• NEWSLETTER 전기공업
• /
• no.12 s.12
• /
• pp.1-15
• /
• 1990

• Korea Information Processing Society Review
• /
• v.27 no.2
• /
• pp.13-20
• /
• 2020

• Journal of the Korean GEO-environmental Society
• /
• v.15 no.11
• /
• pp.21-27
• /
• 2014

In this study, the prediction methods for the crest settlement after impounding and the maximum internal settlement during dam construction were proposed through the analysis on settlement data at 46 monitored points of 37 Center-Cored Rockfill Dams (CCRDs). Results from this analysis provided that the crest settlement increases with elapsed time, and from the relationship between the dam height and the maximum internal settlement during dam construction, it is confirmed that the internal settlement was largely evaluated when the coarse-grained material was used as the dam core. This internal settlement increased in proportion to the dam height. In addition, the crest settlement of the CCRD with the core compacted with fine-grained material was relatively large. It is expected that the results of this study would provide the practical tool for the design, construction and management of CCRDs.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2012.05a
• /
• pp.125-125
• /
• 2012

최근 심화되고 있는 강우의 시간적 지역적 불균형이 기후변화와 높은 연관성이 있다는 연구결과가 발표되고 있다. 강우에 직접적인 영향을 받는 수자원분야에서는 강우의 변동성을 예측한 결과를 바탕으로 기후변화 영향에 대한 연구가 활발히 진행 하고 있다. 우리나라의 연중 강수량의 대부분이 홍수기에 집중되어 수자원의 총량의 27%만 사용하고 있다. 전체 수자원이용량 중 절반 이상을 댐을 통해 이용하고 있기 때문에 댐 운영방법에 지속적인 연구가 필요하다. 기후변화영향으로 댐 유입량에 대한 불확실성이 커지므로 장기적인 수자원을 관리를 위하여 효율적인 댐 운영을 하기 위한 해결책이 필요하다. 물리적 강우-유출 모형으로 기후변화 영향을 받는 장기간 모의를 하게 되면 입력 자료와 매개변수, 모형구조의 불확실성 갖게 된다. 그에 반해 데이터를 통해 모형의 매개변수 값을 추정하여, 향후의 의사결정에 활용할 수 있는 모형을 구축하는 추계학적 모형과 인공신경망모형은, 물리적인 강우-유출 모형과 비교하여 모의에 드는 시간이 적고 모형 불확실성 파악이 가능하며, 장기간 모의 시 불확실성을 줄이는 효율적인 대안이 될 수 있다. 일반적인 추계학적 모형은 과거의 유입량 자료만 사용하지만 본 연구에서는 기후변화 시나리오 강우량의 영향을 함께 고려한 Transfer Function Noise(TFN)모형을 통하여 장기간 모의를 하였다. 본 연구의 대상 댐으로는 한강유역 중 댐 상류유역면적이 제일 넓은 충주댐으로 선정하였다. 과거의 유입량과 강우량 자료를 사용하여 통계적 방법을 통하여 TFN모형을 구축하고, TFN과 같은 변수를 사용하여 인공신경망모형을 구축하였다. 5개의 시나리오별로 어떠한 차이를 갖는지를 비교하였고, TFN모형과 인공신경망에 따라서 어떠한 양상을 갖는지 비교하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.226-226
• /
• 2023

하천유량, 댐유입량 등을 예측하기 위해 다양한 Long Short-Term Memory (LSTM) 방법들이 활발하게 적용 및 개발되고 있다. 최근 연구들은 s2s (sequence-to-sequence), Attention 기법 등을 통해 LSTM의 성능을 개선할 수 있음을 제시하고 있다. 이에 따라 본 연구에서는 LSTM-s2s와 LSTM-s2s에 attention까지 첨가한 모델을 구축하고, 시간 단위 자료를 사용하여 유입량 예측을 수행하여, 이의 실제 댐 운영에 모델들의 활용 가능성을 확인하고자 하였다. 소양강댐 유역을 대상으로 2013년부터 2020년까지의 유입량 시자료와 종관기상관측기온 및 강수량 데이터를 학습, 검증, 평가로 나누어 훈련한 후, 모델의 성능 평가를 진행하였다. 최적 시퀀스 길이를 결정하기 위해 R², RRMSE, CC, NSE, 그리고 PBIAS을 사용하였다. 분석 결과, LSTM-s2s 모델보다 attention까지 첨가한 모델이 전반적으로 성능이 우수했으며, attention 첨가 모델이 첨두값 예측에서도 높은 정확도를 보였다. 두 모델 모두 첨두값 발생 동안 유량 패턴을 잘 반영하였지만 세밀한 시간 단위 변화량 패턴 모의에는 한계가 있었다. 시간 단위 예측의 한계에도 불구하고, LSTM-s2s에 attention까지 추가한 모델은 향후 댐유입량 예측에 활용될 수 있을 것으로 판단한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.292-292
• /
• 2021

