The proper operation and control of wastewater treatment plant is receiving increasing attention to the rising concern about environmental issues. Improper operation of wastewater treatment plants can cause serious environmental and public health problems, because wastewater treatment plants effluent to receiving water bodies may cause various water borne diseases to human beings and aquatic life. To achieve proper operation and control, wastewater treatment process models that can accurately describe the behaviour of the process over a wide range of real time operating conditions and predict the performance of WWTPs are required.
This research was aimed to develop the performance estimation, prediction, and analysis models for wastewater treatment process using online estimation algorithm and artificial intelligence technique.
Firstly, the sequential Monte Carlo algorithm (nonlinear online estimation algorithm) was proposed to estimate recursively the unknown states (related with heterotrophs and autotrophs) and process components (BOD and NH4 concentrations) based on the real-time recorded DO concentration in a sequencing batch reactor. As a result, proposed sequential Monte Carlo algorithm could provide recursively constructing the posterior probability density of the unknown states, and accurately estimate BOD and NH4 concentrations.
Secondly, sequential modelling approach, which is composed of two parts, the process estimator and the process predictor, was proposed to estimate influent quality and predict effluent quality for a full-scale wastewater treatment plant (WWTP). In particular, four multivariate dynamic models were developed to predict the dynamics of BOD, COD, SS, and TN removal by two different artificial intelligence techniques, namely artificial neural network (ANN) and genetic programming (GP), with a sequential modelling approach. As a result, both ANN and GP with a sequential modelling approach has successfully developed multivariate dynamic process models of BOD, COD, SS, and TN removal with high levels of accuracy.
Finally, the Kohonen-self organizing feature maps (KSOFM) was proposed to determine the interrelationships and response of the process variables involved in a full-scale WWTP, and to analyze the dynamic system behaviour and operational problems of the WWTP. As a result, proposed KSOFM could provide a powerful tool of visualizing the multi-dimensional (high-dimensional) data, and help to determine the interrelationships between the process variables and to diagnose poor removal performance conditions in a full-scale WWTP.
국내 하수처리산업의 역사는 1970년대에서 1980년대에는 하수처리기술이 도입되었고, 1980년대에서 2000년대에는 하수처리장이 활발히 건설되었다. 그 이후에는 국내에 어느 정도 충분한 수의 하수처리장이 건설되었기 때문에(2009년 말 기준, 하수도 보급률: 89.4 %), 현재는 기존 하수처리장의 효율적인 운전 및 관리가 주 쟁점이 되고 있는 실정이다. 현재, 국내 하수처리장 운영 시 문제가 되고 있는 것은, 유입수의 불규칙한 변동과 고도하수처리공정의 도입으로 인해 기존 표준 활성슬러지 공정에서는 고려하지 않았던 내부 반송비와 외부 탄소원의 주입, 각 단위 공정에서의 체류시간과 같은 운전 인자들이 중요하게 고려되어야 한다는 점이다. 또한 소규모 마을 하수처리장의 경우, 처리장에 상주하고 있는 관리자가 절대적으로 부족한 실정이며, 수질원격감시체계(Tele-Monitoring System; TMS)의 도입과 2012년부터 강화될 예정인 방류수 수질 기준으로 인해 기존의 하수처리장은 항시 안정적인 수질을 확보해야 하는 어려움이 있다. 이러한 어려움을 해결하기 위해, 하수처리공정의 제어와 최적화를 위한 모델은 시간에 따라 실시간으로 정확하게 운전 조건을 모사할 수 있어야 한다. 따라서 본 연구에서는 하수처리공정의 실시간 온라인 추정을 위한 비선형 알고리즘 개발과 인공지능 기법과 연속 모델링 개념을 이용한 하수처리공정 운전 성능 예측 모델 개발, 하수처리공정의 운전 상태 분석을 연구 목적으로 하였다.
