 2023

Large dams, which are critical infrastructures for disaster prevention, are exposed to various risks such as aging, floods, and earthquakes. Better dam safety inspection and diagnosis using digital transformation technologies are needed. Traditional visual inspection methods by human inspectors have several limitations, including many inaccessible areas, danger of working at heights, and know-how based subjective inspections. In this study, drone photogrammetry was performed on two large dams to evaluate the applicability of digital data-based dam safety inspection and propose a data management methodology for continuous use. High-quality 3D digital models with GSD (ground sampling distance) within 2.5 cm/pixel were generated by flat double grid missions and manual photography methods, despite reservoir water surface and electromagnetic interferences, and severe altitude differences ranging from 42 m to 99.9 m of dam heights. Geometry profiles of the as-built conditions were easily extracted from the generated 3D mesh models, orthomosaic images, and digital surface models. The effectiveness of monitoring dam deformation by photogrammetry was confirmed. Cracks and deterioration of dam concrete structures, such as spillways and intake towers, were detected and visualized efficiently using the digital 3D models. This can be used for safe inspection of inaccessible areas and avoiding risky tasks at heights. Furthermore, a methodology for mapping the inspection result onto the 3D digital model and structuring a relational database for managing deterioration information history was proposed. As a result of measuring the labor and time required for safety inspection at the SYG Dam spillway, the drone photogrammetry method was found to have a 48% productivity improvement effect compared to the conventional manpower visual inspection method. The drone photogrammetry-based dam safety inspection is considered very effective in improving work productivity and data reliability.