최근 데이터 과학의 획기적인 발전으로 딥러닝(Deep Learning) 알고리즘이 개발되어 다양한 분야에 널리 적용되고 있다. 본 연구에서는 인공신경망 중 하나인 LSTM(Long-Short Term Memory) 네트워크를 기반으로 정확한 댐유입량 예측을 수행하는 SWLSTM 모델을 제안하였다. SWLSM은 모델의 정확도를 개선하기 위해 세 가지 주요 아이디어를 채택하였다. (1) 통계적 속성 (PACF) 및 교차 상관 함수(CCF)를 사용하여 적절한 입력 변수와 시퀀스 길이를 결정하였다. (2) 선택된 입력 예측 변수 시계열을 웨이블릿 변환(WT)을 사용하여 하위 시계열로 분해한다. (3) k-folds cross validation 및 random search 기법을 사용하여 LSTM의 하이퍼 매개변수들을 효율적으로 최적화하고 검증한다. 제안된 SWLSTM의 효과는 한강 유역 5개 댐의 시단위/일단위/월단위 유입량을 예측하고 과거 자료와 비교함으로써 검증하였다. 모델의 정확도는 다양한 평가 메트릭(R2, NSE, MAE, PE)이 사용하였으며, SWLSTM은 모든 경우에서 LSTM 모델을 능가하였다. (평가 지표는 약 30 ~ 80 % 더 나은 성능을 보여줌). 본 연구의 결과로부터, 올바른 입력 변수와 시퀀스 길이의 선택이 모델 학습의 효율성을 높이고 노이즈를 줄이는 데 효과적임을 확인하였다. WT는 홍수 첨두와 같은 극단적인 값을 예측하는 데 도움이 된다. k-folds cross validation 및 random search 기법을 사용하면 모델의 하이퍼 매개변수를 효율적으로 설정할 수 있다. 본 연구로부터 댐 유입량을 정확하게 예측한다면 정책 입안자와 운영자가 저수지 운영, 계획 및 관리에 도움이 될 것이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2016.05a
• /
• pp.159-159
• /
• 2016

북한 지역에서 시작되어 한반도의 금문댐까지 연결되는 임진강은 북한지역의 유출량 미계측으로 인해 유출량 산출에 많은 어려움이 있어왔다. 본 연구에서는 위성 데이터를 활용하여 미계측 유역의 유출량을 추정 할 수 있는 기법을 제시하였다. Satellite-derived Flow Signal (SDF)는 위성 기반 특정 지역의 유출 정보를 제공하며, JAXA의 GCOM-W1 위성에 탑재된 Advanced Microwave Scanning Radiometer 2(AMSR2) 센서에서 산출된다. 본 연구에서는 SDS 뿐 아니라 유출에 크게 관련이 있는 지표 토양수분 데이터와 식생인자를 임진강 유출 값을 예측하기 위한 입력 값으로 활용하였다. 토양수분 데이터는 Metop-A 위성에 탑재된 Advanced Scatterometer(ASCAT) 센서에서 산출되는 데이터를 활용하였으며, 식생데이터는 Aqua 위성에 탑재된 Moderate Resolution Imaging Spectroradiometer(MODIS) 센서에서 측정되는 Normalized Difference Vegetation Index(NDVI) 데이터를 활용하였다. 추가적으로 SDS, 토양수분, NDVI 데이터는 다양한 lag time으로 약 150여개의 입력데이터로 세분화되었다. 150개의 방대한 입력인자는 Partial Mutual Information(PMI) 방법을 통해 소수 중요 인자들로 간추려져 기계 학습 입력인자로 활용되었다. 기계학습에 있어서는 Support Vector Machine(SVM), Artificial Neural Network (ANN) 기법을 활용하였다. SVM, ANN을 통해 모델화된 유출데이터는 금문댐 유출데이터와 비교/분석되었다. SVM 기법 기반의 유출량은 실제 유출량과 0.73의 상관계수를 보여주었고, ANN 기법 기반의 유출량은 0.66의 상관계수를 결과를 나타내었다. 하지만 SVM 기반 유출데이터는 과소 산정 되는 경향을 보였으며, ANN 기법 기반의 유출량은 과대산정되는 결과가 산출되는 한계점이 있음을 파악할 수 있었다.