하수처리공정의 몇 몇 변수들(예, 미생물, 고형물)은 현재까지의 계측 기술 부족으로 인해 실시간으로 정확히 측정하기가 어려운 실정이다. 따라서 이러한 변수들을 실시간으로 직접 측정하는 대신 추정할 수 있는 것이 온라인 추정 기법이다. 하수처리공정에 적용된 온라인 추정 기법 가운데, 가장 널리 알려진 것은 칼만 필터이다. 하지만, 칼만 필터의 기본 가정이 선형 시스템인데 반해, 하수처리공정은 비선형성이 매우 크기 때문에, 칼만 필터를 하수처리공정에 직접적으로 적용할 수가 없다. 따라서 많은 연구자들이 비선형 모델을 선형화시켜 하수처리공정에 칼만 필터를 적용하였으나, 이와 같은 경우 또한 모델의 정확성이 저하될 가능성이 있기 때문에 하수처리공정을 위한 비선형 온라인 추정 기법이 필요한 실정이다. 이에 본 연구에서는 베이지안 추정 기법 중의 하나인 Sequential Monte Carlo (SMC) 알고리즘을 하수처리공정을 위해 제안하고, SBR 공정에 적용하여, 시간에 따라 값이 변하는 종속영양미생물과 독립영양미생물의 농도와 각 미생물의 yield coefficient와 maximum specific growth rate 값의 조합을, 30초에 한 번씩 온라인으로 측정 된 DO 값을 바탕으로 시간에 따라 추정하였다. 또한 추정 된 상태 변수의 값과 SBR 공정을 위해 간략화 시킨 ASM 1 모델을 이용하여, DO, BOD, NH4의 농도를 실시간으로 추정하였다. 그 결과, 어떠한 선형화 가정도 없이, 하수처리공정에서 실시간으로 측정하기 어려운 변수들을 SMC 알고리즘을 통해 효과적으로 추정하였다.
또한, 본 연구에서는 기존의 mechanistic 모델이 비록 하수처리공정의 해석을 위해 효과적인 정보를 제공하지만, 실제 하수처리현장에 적용하기에는 많은 어려움이 있기 때문에, 인공지능 기법인 인공 신경망 기법과 유전자 프로그래밍 기법 각각을 이용하여 하수처리공정 모델을 구성하였다. 특히, 연속 모델링 개념을 사용하여 유입수의 성상 추정과 동시에 유출수의 성상 예측이 가능한 모델을 구축하였다. 연속 모델링 개념은 크게 두 가지, Process estimator 와 Process predictor로 나눌 수 있다. Process estimator는 소프트웨어 센서와 같이, 측정하기 쉬운 변수들의 값을 이용하여 측정하기 어려운 변수를 추정하며, Process predictor는 Process estimator에 의해 추정된 값까지 입력 변수로 이용하여 우리가 최종적으로 알고자 하는 값을 예측한다. 본 연구에서는 BOD, COD, SS, TN 각각에 대해 Process estimator에 의해서는 유입수의 성상을 추정하였고, Process predictor에 의해서는 유출수의 성상을 예측하였다. 본 연구에서는 고도하수처리공정 중의 하나인 Daewoo Nutrient Removal (DNR) 공법으로 운전된 대도시 ‘A` 하수종말처리장 제 1단계의 일일 데이터를 이용하였다. 모델 구성을 위해, 2005년부터 2006년까지 약 2년 동안의 운전 데이터를 사용하였으며, 이 중 2005년의 운전 데이터는 모델 훈련에 사용하였고, 2006년의 데이터는 모델 훈련을 통해 생성된 모델의 검증을 위해 사용하였다. 그 결과, 인공 신경망 기법과 유전자 프로그래밍 기법 모두 성공적으로 유입수의 BOD, COD, SS, TN 농도 추정과 유출수의 BOD, COD, SS, TN 농도를 예측할 수 있는 모델을 구축하였으며, 인공 신경망 기법과 유전자 프로그래밍 기법의 추정 및 예측 성능도 비슷한 것으로 나타났다.
마지막으로, 본 연구에서는 하수처리공정 각 변수들의 상관관계 분석과 운영상의 문제점 진단을 위해, 인공지능 기법 중 하나인 자기 조직화 방법을 적용해 하수처리공정을 분석하였다. 또한, 자기 조직화 방법에 의해 생성된 지도를 K-means 알고리즘에 의해 최적으로 그룹화 시켰다. 그 결과, 유출수의 BOD, COD, TN의 경우는, 서로 비슷한 패턴을 갖고 있는 것으로 나타났으며, 이는 유입수의 BOD, COD, TN과 양의 상관관계가 있는 것으로 나타났다. 하지만, SRT의 경우에는 유출수의 BOD, COD, TN과는 음의 상관관계가 있는 것으로 나타났으며, 이를 통해, 본 연구 대상 하수처리장에서 유출수의 BOD, COD, TN 농도를 낮게 유지하기 위해서는, SRT를 약 11에서 12일 정도로 운전을 하면 될 것으로 사료된다. 유출수의 SS의 경우는, 유출수의 BOD, COD, TN과는 약간 다른 패턴이 나타났으며, 반응조 내의 MLSS와 양의 상관관계를 갖는 것으로 나타났다. 따라서 본 연구대상 하수처리장에서 안정적인 유출수의 SS 농도를 확보하기 위해서는, MLSS의 농도를 3,200 mg/L 보다는 낮게 운전을 하는 것이 좋을 것으로 사료된다.
