非線型 同力學과 人工神經網 理論을 適用한 流出量 및 水質 豫測에 관한 硏究
Study on the prediction of dischange and water quality by applied nonlinear dynamics and artificial neural network theory
초록/요약
수자원의 효율적인 관리는 물론 홍수에 의한 침수나 각종 수질오염 사고에 의한 재난재해를 보다 적극적으로 대응하기 위해서는 하천에서의 유량과 수질에 관한 보다 정확한 예측모형이 담보되어야 한다. 이를 위해 본 연구에서는 영산강 유역의 본류부를 대표하는 나주지점을 대상으로 유출량과 난분해성 물질에 대한 해석이 가능하고 재현성이 탁월한 총유기탄소(Total Organic Carbon: 이하 TOC) 예측하며, 두 변수에 의해 재산정된 TOC 부하량에 대한 예측모형을 개발하였다. 이에 따른 방법론으로는 원자료에 포함된 잡음저감을 위하여 웨이블렛 변환을 적용하였다. 웨이블렛 변환의 최종파형분해 단계를 결정하기 위하여 비선형동역학적 특성 분석의 도구로 활용되는 상관차원법을 적용하였다. 또한 최종파형분해 단계의 근사성분과 각 단계의 상세성분의 조합을 통해 지능형 예측모형인 인공신경망 예측 모형을 개발하였다. Daubechies가 제안한 다양한 웨이블렛 함수 중 웨이블렛 변환 후 재현기간 48시간 이상 해석이 가능하고 원시계열과 최종분해단계 근사성분과의 상관계수가 높은 기준으로 선택하였으며 그 결과 나주지점의 유출량 및 TOC, TOC 부하량 자료에 대한 웨이블렛 변환 함수는 ‘db10’으로 나타났다. 상관차원법은 웨이블렛 변환의 최적파형분해단계의 결정의 도구일 뿐만 아니라 원자료에 대한 본질적인 거동 특성을 분석이 가능한 방법론이다. 이러한 방법론을 적용한 결과 유출량 자료는 r=0.1067, 0.0759일 때 매립차원 25이상에서 각각 1.30과 1.40으로 수렴하였고, TOC 자료는 r=0.1067, 0.0759일 때 매립차원 25이상에서 각각 1.30과 1.40으로 수렴하고 있음을 직관적으로 알 수 있으며, TOC 부하량 자료는 r=0.1067, 0.0759일 때 매립차원 25이상에서 각각 1.85와 1.75로 수렴하였다. 이때의 모든 자료에 대한 최종파형분해 단계는 7단계이다. 유출량 자료에 대한 웨이블렛 변환함수 'db10'를 7단계까지 분해한 결과 약 근사성분의 에너지는 94.71%, 상세성분의 에너지는 극히 낮은 5.29%의 에너지 값을 갖고 있는 것으로 분석되었고, TOC 자료 역시 'db10'에 의해 7단계까지 분해한 결과 근사성분의 에너지는 99.00%, 상세성분의 에너지는 1.00%의 에너지 값을 갖고 있는 것으로 나타났다. TOC 부하량 자료 역시 'db10'에 의해 7단계까지 분해한 결과 근사성분의 에너지는 93.84%로 나타났으며 6.17%를 갖고 있는 것으로 나타났다. 유출량 예측모형을 개발하기 위하여 최종 분해된 근사성분과 상세성분을 이용하여 인공신경망의 입력 자료로 구축한 결과 Model Ⅵ_23(Dis.) 모형이 나주지점의 유출량 특성을 가장 잘 반영하였다. 또한 TOC 수질 특성을 가장 잘 반영한 모형은 Model Ⅶ_27(TOC)로 분석되었으며 통계적 기준치와 도식적 기준에 만족하였고 또한 일반적인 신경망 모형에 나타나는 Persistence 현상을 발견할 수 없었다. 마지막으로 TOC 부하량 예측모형은 Model Ⅵ_17(T.L.) 모형으로서 훈련 및 검증과정에서의 통계적 기준치는 만족하였으나 산포도에서 Persistence 현상이 나타났다. 이러한 연구결과를 통하여 각종 수질오염 사고 및 유출량 예측에 의해 보다 적극적인 대응으로 재산 및 인명피해의 경감이 기대될 뿐만 아니라 유량 및 수질의 동시예측이 가능함에 따라 수자원의 효율적인 관리가 가능할 것으로 기대된다. 또한 유출량 및 TOC 수질자료가 결측 되었을 경우 TOC 부하량 예측값에 의한 역 변환으로 결측 자료의 보간이 가능하며 이에 따라 정도 있는 수문·환경자료의 구축이 가능할 것으로 기대된다.
