[논문 리뷰] Enhancing Operation of a Sewage Pumping Station for Inter Catchment Wastewater Transfer by Using Deep Learning and Hydraulic Model

Duo Zhang, Erlend Skullestad Hølland외 2명|arXiv (Cornell University)|2018. 11. 09.

Flood Risk Assessment and Management참고 문헌 31인용 수 5

한 줄 요약

이 논문은 노르웨이 드라멘의 세균 펌프 정류장 운영을 향상시키기 위해 하이브리드 딥러닝 및 수리모델링 접근법을 제안한다. 간접배수구역 간 폐수 이송(ICWT)을 위해, 다단계 수위 예측 모델을 기반으로 한 LSTM을 사용함으로써, GRU, RNN, FFNN 및 SVR보다 뛰어난 성능을 달성하여 침수 위험 감소와 시스템 내성 향상에 기여한다.

ABSTRACT

This paper presents a novel Inter Catchment Wastewater Transfer (ICWT) method for mitigating sewer overflow. The ICWT aims at balancing the spatial mismatch of sewer flow and treatment capacity of Wastewater Treatment Plant (WWTP), through collaborative operation of sewer system facilities. Using a hydraulic model, the effectiveness of ICWT is investigated in a sewer system in Drammen, Norway. Concerning the whole system performance, we found that the Søren Lemmich pump station plays a vital role in the ICWT framework. To enhance the operation of this pump station, it is imperative to construct a multi-step ahead water level prediction model. Hence, one of the most promising artificial intelligence techniques, Long Short Term Memory (LSTM), is employed to undertake this task. Experiments demonstrated that LSTM is superior to Gated Recurrent Unit (GRU), Recurrent Neural Network (RNN), Feed-forward Neural Network (FFNN) and Support Vector Regression (SVR).

연구 동기 및 목표

• 도시 배수 시스템에서 하수관 유량과 폐수 처리 능력 간 공간적 불일치를 해결한다.
• 폐수 처리 공장(WWTP)의 용량 제약로 인한 하수관 침수를 완화한다.
• 예측 수위 모델링을 통해 Søren Lemmich 세균 펌프 정류장의 운영 효율성을 향상시킨다.
• 실시간 펌프 제어를 위한 데이터 기반, 딥러닝 기반 예측 모델을 개발하고 검증한다.
• 장기 기억(LSTM) 네트워크를 수리모델과 통합하여 ICWT 성능을 최적화한다.

제안 방법

• 드라멘 하수도 시스템의 校정된 수리모델과 딥러닝 모델을 융합한 하이브리드 프레임워크를 개발했다.
• Søren Lemmich 펌프 정류장의 다단계 수위를 예측하기 위해 장기 기억(LSTM) 네트워크를 적용했다.
• 과거 유입량 및 수위 데이터를 기반으로 LSTM 모델을 훈련시켜 고시간 해상도로 향후 수위를 예측했다.
• 동일한 데이터셋과 평가 지표를 사용하여 LSTM의 성능을 GRU, RNN, FFNN 및 SVR와 비교했다.
• 예측 결과를 수리모델에 통합하여 다양한 유량 조건에서 ICWT 운영을 시뮬레이션하고 최적화했다.
• 예측 정확도 및 모델 성능 평가를 위해 제곱근 평균 제곱오차(RMSE)와 결정계수(R²)를 사용했다.

실험 결과

연구 질문

• RQ1 LSTM 기반 수위 예측은 간접배수구역 폐수 이송 시스템 내 세균 펌프 정류장의 운영 효율성을 향상시킬 수 있는가?
• RQ2 실제 하수도 시스템에서 다단계 수위 예측 시 LSTM 성능은 GRU, RNN, FFNN 및 SVR 등 다른 기계학습 모델과 비교해 어떻게 다른가?
• RQ3 딥러닝과 수리모델링을 통합함으로써 드라멘 사례 연구에서 하수관 침수는 어느 정도 감소하는가?
• RQ4 Søren Lemmich 펌프 정류장은 효과적인 간접배수구역 간 폐수 이송을 가능하게 하는 데 어떤 역할을 하는가?
• RQ5 딥러닝 기반 예측 제어는 공간적·시간적 유량 불균형 상황에서 도시 배수 시스템의 내성을 향상시킬 수 있는가?

주요 결과

• LSTM는 Søren Lemmich 펌프 정류장에서 다단계 수위 예측에서 GRU, RNN, FFNN 및 SVR를 모두 앞섰다.
• LSTM 모델은 테스트된 모든 모델 중에서 가장 낮은 제곱근 평균 제곱오차(RMSE)와 가장 높은 결정계수(R²)를 기록했다.
• 수리모델 시뮬레이션 결과, ICWT는 유역 간 유량을 재분배함으로써 하수관 침수 위험을 크게 감소시킨다는 것이 확인되었다.
• Søren Lemmich 펌프 정류장은 흐름 재분배의 핵심 기능을 수행함으로써 ICWT 프레임워크 내 핵심 노드로 규명되었다.
• LSTM 예측 결과를 수리모델에 통합함으로써 사전 제어 기반 펌프 작동이 가능해져 시스템 안정성 향상과 침수 사건 감소에 기여했다.
• 제안된 방법은 복잡한 도시 하수도 네트워크에서 실시간 운영에 대해 뛰어난 강건성과 확장성을 입증했다.