지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 안현욱
- 발행연도
- 2019
- 저작권
- 충남대학교 논문은 저작권에 의해 보호받습니다.
이용수67
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
물은 바다, 강, 호수, 하천 등 지구표면에 약 71%를 덮고 있으며, 이중 95%는 염수로 5%만 담수로 이루어져 있다. 5%의 담수에서도 80%는 얼음상태이고, 20%의 물이 있는데 이중에서도 99%는 지하수로 이루어져 있고, 1%만이 지표수이다. 모든 생물체는 물론 우리의 인체도 약 70%가 물로 구성되어 있을 만큼 매우 중요한 구성요소이다. 물은 인간의 구성에서 식생활, 목욕, 청소, 세탁, 화장실 등 생활용수로써 다량 소모하며 인간의 문화수준이 향상될수록 물의 수요량은 많아지고 있다. 최근 산업화와 공업의 발전에 의해 인간의 생활수준이 향상됨에 따라 인구가 도시로 집중되면서 상수사용량의 증가와 인구의 증가로 인해 다량의 생활용수의 사용에 따라 좁은 지역에 유출됨에 따라서 하천이나 호소의 자정능력을 초과하여 오염을 유발시키고 있다. 특히 우리나라는 외국에 비해 7~8월의 우기가 지나면 10월에서 다음해 2월까지는 하천유량이 줄어들어 하천의 자정능력과 희석작용이 부족하여 오염현상이 심하고, 하천의 수질오염 문제는 사회·경제적으로 그 중요성이 점점 더 커지고 있다. 이에 따른 우리나라의 경우 「환경정책기본법 제 10조, 동법 시행령 제 2호[별표 1]에 수질환경기준을 정하고 사람의 건강보호, 생활환경 항목으로 구성하고 이수목적에 및 수질농도에 따라 생활환경기준을 5개 등급으로 나누고 있다. 환경부장관의 고시로 하천 공공수역에 대한 수질 현황 및 추세파악과 주요한 환경정책의 효과분석 및 정책수립을 위한 기초자료의 확보를 위하여 수질측정망이 운영되고 있다. 수질환경기준은 생활환경 항목과 사람의 건강보호 항목으로 구성되어 있고 이수목적 및 수질농도에 따라 생활환경기준은 5개 등급으로 나누어져 있다. 그러나 각 지역 보건환경연구원에서는 월 1회 이상 BOD, COD, 부유물질량, 총인, 총질소 등 자료를 제공하고 있는데 월 2~4회정도 비정기적으로 측정된 자료만 제공하고 있다. 수질오염 문제에 있어 경제적이며 합리적인 수질관리를 위해서는 타당성 있고 현실적인 수질기준을 정하여 경제적 손실을 최소화 하는 작업과 함께 자연적 정화 능력인 하천의 자정작용을 최대한 활용하는 것이 중요하다. 이를 위해서는 모니터링 자료를 기초로 한 수질 예측을 바탕으로 적절한 대응책을 마련할 필요가 있으나 수질 예측에 대한 연구는 아직 부족한 것이 현실이다.
본 연구에서는 순환신경망 알고리즘을 활용하여 일 단위의 수질예측을 시도하였다. 기존 연구에는 인공신경망을 활용하여 수질을 예측 하였는데 지금까지 연구하지 않은 기계학습 알고리즘인 RNN과 LSTM을 활용하여 연구를 진행하였다. RNN과 LSTM 알고리즘은 기존의 인공신경망보다 시계열 학습에 강한 발전된 형태의 기계학습 알고리즘으로 수질예측에 보다 적합할 것으로 판단하여 본 연구에 활용하였다. 앞서 서술하였듯이 일 단위 수질예측을 위해서는 일 단위의 수질 측정 자료가 필요할 것이나 현 시점에서 수질 항목에 대한 일 단위의 측정은 비용 및 제반 여건 상 거의 불가능한 것이 현실이다. 따라서 본 연구에서는 월 2~4회 비정기적으로 측정되고 있는 수질농도 자료, 부하량 자료를 선형보간 하여 가상의 일 자료를 구축하고 이를 이용하여 일 단위 수질예측에 대한 정확성을 테스트 하였다. Google에서 개발한 오픈소스 라이브러리인 텐서플로우를 활용하여 기계학습을 수행하고 연구를 진행하였다.
본 연구에서는 순환신경망 알고리즘을 활용하여 일 단위의 수질예측을 시도하였다. 기존 연구에는 인공신경망을 활용하여 수질을 예측 하였는데 지금까지 연구하지 않은 기계학습 알고리즘인 RNN과 LSTM을 활용하여 연구를 진행하였다. RNN과 LSTM 알고리즘은 기존의 인공신경망보다 시계열 학습에 강한 발전된 형태의 기계학습 알고리즘으로 수질예측에 보다 적합할 것으로 판단하여 본 연구에 활용하였다. 앞서 서술하였듯이 일 단위 수질예측을 위해서는 일 단위의 수질 측정 자료가 필요할 것이나 현 시점에서 수질 항목에 대한 일 단위의 측정은 비용 및 제반 여건 상 거의 불가능한 것이 현실이다. 따라서 본 연구에서는 월 2~4회 비정기적으로 측정되고 있는 수질농도 자료, 부하량 자료를 선형보간 하여 가상의 일 자료를 구축하고 이를 이용하여 일 단위 수질예측에 대한 정확성을 테스트 하였다. Google에서 개발한 오픈소스 라이브러리인 텐서플로우를 활용하여 기계학습을 수행하고 연구를 진행하였다.
목차
Ⅰ. 서론 11.1 연구 배경 11.2 연구 목적 2Ⅱ. 연구사 3Ⅲ. 기계학습(Machine learning) 73.1 인공신경망(ANN, Artificial Neural Network) 83.2 심층인공신경망(Deep learning) 93.2.1 순환신경망(RNN, Recurrent Neural Network) 103.2.2 LSTM 123.3 텐서플로우(Tensorflow) 14Ⅳ. 대상유역 및 자료 154.1 대상유역 및 지점 154.2 자료수집 16Ⅴ. 연구자료 분석 및 고찰 175.1 RNN 모형 수질농도 결과 분석 및 고찰 185.2 LSTM 모형 수질농도 결과 분석 및 고찰 315.3 RNN과 LSTM 수질농도 비교 분석 445.4 RNN 모형 부하량 결과 분석 및 고찰 475.5 LSTM 모형 부하량 결과 분석 및 고찰 49Ⅵ. 결과 및 고찰 51참 고 문 헌 53ABSTRACT 57
최근 본 자료
댓글(0)
0