more초록/요약
Study on the prediction of discharge and water quality by applying nonlinear dynamics and artificial neural network theory. For effective management of water resources and dealing with disasters of inundation by flood and various water pollution more aggressively more accurate prediction model should be guaranteed. The present study developed prediction models for discharge, Total Organic Carbon(TOC), which can used to solve non-degradable problem and has outstanding reproducibility and a prediction model for TOC load estimated by TOC concentration and discharge in Naju station. For the methodology, Wavelet transform was applied to reduce noise from raw data and correlation dimension analysis, which is a tool to analyze nonlinear dynamic characteristic was used to determine the last level for wavelet decomposition of the wavelet transform. Artificial neural network models of artificial intelligence prediction method were developed with the combined data of approximation component in the last decomposition level and the detail components in the respective levels. The results are as following. Selection criteria for a wavelet function criteria to select the most appropriate wavelet function of various functions proposed by Daubechies were that it is able to analysis the periodicity longer than 48 hours after wavelet transform. its approximation in the last decomposition level should show high correlation with the raw data after wavelet transform. The selection procedure revealed that the most appropriate wavelet function was 'db10' for the discharge, TOC and TOC load. As mentioned above, the correlation dimension analysis was used not only to determine the last decomposition level for wavelet transform but also to analyze the essential behavior characteristics of the raw data. The results indicated that the correlation dimension of discharge and TOC data converged into 1.30 and 1.40 with the normalized radii(r) of 0.1067 and 0.0759 when embedding dimension values are bigger than 25. For TOC load, the correlation dimension converged into the range between 1.75 and 1.85 with the normalized radii of 0.1067 and 0.0759 when the embedding dimension had the values of more than 25. The last decomposition levels were level 7 for all data. The decomposed approximation for discharge 7th in the level using wavelet function of 'db10' had about 94.71% of the total energy of raw data and the energy the details was extremely low with the values of 5.29%. Approximation of TOC, also was transformed by 'db10' and up to the 7th level and its energy had 99% of total energy of raw data with 1% for details TOC load was also decomposed by 'db10' and up to the 7th level and the energy of approximation was 93.84% of the total energy and 6.17% for details. Discharge prediction model was developed by the artificial neural network with the input data of which components were approximation and details decomposed in the last level of wavelet transform. Mode Ⅳ_23(Dis.) of the various model structures represented the discharge characteristics in Naju station with the highest model performance. For the characteristics of TOC, Model Ⅶ_27(TOC) showed the best performance with the statistically significant criteria and plots. Remarkably, no persistence effect which can be easily shown in the normal artificial neural network models was shown in the present study. Additionally, the prediction models of Model Ⅵ_19(T.L.) for significant statistics, but showed the persistence effect in scatter plots. The results from the present study might be expected to mitigate the damage of property and casualty by the aggressive treatment with the prediction of water quality pollutant and discharge. Simultaneous prediction of discharge and water quality can improve the effective management of water resources. In addition, the predicted TOC load can be transformed inversely to interpolate the missing values of discharge and TOC concentration. Therefore, hydrological and environmental data with high accuracy can be constructed by the methodology and the result from the present study in the future.
more목차
목차 = ⅰ
List of Tables = ⅳ
List of Figures = ⅵ
국문요약 = ⅹ
1. 서론 = 1
1.1 연구 배경 및 목적 = 1
1.1.1 연구 배경 = 1
1.1.2 연구 목적 = 3
1.2 연구내용 및 방법 = 4
1.3 연구동향 = 7
1.4 논문의 구성 = 10
2. 이론적 배경 = 12
2.1 웨이블렛 변환 = 12
2.2 비선형 동역학 이론 = 20
2.2.1 위상공간 = 22
2.2.2 상관차원법 = 23
2.3 인공신경망 이론 = 25
2.3.1 개요 = 25
2.3.2 인공신경망 모형의 훈련 알고리즘 = 26
3. 대상지점 및 자료의 특성 = 33
3.1 대상 지점 = 33
3.2 대상 자료의 특성 = 35
3.2.1 유출량 자료의 특성 = 38
3.2.2 TOC 자료의 특성 = 44
3.2.3 부하량 자료의 특성 = 51
3.3 소결 = 57
4. 웨이블렛 변환과 비선형 동역학적 특성 분석 = 59
4.1 웨이블렛 변환 = 61
4.1.1 잡음저감에 대한 검토 = 61
4.1.2 유출량 자료에 대한 웨이블렛 변환 = 64
4.1.3 TOC 자료에 대한 웨이블렛 변환 = 70
4.1.4 TOC 부하량 자료에 대한 웨이블렛 변환 = 75
4.2 비선형 동역학적 특성 분석 = 80
4.2.1 유출량 자료에 대한 비선형 동역학 특성 분석 = 81
4.2.2 TOC 자료에 대한 비선형 동역학 특성 분석 = 83
4.2.3 TOC 부하량 자료에 대한 비선형 동역학 특성 분석 = 86
4.3 소결 = 89
5. 예측모형의 구축 및 평가 = 90
5.1 예측모형의 평가 기준 = 90
5.2 예측모형의 구축 = 92
5.2.1 유출량 예측 모형의 구축 = 94
5.2.2 TOC 예측 모형의 구축 = 98
5.2.3 TOC 부하량 예측 모형의 구축 = 101
5.3 예측모형의 선정 및 고찰 = 104
5.3.1 유출량 예측 모형의 선정 및 고찰 = 104
5.3.2 TOC 예측 모형의 선정 및 고찰 = 111
5.3.3 TOC 부하량 예측 모형의 선정 및 고찰 = 118
5.4 결측자료에 따른 간접추정 및 보간에 대한 평가 = 125
5.5 소결 = 128
6. 결론 = 129
[참고문헌] = 132
Abstract = 137