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
- 김수한
- 발행연도
- 2022
- 저작권
- 부경대학교 논문은 저작권에 의해 보호받습니다.
이용수4
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
The water treatment process using membrane filtration removes suspended and insoluble substances through the sieving effect using the membrane pore size and produces water of target quality based on the principle of passing substances smaller than the pores. At present, the membrane filtration process is controlled and managed by data analysis and interpretation based on the expert knowledge of the technician. Therefore, it is currently difficult to automatically operate the membrane filtration process without a technician.
the present study, we developed a model to classify the data of the normal filtration process that can occur in the membrane filtration water treatment process and the data of the abnormal filtration process, such as when there is a problem with the membrane. The role of the developed model is to replace the technician''s data analysis and interpretation.
The machine learning algorithm used in the classification model used the decision tree and K-NN algorithm optimized for classification. Each model applied reinforcement learning to continuously learn new data, and as the learning data was accumulated, the prediction performance converges to 100%. It shows the possibility of automatically diagnosing and controlling the membrane filtration process without a technician through the performance of classification model.
the present study, we developed a model to classify the data of the normal filtration process that can occur in the membrane filtration water treatment process and the data of the abnormal filtration process, such as when there is a problem with the membrane. The role of the developed model is to replace the technician''s data analysis and interpretation.
The machine learning algorithm used in the classification model used the decision tree and K-NN algorithm optimized for classification. Each model applied reinforcement learning to continuously learn new data, and as the learning data was accumulated, the prediction performance converges to 100%. It shows the possibility of automatically diagnosing and controlling the membrane filtration process without a technician through the performance of classification model.
목차
제1장 서론 11.1. 연구배경 및 목적 11.2. 연구내용 및 구성 2제2장 문헌연구 42.1. 막여과 정수처리 공정 42.1.1. 막여과 정수처리 공정의 개요 42.1.2. 막여과 공정의 제어방식 62.1.3. 막여과 정수처리 공정의 특성 및 관련 용어 82.2. 머신러닝 162.2.1. 머신러닝의 정의 및 종류 162.2.2. Python 23제3장 실제 수질 데이터의 분석 및 전처리 253.1. 실제 막여과 수질 데이터 분석 253.2. 수질 데이터 전처리 263.2.1. 공정단위 분류를 통한 데이터 전처리 263.2.2. 온도 보정식을 통한 막간차압 보정 작업 293.2.3. 막여과 정수처리 운전진단에 필요한 수질 데이터 선정 303.2.4. 정상 데이터와 비정상 데이터의 정의 및 분류 323.2.5. 정상 데이터와 비정상 데이터의 분포 34제4장 분류모델 개발 354.1. 엑셀 규칙기반의 데이터 분류모델 개발 354.2. 머신러닝 기반의 데이터 분류모델 개발 394.2.1. 분류모델 프로그래밍 41제5장 연구결과 495.1. 분류모델 성능분석 495.1.1. 하이퍼 파라미터에 따른 분류모델의 성능분석 535.1.2. 실제 플랜트에서 적용되어야 하는 모델 학습법 58제6장 결론 및 향후연구 646.1. 연구 결과 요약 및 결론 646.2. 향후 연구 방향 65참고문헌 66
최근 본 자료
댓글(0)
0