• Journal of Korea Water Resources Association
• /
• v.55 no.11
• /
• pp.931-939
• /
• 2022

In Korea, about two-thirds of the precipitation is concentrated in the summer season, so the problem of turbidity in the summer flood season varies from year to year. Concentrated rainfall due to abnormal rainfall and extreme weather is on the rise. The inflow of turbidity caused a sudden increase in turbidity in the water, causing a problem of turbidity in the dam reservoir. In particular, in Korea, where rivers and dam reservoirs are used for most of the annual average water consumption, if turbidity problems are prolonged, social and environmental problems such as agriculture, industry, and aquatic ecosystems in downstream areas will occur. In order to cope with such turbidity prediction, research on turbidity modeling is being actively conducted. Flow rate, water temperature, and SS data are required to model turbid water. To this end, the national measurement network measures turbidity by measuring SS in rivers and dam reservoirs, but there is a limitation in that the data resolution is low due to insufficient facilities. However, there is an unmeasured period depending on each dam and weather conditions. As a sensor for measuring turbidity, there are Optical Backscatter Sensor (OBS) and YSI, and a sensor for measuring SS uses equipment such as Laser In-Situ Scattering and Transmissometry (LISST). However, in the case of such a high-tech sensor, there is a limit due to the stability of the equipment. Therefore, there is an unmeasured period through analysis based on the acquired flow rate, water temperature, SS, and turbidity data, so it is necessary to develop a relational expression to calculate the SS used for the input data. In this study, the AEM3D model used in the Water Resources Corporation SURIAN system was used to improve the accuracy of prediction of turbidity through the turbidity-SS relationship developed based on the measurement data near the dam outlet.

• Journal of the Korean Data and Information Science Society
• /
• v.22 no.6
• /
• pp.1089-1096
• /
• 2011

We consider an infinite dam with inputs formed by a compound Poisson process and adopt a $P^M_{\lambda}$-policy to control the level of water, where the water is released at rate M when the level of water exceeds threshold ${\lambda}$. We obtain interesting stationary properties of the level of water, when the amount of each input independently follows an exponential distribution. After assigning several managing costs to the dam, we derive the long-run average cost per unit time and show that there exist unique values of releasing rate M and threshold ${\lambda}$ which minimize the long-run average cost per unit time. Numerical results are also illustrated by using MATLAB.

• Journal of Korea Water Resources Association
• /
• v.54 no.3
• /
• pp.157-166
• /
• 2021

Forecasting dam inflow based on high reliability is required for efficient dam operation. In this study, deep learning technique, which is one of the data-driven methods and has been used in many fields of research, was manipulated to predict the dam inflow. The Long Short-Term Memory deep learning with Sequence-to-Sequence model (LSTM-s2s), which provides high performance in predicting time-series data, was applied for forecasting inflow of Soyang River dam. Various statistical metrics or evaluation indicators, including correlation coefficient (CC), Nash-Sutcliffe efficiency coefficient (NSE), percent bias (PBIAS), and error in peak value (PE), were used to evaluate the predictive performance of the model. The result of this study presented that the LSTM-s2s model showed high accuracy in the prediction of dam inflow and also provided good performance for runoff event based runoff prediction. It was found that the deep learning based approach could be used for efficient dam operation for water resource management during wet and dry seasons.