하이브리드 멀티스트림 딥러닝 기반 산업폐수의 성분 분석 프레임웍 (Hybrid Multi-stream Deep Learning-based Nutrient Estimation Framework in Biological Wastewater Treatement)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 32권 / 3호 / 209 ~ 217페이지
· 저자명 : Ahtesham Bakht, 이문용, 이현수, Alam Nawaz

초록

본 연구는 산업폐수 처리프로세스 에서의 딥러닝 기법을 응용한 예측 프레임웍을 다룬다.
산업폐수 처리 및 분석은 프로세스 자체 및 데이터가 가지는 비선형성 및 처리시간 때문에어렵다는 특징을 지닌다. 기존의 수학적 모델링 기반의 방법들은 이러한 데이터의 다상관성때문에 그 예측이 어렵다는 한계를 나타내었다. 이를 극복하기 하기 위하여, 본 연구는 측정이 어려운 NO2 집중도를 예측하는 하이브리드 멀티스트림 딥러닝 프레임웍을 제안한다. 입력값으로서, 상대적으로 측정이 쉬운 산성도, 온도, 산소포화도, 용량등을 활용한다. 입력값은 심층신경망을 통과하며, 추가적으로 NO2집중도는 순환신경망을 통하여 특성값을 추출하고, 이를 심층신경망을 통해 학습한다. 제안된 프레임웍은 RMSE와  관점에서 기존의딥러닝 기반 방법론들보다 좋은 예측정확도를 나타낸다.

영어초록

This paper discusses a prediction framework of deep learning techniques formodeling nutrient discharge from wastewater treatment plants. Control of BiologicalWastewater Treatment (BWWT) is difficult because of the time-consuming,non-linearity nature of the process. Traditional modeling methods are incapable ofcapturing long-term multivariate dependencies of data for forecasting. To addresssuch concerns, this study proposes a hybrid multi-stream deep learning architectureto estimate a hard-to-measure nitrite (NO2) concentration. As input data,comparatively easily measurable elements such as pH, temperature, dissolvedoxygen (DO), suspended solids, and volumes are used. The features are trained adeep learning structure and NO2 Concentration is trained using a recurrent neuralnetwork. The proposed hybrid multi-stream architecture performed much betterthan other existing unimodal deep learning architecture in terms of root meansquare error (RMSE) and  .

참고자료

· 없음